Batch-Invariant Spectral Intelligence for Robust and Explainable Insect Authentication

Resumo Técnico: Inteligência Espectral Invariante de Lote para Autenticação de Insetos Robusta e Explicável

Declaração do Problema
A integração de insetos comestíveis (especificamente Achecha domesticus, Hermetia illucens e Tenebrio molitor) na cadeia de suprimentos global de alimentos requer uma autenticação de espécies confiável para garantir a conformidade regulatória, prevenir a adulteração e gerenciar a exposição a alérgenos. Embora a espectroscopia de Infravermelho Próximo (NIR) ofereça uma ferramenta analítica rápida e não destrutiva, seu desempenho é severamente comprometido por "efeitos de lote". A variação espectral surge de deriva instrumental, flutuações ambientais e, criticamente, tratamentos específicos de produção, como o branqueamento, a exposição à água ativada por plasma (PAW) e a aplicação de ultrassom. Esses tratamentos induzem mudanças físicas e químicas (ex: desnaturação de proteínas, oxidação lipídica, redistribuição de umidade) que perturbam regiões espectrais que se sobrepõem a características discriminativas de espécies. Consequentemente, modelos treinados em lotes específicos falham em generalizar para lotes de produção não vistos, uma limitação que não é adequadamente abordada por técnicas padrão de pré-processamento ou adaptação de domínio pós-hoc.

Metodologia
Os autores propõem a Rede Espectral Invariante de Lote (BISN - Batch-Invariant Spectral Network), um framework de aprendizado profundo de ponta a ponta projetado para suprimir a variação espectral específica de lote antes que as características específicas da espécie sejam aprendidas. A arquitetura consiste em quatro componentes otimizados conjuntamente:

1. Módulo de Pré-processamento Informado: Uma camada de convolução 1D aprendível inicializada com coeficientes de filtragem de Savitzky–Golay (SG). Este módulo mapeia os espectros brutos para uma representação invariante de lote. Diferente de filtros estáticos, os pesos do kernel são treináveis, permitindo que a rede se adapte para suprimir o ruído induzido pelo lote enquanto preserva a estrutura bioquímica. A normalização de instância segue para estabilizar a escala espectral global.
2. Codificador Atentivo Esparso: Este componente gera um embedding latente compacto (8 dimensões) a partir do espectro pré-processado. Ele emprega um transformer de "divisão" para criar uma máscara de atenção de comprimento via função sparsemax, selecionando apenas os comprimentos de onda mais bioinformaticamente relevantes. Um regularizador de entropia evita que o mecanismo de atenção colapse em um único comprimento de onda, garantindo uma representação distribuída de características espectrais complementares.
3. Classificador de Espécies: Uma camada linear que mapeia o embedding latente para probabilidades de classe de espécie, otimizada via perda de entropia cruzada.
4. Ramo de Lote Regularizado por Entropia: Um ramo adversarial conectado ao módulo de pré-processamento via uma Camada de Reversão de Gradiente (GRL). Diferente das Redes Neurais de Aprendizado de Domínio Adversário (DANN) tradicionais, que impõem invariância nas características latentes, a BISN direciona as previsões de lote em direção a uma distribuição uniforme ao maximizar a entropia de Shannon da distribuição de previsão de lote. Isso força o módulo de pré-processamento a remover a informação de identificação de lote da própria representação de entrada.

O objetivo de treinamento combina entropia cruzada de espécie, regularização de esparsidade de atenção e a entropia negativa das previsões de lote, com o peso adversarial sendo submetido a um recozimento (annealing) durante o treinamento.

Principais Contribuições

• Invariância de Domínio Upstream: A BISN desloca o objetivo de invariância de domínio para o estágio de pré-processamento, suprimindo efeitos de lote antes da extração de características, ao contrário da DANN, que opera nas características latentes e deixa as estruturas espectrais iniciais intactas.
• Interpretabilidade Bioquímica: O framework integra Gradientes Integrados (IG) e otimização contrafactual restrita por região para validar que as decisões do modelo dependem de regiões de absorção bioquimicamente conhecidas (lipídios, proteínas, água) em vez de artefatos de lote.
• Design Experimental Robusto: O estudo utiliza um conjunto de dados abrangente de 2.700 espectros cobrindo três espécies de insetos, três lotes de produção independentes e um design fatorial completo de tratamentos de processamento (branqueamento, PAW, ultrassom), simulando a variabilidade industrial realista.

Resultados
Avaliada sob um protocolo rigoroso de Deixar um Lote Fora (LOBO - Leave-One-Batch-Out), a BISN alcançou uma acurácia média de 0,93 (desvio padrão de 0,04) e um F1 score macro de 0,93.

• Comparação de Desempenho: A BISN superou o baseline mais forte (DANN com pré-processamento clássico) em quatro pontos percentuais ($p < 10^{-6}$). Embora o pré-processamento clássico tenha melhorado os modelos de base (ex: o TabNet melhorou de 0,75 para 0,88), não igualou a robustez do pré-processamento aprendível da BISN.
• Análise de Representação: A Análise de Componentes Principais (PCA) e a MANOVA revelaram que o embedding latente da BISN aumentou significamente a razão de variância espécie-lote (de ~12 nos espectros brutos para ~85 no embedding). O embedding formou clusters de espécies compactos e bem separados, com amostras de lotes distribuídas uniformemente dentro de cada cluster.
• Interpretabilidade: As atribuições de IG destacaram consistentemente as regiões de absorção de lipídios (C–H) e proteínas (N–H) como os principais drivers de discriminação. A análise contrafactual confirmou que modificar essas regiões específicas era suficiente para corrigir classificações errôneas, validando que o modelo aprendeu características fundamentadas bioquimicamente em vez de correlações espúrias.
• Estudos de Ablação: Remover o módulo de pré-processamento aprendível causou uma queda significativa na acurácia (0,93 para 0,73), confirmando seu papel como o principal mecanismo para a generalização entre lotes. A inicialização por SG acelerou a convergência, mas não alterou a acurácia final.

Significância e Alegações
O artigo afirma que a BISN aborda a lacuna crítica entre a espectroscopia de alta precisão em laboratório e a implementação industrial robusta, resolvendo simultaneamente a generalização entre lotes e fornecendo interpretabilidade bioquímica. Os autores sustentam que sua abordagem consegue desacoplar a estrutura espectral discriminativa da espécie da variação induzida pelo lote de produção e pelo tratamento. Ao demonstrar que as decisões do modelo se alinham com a bioquímica conhecida dos insetos (frações de lipídios e proteínas), o trabalho une o desempenho preditivo à compreensão mecanística, ofereando um caminho viável para a autenticação de insetos automatizada e em tempo real em ambientes industriais complexos e variáveis. Os autores observam limitações quanto ao confundimento da variação biológica e de aquisição devido às datas de compra distintas, e a necessidade de validação adicional de pistas baseadas em pigmentos sob condições operacionais.