EMBRACE: A Multi-task Framework for Comprehensive Quality Assessment in Cleavage-stage Embryo

Resumo Técnico: EMBRACE – Um Framework Multitarefa para Avaliação de Embriões em Estágio de Clivagem

Definição do Problema
Na Fertilização In Vitro (FIV), a avaliação de embriões em estágio de clivagem é um ponto de decisão crítico para a transferência embrionária, continuidade da cultura ou criopreservação. A avaliação visual convencional depende da interpretação simultânea de múltiplas características morfológicas: fragmentação citoplasmática, estágio de desenvolvimento (especificamente os marcos de clivagem t2/t4) e simetria dos blastômeros. No entanto, esse processo está sujeito à variabilidade do observador, particularmente quando as regiões fragmentadas são pequenas, irregulares, de baixo contraste ou visualmente semelhantes às texturas citoplasmáticas circundantes. As abordagens existentes de Inteligência Artificial (IA) frequentemente focam em classificação de nível de imagem de saída única (ex: predição de viabilidade) ou tarefas isoladas. Uma limitação significativa desses modelos de saída única é a falta de interpretabilidade espacial; um escore de probabilidade não consegue revelar onde ocorre a fragmentação, o que é crucial para a revisão clínica. Além mais, tratar a segmentação de fragmentação, o estadiamento de desenvolvimento e a graduação de simetria como tarefas separadas falha em aproveitar as representações visuais compartilhadas inerentes à morfologia embrionária.

Metodologia
O artigo propõe o EMBRACE, um framework unificado de aprendizado profundo multitarefa projetado para realizar conjuntamente três tarefas a partir de imagens de microscopia de embriões em estágio de clivagem estático:

1. Segmentação de Fragmentação Citoplasmática por Pixel: Gerar uma máscara binária das regiões fragmentadas.
2. Classificação de Estágio de Desenvolvimento: Classificar o embrião como t2 (dois células) ou t4 (quatro células).
3. Graduação de Simetria de Blastômeros: Categorizar embriões como simétricos, assimétricos ou descartados.

Arquitetura:

• Backbone: Um codificador ResNet-50 pré-treinado no ImageNet extrai características hierárquicas.
• Fusão de Características: Um módulo de Fusão de Características Multiescala Baseado em Concatenação (C-MSFF) integra características do codificador intermediárias e profundas para combinar detalhes espaciais de baixo nível com pistas semânticas de alto nível.
• Ramo de Segmentação: Utiliza um decodificador estilo U-Net com conexões de salto (skip connections) e uma torre de refinamento para produzir máscaras de fragmentação ao nível do pixel.
• Cabeças de Classificação: Duas cabeças específicas de tarefa derivam da representação mais profunda do codificador (L4). Um módulo de projeção global (agrupamento médio global adaptativo, camadas totalmente conectadas e dropout) alimenta classificadores lineares independentes para estágio (2 classes) e simetria (3 classes).

Otimização e Treinamento:

• Função de Perda: O modelo emprega um objetivo multitarefa ponderado: $L_{total} = \alpha L_{seg} + \beta L_{stage} + \gamma L_{sym}$.
  • Perda de Segmentação: Uma perda composta combinando entropia cruzada binária ponderada, perda de Dice, perda Focal, perda de Lovász e perda de Fronteira (Boundary loss) para lidar com o severo desequilíbrio entre primeiro plano e fundo, fragmentação esparsa e fronteiras ambíguas.
  • Perda de Classificação: Entropia cruzada focal para classificação de estágio e entropia cruzada ponderada pela frequência inversa para graduação de simetria, visando lidar com o desequilíbrio de classes.
• Dataset: O estudo utilizou 9.137 imagens anotadas de estágio de clivagem (7.309 para treinamento, 914 para validação, 914 para teste independente) de dois centros de FIV (Hospital Taichung Veterans General e Hospital Chung Shan Medical University). Os rótulos incluíam máscaras de fragmentação ao nível do pixel e tags de estágio/simetria ao nível da imagem.
• Estudo de Ablação: Os autores compararam seis configurações experimentais (EXP1–EXP6), testando a adição de consistência siamesa, ponderação baseada em incerteza, atenção entre tarefas, regressão ordinal CORAL, aprendizado adversarial de domínio e melhorias arquitetônicas (ASPP, supervisão profunda).

Principais Resultados
No conjunto de teste independente, a configuração final EXP1 (o baseline compacto sem módulos auxiliares) alcançou o melhor equilíbrio geral:

• Segmentação de Fragmentação: Coeficiente de Dice de 0,781 e Interseção sobre União (IoU) de 0,677. A análise qualitativa mostrou alta precisão para fragmentos claros, mas notou desafios com regiões pequenas, de baixo contraste ou com fronteiras ambíguas.
• Classificação de Estágio de Desenvolvimento: Acurácia de 0,995, Macro-F1 de 0,994 e AUC de 1,000.
• Graduação de Simetria de Blastômeros: Acurácia balanceada de 0,901, Macro-F1 de 0,907 e Kappa Ponderado Quadrático de 0,859. A maioria dos erros ocorreu entre as categorias "simétrico" e "descartado".

Achados de Ablação:
Ao contrário da hipótesia de que o aumento da complexidade melhoraria o desempenho, a adição de módulos como aprendizado adversarial de domínio, atenção entre tarefas ou supervisão profunda (EXP2–EXP6) geralmente degradou o desempenho de segmentação ou não conseguiu melhorar o equilíbrio multitarefa. Os autores atribuem isso ao conflito de gradiente e interferência de otimização dentro do codificador compartilhado, sugerindo que, para esta tarefa específica, um design compacto e bem regularizado é superior a estratégias auxiliares complexas.

Significância e Alegações
O artigo afirma que o EMBRACE aborda uma lacuna metodológica ao integrar a localização de fragmentação inspecionável espacialmente com a avaliação da morfologia embrionária em um único framework.

• Interpretabilidade: Diferente dos classificadores de nível de imagem, o EMBRACE fornece máscaras ao nível do pixel, permitindo que os embriologistas verifiquem visualmente a evidência espacial que sustenta as predições de fragmentação.
• Alinhamento Clínico: O design multitarefa espelha o fluxo de trabalho clínico onde os embriologistas interpretam fragmentação, estágio e simetria concomitantemente, em vez de isoladamente.
• Viabilidade: O estudo demonstra que um framework multitarefa de codificador compartilhado pode aprender efetivamente tanto características locais (fragmentação) quanto globais (estágio/simetria) sem exigir pipelines separados.
• Modéstia e Limitações: Os autores declaram explicitamente que o EMBRACE é uma ferramenta de suporte à decisão orientada à pesquisa, não um sistema autônomo de seleção de embriões. Eles enfatizam que:
  • O dataset é retrospectivo; validação externa e prospectiva é necessária antes da implementação clínica.
  • A categoria "descartado" foi enriquecida a partir de um centro secundário para lidar com o desequilíbrio de classes, o que significa que o dataset combinado não é uma validação externa totalmente independente.
  • O modelo não prediz desfechos clínicos (implantação, nascimento vivo), mas sim características morfológicas.
  • A segmentação continua sendo a tarefa mais desafiadora devido à dificuldade biológica de distinguir pequenos fragmentos anucleados da textura citoplasmática.

Em conclusão, o artigo argumenta que, para a avaliação de embriões em estágio de clivagem, a supervisão cuidadosamente desenhada e o tratamento do desequilíbrio de classes são mais críticos do que o aumento da complexidade arquitetônica, e que uma abordagem multitarefa unificada oferece uma alternativa mais transparente e clinicamente alinhada aos modelos de IA de saída única.