DOI: https://doi.org/10.1038/s41598-026-38662-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41652092
تاريخ النشر: 2026-02-06
المؤلف: Tianhao Chen وآخرون
الموضوع الرئيسي: تكييف المجال والتعلم من عدد قليل من الأمثلة
نظرة عامة
تبحث هذه الدراسة في فعالية التعلم الانتقالي على مرحلتين في تصنيف صور الكروموسومات، باستخدام مجالات وسيطة مستمدة من تقنيات التلوين ذات الصلة، وتحديداً مجموعات بيانات Q-band و G-band. تكشف الدراسة أن ضبط المعلمات على مصنفات في مجال وسيط قبل مهمة التصنيف النهائية يمكن أن يؤدي إلى تحسينات كبيرة في الأداء، خاصة عندما تكون مجموعة البيانات المستهدفة صعبة وتشابه المجالات مرتفع. تظهر الهياكل الحديثة، مثل ConvNeXt و Swin Transformer و ViT و MobileNetV3، مكاسب تتراوح بين 0.8 إلى 3.3 نقطة مئوية في درجات Macro-F1 على مجموعة بيانات Q-band، بينما تظهر الشبكات العصبية التقليدية CNNs تحسينات محدودة أو لا شيء. بالمقابل، على مجموعة بيانات G-band عالية الجودة، تكون مكاسب الأداء من التعلم الانتقالي على مرحلتين ضئيلة، تتراوح بين 0.1 إلى 0.7 نقطة مئوية، مما يشير إلى أن التدريب المسبق على ImageNet قد يكون كافياً للبيانات عالية الجودة.
تؤكد النتائج على أهمية اختيار الهيكل وخصائص البيانات المستهدفة في الاستفادة من نقل المجال الوسيط. تقترح الدراسة أن على الممارسين أن يأخذوا هذه الطريقة في الاعتبار عند التعامل مع مجموعات بيانات التصوير الطبي المحدودة أو الصعبة، خاصة مع الهياكل الحديثة. يمكن أن تركز الأبحاث المستقبلية على تحديد المعايير المثلى لاختيار المجال الوسيط وتوسيع هذه المنهجيات لتشمل سياقات التصوير الطبي الحيوي الأخرى. الشيفرة الخاصة بهذه الدراسة متاحة للجمهور على https://github.com/MuscleOne/chromosome_TL.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية تصنيف صور الكروموسومات الآلي في التشخيصات السيتوجينية، خاصة لتحديد الشذوذات الكروموسومية المرتبطة بالاضطرابات الوراثية والسرطان. يتضمن التصنيف التقليدي للكروموسومات البشرية تصنيف 46 كروموسومًا إلى 24 فئة بناءً على الحجم والميزات الشكلية، وهي عملية تستغرق وقتًا طويلاً وقد تم دعمها بشكل متزايد من قبل الأنظمة الآلية. ومع ذلك، فإن التحديات مثل ندرة البيانات تعيق تدريب مصنفات التعلم العميق لهذه المهام المتخصصة. تناقش الورقة تطبيق التعلم الانتقالي، خاصة باستخدام التدريب المسبق على ImageNet، كاستراتيجية شائعة لتعزيز الأداء في مهام التصوير الطبي، بما في ذلك تصنيف الكروموسومات. ومع ذلك، فإن الفجوة الكبيرة بين الصور العامة وصور الكروموسومات المتخصصة تثير القلق بشأن فعالية مثل هذه التحويلات.
لمعالجة هذه التحديات، يقترح المؤلفون نهج التعلم الانتقالي على مرحلتين الذي يستخدم مجالات وسيطة – مجموعات بيانات ترتبط ارتباطًا وثيقًا بالمجال المستهدف أكثر من ImageNet. يقومون بتقييم هذه الطريقة من خلال مقارنة ثلاث استراتيجيات تدريب: التدريب من الصفر، التدريب المسبق على ImageNet، والتعلم الانتقالي على مرحلتين، مع التركيز بشكل خاص على مهام تصنيف Q-band و G-band. تستخدم الدراسة عائلات معمارية متنوعة، بما في ذلك الشبكات العصبية التلافيفية التقليدية والحديثة (CNNs)، وتجد أن التعلم الانتقالي على مرحلتين يفيد بشكل كبير الهياكل الحديثة على مجموعات البيانات الصعبة. علاوة على ذلك، تشير تحليل تشابه المجال باستخدام الفرق الأقصى للمتوسط (MMD) إلى أن مجموعات بيانات Q-band و G-band أكثر تشابهًا مع بعضها البعض من الصور الطبيعية، مما يدعم استخدامها كمجالات وسيطة. يجعل المؤلفون الشيفرة المصدرية ومجموعات البيانات متاحة للجمهور لتعزيز إمكانية التكرار والمزيد من الأبحاث في هذا المجال.
الطرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية العمليات خطوة بخطوة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم الظروف التجريبية، مثل درجة الحرارة، والمدة، وأي ضوابط تم تنفيذها للتحقق من النتائج. تم تصميم الطرق لمعالجة أسئلة البحث بفعالية، مما يضمن أن النتائج التي تم الحصول عليها موثوقة ويمكن تعميمها على سياقات أوسع. بشكل عام، يعمل هذا القسم كأساس حاسم لفهم صحة استنتاجات الدراسة.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تقييمهم لـ 66 مصنفًا، والتي تشمل 11 هيكلًا مختلفًا تتراوح بين الشبكات العصبية التلافيفية التقليدية (CNNs) إلى النماذج المعتمدة على الانتباه المعاصر. تم تقييم هذه المصنفات باستخدام ثلاث طرق تدريب متميزة عبر مهمتين للتصنيف، باستخدام منهجية التحقق المتقاطع 5-fold. لكل تكوين، تم تدريب خمسة نماذج مستقلة، وتم حساب مقاييس الأداء كمتوسط والانحراف المعياري عبر طيات التحقق. المقياس الرئيسي المستخدم لمقارنة الأداء هو درجة Macro-F1، التي تأخذ في الاعتبار الدقة والاسترجاع لكل فئة.
تم تصنيف النتائج بشكل منهجي إلى أربع فقرات فرعية: تحليل تشابه المجال، مقارنة الأداء الكمي، الأنماط المعتمدة على الهيكل، ودراسات حالة نوعية. يسمح هذا النهج المنظم بفهم شامل لأداء المصنفات وتأثير العوامل المختلفة على فعاليتها.
المناقشة
تسلط قسم المناقشة من الورقة البحثية الضوء على فعالية التعلم الانتقالي على مرحلتين في تعزيز أداء الهياكل الحديثة في مهام تصنيف صور الكروموسومات، خاصة عند الاستفادة من المجالات الوسيطة من تقنيات التلوين ذات الصلة. شملت الدراسة تدريب 66 مصنفًا عبر هياكل وأساليب تدريب متنوعة، مما يكشف أن الهياكل الحديثة، مثل ConvNeXt-Tiny و Swin-T، تستفيد بشكل كبير من التعلم الانتقالي على مرحلتين، محققة درجات Macro-F1 تتراوح بين 97-98% على مجموعة بيانات G-band عالية الجودة. بالمقابل، حافظت الشبكات العصبية التقليدية على أداء عالٍ ولكنها أظهرت مكاسب محدودة، خاصة على مجموعة بيانات Q-band منخفضة الجودة، حيث تفوقت الهياكل الحديثة على تلك التي تستخدم التدريب المسبق على ImageNet بمقدار 0.8 إلى 3.3 نقطة مئوية في Macro-F1.
تؤكد النتائج على الطبيعة المعتمدة على الهيكل لفوائد التعلم الانتقالي، مما يشير إلى أن الهياكل الحديثة ذات آليات الانتباه يمكن أن تستفيد من معرفة المجال الوسيط بشكل أكثر فعالية من الشبكات العصبية التقليدية، خاصة في السيناريوهات الصعبة. من الجدير بالذكر أن الدراسة لم تجد علاقة مباشرة بين تعقيد النموذج ومكاسب الأداء، حيث حققت النماذج الخفيفة مثل MobileNetV3-L أكبر التحسينات، بينما عانت النماذج الأثقل مثل VGG-16 من تدهور. توضح التحليلات النوعية باستخدام Grad-CAM كيف أن أنماط الانتباه تختلف عبر أساليب التدريب، مما يعزز الفكرة القائلة بأن التعلم الانتقالي على مرحلتين يمكن أن يحدد حدود القرار ويحسن التعميم في مهام التصوير الطبي. بشكل عام، تدعو الأبحاث إلى الاستخدام الاستراتيجي للمجالات الوسيطة في التعلم الانتقالي، خاصة في السياقات التي تكون فيها البيانات المعلّمة نادرة أو صعبة الحصول.
DOI: https://doi.org/10.1038/s41598-026-38662-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41652092
Publication Date: 2026-02-06
Author(s): Tianhao Chen et al.
Primary Topic: Domain Adaptation and Few-Shot Learning
Overview
This research investigates the efficacy of two-step transfer learning in chromosome image classification, utilizing intermediate domains derived from related staining techniques, specifically Q-band and G-band datasets. The study reveals that fine-tuning classifiers on an intermediate domain before the final classification task can yield significant performance improvements, particularly when the target dataset is challenging and the domain similarity is high. Modern architectures, such as ConvNeXt, Swin Transformer, ViT, and MobileNetV3, demonstrate gains of 0.8 to 3.3 percentage points in Macro-F1 scores on the Q-band dataset, while traditional CNNs show limited or no enhancements. Conversely, on the higher-quality G-band dataset, performance gains from two-step transfer learning are minimal, ranging from 0.1 to 0.7 percentage points, indicating that ImageNet pre-training may suffice for high-quality data.
