Dados do Trabalho

TÍTULO

MACHINE LEARNING PARA AVALIAÇÃO MICROSCÓPICA INDIVIDUAL DAS CÉLULAS EMBRIONÁRIAS

OBJETIVO

Avaliar a possibilidade de automatizar o processo de detecção de blastômeros individuais em um embrião de 4 células.

MÉTODOS

Estudo de coorte retrospectivo, que incluiu 222 imagens de plano focal único de 3 clínicas distintas. Cada imagem capturou um embrião no estágio de 4 células e foi obtida usando a incubadora time-lapse-Embryoscope™ no plano focal central. As imagens de duas das clínicas foram divididas em conjuntos de treinamento (n=161) e validação (n=17). As imagens da terceira clínica formaram um conjunto de teste cego (n=44). Máscaras foram criadas manualmente por dois operadores humanos usando o programa VGG Image Annotator. Um modelo de rede neural MaskRCNN com um backbone ResNet-50 pré-treinado, foi treinado para segmentar blastômeros individuais de imagens de treinamento. Aumento de dados (flips, rotações, ruído gaussiano, recorte, mudanças de brilho e distorção óptica) foram usados durante o processo de treinamento. O desempenho do modelo foi avaliado usando a métrica IoU (uma medida de sobreposição entre as máscaras preditas pelo modelo e as anotadas por humanos).

RESULTADOS

O modelo foi avaliado em um conjunto de teste cego de 44 imagens, e apresentou uma média de IoU de 0,92±0,05 para células individuais com precisão e sensibilidade de 0,95 e 0,97, respectivamente. A média de IoU para o embrião inteiro (em relação a todos os 4 blastômeros combinados) foi de 0,92±0,02. Além disso, o modelo foi capaz de contar o número de células nas imagens com precisão de 70%, e com desvios de no máximo 1 célula a cada erro. Os resultados demonstram que este modelo pode ser usado em diferentes clínicas.

CONCLUSÕES

Como os blastômeros individuais dentro de um embrião de 4 células mantêm a totipotência, suas junções intercelulares são essenciais para manter e direcionar a comunicação celular. Essas junções são determinadas pelos padrões de clivagem do zigoto e podem afetar a "forma" geral do embrião, que pode ser descrita como "tetraédrica" ou "plana". Os embriões planares apresentam resultados significativamente piores, tanto a curto como a longo prazo, como blastulação mais comprometida, gravidez clínica e taxas de nascidos vivos. Portanto, uma identificação mais precisa das bordas celulares no estágio de 4 células pode contribuir para uma melhor classificação da forma celular e visualização do embrião. Modelos de deep learning são capazes de identificar células individuais em imagens de plano focal único de embriões de 4 células.