DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 325

Aluno: Kewin Lima da Silva

Título: "Uma Nova Metodologia Para Detecção dos Tempos de Surgimento de Desaparecimento de Pronúcleos em Zigotos Humanos com Uso de Inteligência Artificial"

Orientador: Carmelo José Albanez Bastos Filho

Examinadora Externa: Fernanda das Chagas Angelo da Silva (UFPE)

Examinador Interno: João Fausto Lorenzato de Oliveira

Data-hora: 29 de Abril de 2025 às 15h

Local: Formato Remoto - Google meet

---

Resumo:

         " A Fertilização In Vitro (FIV) representa um avanço significativo na medicina reprodutiva, mas ainda enfrenta desafios relacionados à precisão na seleção embrionária. Dentre os critérios considerados na avaliação de qualidade dos embriões, a determinação dos tempos de surgimento (tPNa) e desaparecimento (tPNf) dos pronúcleos no zigoto constitui um fator crítico, conforme estabelecido pelo Consenso de Istambul. Contudo, a identificação manual desses eventos em sequências de imagens time-lapse é uma tarefa exaustiva e suscetível a subjetividades, o que limita a padronização e a reprodutibilidade dos resultados. Frente a esse cenário, propõe-se uma metodologia automatizada, baseada em inteligência artificial, para a detecção precisa dos eventos tPNa e tPNf, contribuindo para a redução da variabilidade interobservadora e para o aprimoramento dos índices de sucesso da FIV. A proposta é estruturada em um pipeline composto por três etapas principais: (i) identificação e isolamento dos zigotos, (ii) segmentação dos pronúcleos e (iii) estimação temporal dos eventos. Inicialmente, imagens com resolução de 500×500 pixels, provenientes de 704 embriões acompanhados entre 2 e 6 dias de desenvolvimento, são processadas por um classificador construído sobre a arquitetura YOLOv11, que alcança 99% de precisão na localização dos zigotos. Em seguida, a fusão dos três planos focais centrais, onde os pronúcleos se manifestam com maior clareza, resulta em imagens RGB com menor ruído e maior compatibilidade com redes neurais modernas. O detector, também baseado em YOLOv11, segmenta os pronúcleos mesmo em casos de sobreposição, obtendo 88% de precisão, 86% de revocação e mAP50% de 88%. Por fim, um modelo de regressão implementado com Multi-Layer Perceptron (MLP) utiliza as confiabilidades das detecções para estimar com alta acurácia os tempos tPNa e tPNf, alcançando MSE de 0,0019 e RMSE de 0,0438. A metodologia é validada por meio de testes estatísticos robustos. A correlação de Pearson demonstrou forte alinhamento entre as predições da IA e as anotações humanas (r = 0,725 para tPNa e r = 0,978 para tPNf, ambos com p < 0,001), enquanto o teste de Wilcoxon indicou ausência de diferenças estatisticamente significativas entre os grupos. Adicionalmente, uma representação gráfica individual por embrião facilita a interpretação dos resultados, com destaque visual para os tempos estimados e níveis de confiança. O dataset utilizado, bem como os modelos e parâmetros, são publicamente disponibilizados, garantindoa reprodutibilidade do estudo. Conclui-se que a solução proposta apresenta desempenho comparável ao de especialistas humanos, com potencial para se tornar uma ferramenta assistiva na prática clínica da FIV, oferecendo transparência, robustez e acessibilidade à análise embrionária automatizada. "