The findings underscore the importance of architecture selection and the characteristics of the target data in leveraging intermediate domain transfer. The study suggests that practitioners should consider this approach when dealing with limited or challenging medical imaging datasets, particularly with modern architectures. Future research could focus on identifying optimal criteria for intermediate domain selection and extending these methodologies to other biomedical imaging contexts. The code for this study is publicly accessible at https://github.com/MuscleOne/chromosome_TL.
Introduction
The introduction of this research paper highlights the significance of automated chromosome image classification in cytogenetic diagnostics, particularly for identifying chromosomal abnormalities linked to genetic disorders and cancer. Traditional human karyotyping involves classifying 46 chromosomes into 24 categories based on size and morphological features, a process that is time-consuming and has been increasingly supported by automated systems. However, challenges such as data scarcity hinder the training of deep learning classifiers for these specialized tasks. The paper discusses the application of transfer learning, particularly using ImageNet pre-training, as a common strategy to enhance performance in medical imaging tasks, including chromosome classification. Nonetheless, the substantial domain gap between general images and specialized chromosome images raises concerns about the effectiveness of such transfers.
To address these challenges, the authors propose a two-step transfer learning approach that utilizes intermediate domains—datasets that are more closely related to the target domain than ImageNet. They evaluate this method by comparing three training strategies: training from scratch, ImageNet pre-training, and two-step transfer learning, specifically focusing on Q-band and G-band classification tasks. The study employs various architecture families, including both traditional and modern convolutional neural networks (CNNs), and finds that two-step transfer learning significantly benefits modern architectures on challenging datasets. Furthermore, the analysis of domain similarity using Maximum Mean Discrepancy (MMD) indicates that Q-band and G-band datasets are more similar to each other than to natural images, supporting their use as intermediate domains. The authors make their source code and datasets publicly available to promote reproducibility and further research in this area.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility of the experiments. The methodology encompasses the step-by-step processes for data collection, including any statistical analyses performed to interpret the results.
Additionally, the section may describe the experimental conditions, such as temperature, duration, and any controls implemented to validate the findings. The methods are designed to address the research questions effectively, ensuring that the results obtained are reliable and can be generalized to broader contexts. Overall, this section serves as a critical foundation for understanding the validity of the study’s conclusions.
Results
In this section, the authors present the results of their evaluation of 66 classifiers, which include 11 different architectures ranging from classical Convolutional Neural Networks (CNNs) to contemporary attention-based models. These classifiers were assessed using three distinct training approaches across two classification tasks, employing a 5-fold cross-validation methodology. For each configuration, five independent models were trained, and the performance metrics were calculated as the mean and standard deviation across the validation folds. The primary metric utilized for performance comparison is the Macro-F1 score, which accounts for per-class precision and recall.
The results are systematically categorized into four subsections: domain similarity analysis, quantitative performance comparison, architecture-dependent patterns, and qualitative case studies. This structured approach allows for a comprehensive understanding of the classifiers’ performance and the influence of various factors on their efficacy.
Discussion
The discussion section of the research paper highlights the effectiveness of two-step transfer learning in enhancing the performance of modern architectures on chromosome image classification tasks, particularly when leveraging intermediate domains from related staining techniques. The study involved training 66 classifiers across various architectures and training approaches, revealing that modern architectures, such as ConvNeXt-Tiny and Swin-T, significantly benefit from two-step transfer learning, achieving Macro-F1 scores of 97-98% on the higher-quality G-band dataset. In contrast, traditional CNNs maintained high performance but showed limited gains, particularly on the lower-quality Q-band dataset, where modern architectures outperformed those using ImageNet pre-training by 0.8 to 3.3 percentage points in Macro-F1.
The findings underscore the architecture-dependent nature of transfer learning benefits, indicating that modern architectures with attention mechanisms can exploit intermediate domain knowledge more effectively than traditional CNNs, especially in challenging scenarios. Notably, the study found no straightforward correlation between model complexity and performance gains, as lightweight models like MobileNetV3-L achieved the largest improvements, while heavier models like VGG-16 experienced degradation. Qualitative analyses using Grad-CAM further illustrated how attention patterns varied across training approaches, reinforcing the notion that two-step transfer learning can refine decision boundaries and improve generalization in medical imaging tasks. Overall, the research advocates for the strategic use of intermediate domains in transfer learning, particularly in contexts where labeled data is scarce or challenging to obtain.