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

技术摘要：EMBRACE —— 一种用于卵裂期胚胎评估的多任务框架

问题陈述
在体外受精（IVF）过程中，卵裂期胚胎的评估是胚胎移植、培养延续及冷冻保存的关键决策点。传统的视觉评估依赖于对多种形态学特征的同时解读：胞质碎裂（cytoplasmic fragmentation）、发育阶段（特别是 t2/t4 卵裂里程碑）以及卵裂球对称性（blastomere symmetry）。然而，这一过程受观察者差异的影响，尤其是在碎裂区域较小、形状不规则、对比度低或与周围胞质纹理视觉相似时。现有的人工智能（AI）方法通常侧重于单输出图像级分类（例如活力预测）或孤立的任务。单输出模型的一个显著局限是缺乏空间可解释性；概率得分无法揭示碎裂发生的具体位置，而这对于临床复核至关重要。此外，将碎裂分割、发育分期和对称性分级视为独立任务，未能利用胚胎形态学中固有的共享视觉表征。

方法论
本文提出了 EMBRACE，一个统一的多任务深度学习框架，旨在通过静态卵裂期胚床显微图像共同执行三项任务：

1. 像素级胞质碎裂分割： 生成碎裂区域的二值掩膜（binary mask）。
2. 发育阶段分类： 将胚胎分类为 t2（两细胞期）或 t4（四细胞期）。
3. 卵裂球对称性分级： 将胚胎归类为对称、不对称或弃置（discarded）。

架构：

• 骨干网络（Backbone）： 使用经过 ImageNet 预训练的 ResNet-50 编码器提取层次化特征。
• 特征融合： 基于拼接的多尺度特征融合（C-MSFF）模块整合中间层和深层编码器特征，以结合低级空间细节与高级语义线索。
• 分割分支： 利用带有跳跃连接（skip connections）和精细化塔（refinement tower）的 U-Net 式解码器来生成像素级碎裂掩膜。
• 分类头： 两个任务特定的分类头从最深层的编码器表示（L4）分支出来。全局投影模块（自适应全局平均池化、全连接层和 Dropout）将特征输入到独立的线性分类器中，分别进行阶段（2 类）和对称性（3 类）分类。

优化与训练：

• 损失函数： 模型采用加权多任务目标函数：$L_{total} = \alpha L_{seg} + \beta L_{stage} + \gamma L_{sym}$。
  • 分割损失： 结合了加权二元交叉熵、Dice 损失、Focal 损失、Lovász 损失和边界损失（Boundary loss）的复合损失，以应对严重的正负样本不平衡、稀疏碎裂以及模糊边界问题。
  • 分类损失： 用于阶段分类的 Focal 交叉熵，以及用于对称性分级的反频率加权交叉熵，以处理类别不平衡问题。
• 数据集： 本研究使用了来自两家 IVF 中心（台中荣民总医院和中山医科大学附属医院）的 9,137 幅已标注卵裂期图像（7,309 幅用于训练，914 幅用于验证，914 幅用于留置测试）。标签包括像素级碎裂掩膜和图像级阶段/对称性标签。
• 消融实验： 作者比较了六种实验配置（EXP1–EXP6），测试了添加孪生一致性（Siamese consistency）、基于不确定性的权重分配、跨任务注意力机制、CORAL 序数回归、领域对抗学习以及架构增强（ASP 与深度监督）的效果。

关键结果
在留置测试集上，最终的 EXP1 配置（不含辅助模块的紧凑基准模型）实现了最佳的整体平衡：

• 碎裂分割： Dice 系数为 0.781，交并比（IoU）为 0.677。定性分析显示，该模型对清晰的碎裂部分具有高准确度，但在处理微小、低对比度或边界模糊区域时仍面临挑战。
• 发育阶段分类： 准确率为 0.995，Macro-F1 为 0.994，AUC 为 1.000。
• 卵裂球对称性分级： 平衡准确率为 0.901，Macro-F1 为 0.907，二次加权 Kappa 系数（Quadratic Weighted Kappa）为 0.859。错误主要发生在“对称”与“弃置”类别之间。

消融研究发现：
与“增加复杂度会提高性能”的假设相反，添加领域对抗学习、跨任务注意力或深度监督等模块（EXP2–EXP6）通常会降低分割性能，或未能改善多任务的平衡。作者将其归因于共享编码器中的梯度冲突和优化干扰，这表明对于该特定任务，一个紧凑且正则化良好的设计优于复杂的辅助策略。

意义与主张
论文声称 EMBRACE 通过将具有空间可检查性的碎裂定位与胚胎级形态学评估集成在单一框架内，填补了方法论上的空白。

• 可解释性： 不同于图像级分类器，EMBRACE 提供像素级掩膜，允许胚胎学家通过视觉验证支持碎裂预测的空间证据。
• 临床一致性： 多任务设计模拟了胚胎学家的临床工作流，即同时解释碎裂、阶段和对称性，而非孤立地进行。
• 可行性： 研究表明，共享编码器的多任务框架可以有效地学习局部（碎裂）和全局（阶段/对称性）特征，而无需开发独立的流水线。
• 谦逊态度与局限性： 作者明确指出 EMBRACE 是一个面向研究的决策支持工具，而非自主胚胎筛选系统。他们强调：
  • 数据集是回顾性的，外部验证和前瞻性验证对于临床部署至关重要。
  • “弃置”类别是通过引入第二个中心的数据进行扩充以解决类别不平衡问题，这意味着合并后的数据集并非完全独立的外部验证。
  • 该模型并不预测临床结局（如着床、活产），而是预测形态学特征。
  • 由于生物学上难以区分微小的无核碎片与胞质纹理，分割仍然是最具挑战性的任务。

总之，论文认为，对于卵裂期胚胎评估而言，精心设计的监督机制和对类别不平衡的处理比单纯增加架构复杂度更为关键，且统一的多任务方法为单输出 AI 模型提供了一种更透明、更符合临床逻辑的替代方案。