DOI: https://doi.org/10.1038/s41598-026-39214-y
PMID: https://pubmed.ncbi.nlm.nih.gov/42069751
تاريخ النشر: 2026-05-02
المؤلف: Yasmine Hachani وآخرون
الموضوع الرئيسي: تقنيات تحليل صور الخلايا
نظرة عامة
تقدم هذه الدراسة نهجًا جديدًا، CLEmbryo، الذي يدمج بين المجهر الفيديوي وتعلم الآلة لأتمتة تصنيف مراحل الخلايا في الأجنة البقرية المنتجة في المختبر (IVP). يعالج هذا الأسلوب التحديات الكبيرة التي تواجه التوصيف اليدوي، مثل الصور ذات الجودة المنخفضة، والغموض في الفئات عند الحدود التنموية، وتوزيع البيانات غير المتوازن. من خلال استخدام التعلم التبايني الخاضع للإشراف مع فقدان مركّز للتدريب، واستخدام الشبكة العصبية ثلاثية الأبعاد الخفيفة CSN-50 كمشفر، يعزز CLEmbryo بدقة تحديد مراحل الخلايا.
تظهر النتائج أن CLEmbryo لا يحسن فقط أداء التصنيف على مجموعة بيانات مراحل خلايا الأجنة البقرية (ECS) التي تم إنشاؤها حديثًا، ولكنه أيضًا يتعمم بشكل جيد على مجموعة بيانات الأجنة الفأرية المتاحة للجمهور من NYU، متجاوزًا الأساليب الحالية الرائدة. يحمل هذا التقدم آثارًا محتملة لتطبيقات تربية الماشية، مما يسهل تحليل التطور الجنيني من خلال تقنيات مؤتمتة.
الطرق
في هذا القسم، يحدد المؤلفون المنهجيات المستخدمة لتحقيق ثلاثة أهداف رئيسية: تطوير طريقة تصنيف جديدة لمراحل خلايا الأجنة البقرية، وتقييم قدرة النموذج على التكيف مع أنواع الثدييات الأخرى، ومقارنة أدائه مع أربعة أساليب معتمدة: ESOD، CNNs-CRF، EmbryosFormer، و R2D1. تم إجراء التقييم باستخدام مجموعة بيانات مراحل خلايا الأجنة البقرية ومجموعة بيانات الأجنة الفأرية من NYU.
شملت تنفيذ الأساليب المقارنة استخدام الشيفرة المتاحة للجمهور والالتزام بالمعلمات الفائقة المحددة من قبل المؤلفين الأصليين، مع تعديل ملحوظ على المحسن، حيث تم التحول إلى AdamW لتحسين تنظيم L2. استخدم كل أسلوب تكوينات تدريب مميزة: استخدم R2D1 حجم دفعة من 32 تسلسل فرعي من عشرة إطارات، بينما استفاد EmbryosFormer من شبكة 2D-ResNet-50 مدربة مسبقًا مع معدل تعلم قدره $1 \times 10^{-4}$ وجدول زمني لتناقص جيب التمام. كما اتبعت CNNs-CRF و ESOD بروتوكولات تدريب محددة، بما في ذلك أحجام دفعات متغيرة وجداول زمنية لمعدل التعلم. من المهم أن الأساليب الحالية تضمنت خطوات أو آليات ما بعد المعالجة لضمان الاتساق الزمني في التنبؤات، على عكس نهج المؤلفين، الذي لا يستخدم مثل هذه القيود.
النتائج
تشير نتائج دراسة الإزالة على مجموعة بيانات Bovine ECS إلى أن طريقة CLEmbryo تتفوق على التقنيات الرائدة الحالية، بما في ذلك ESOD، CNNs-CRF، EmbryosFormer، و R2D1، في تصنيف مراحل التطور للأجنة البقرية والفأرية. على وجه التحديد، تحقق CLEmbryo دقة عالمية قدرها 81.25% على مجموعة بيانات Bovine ECS، مع انحراف معياري قدره 0.89، وتظهر دقة زمنية متفوقة، متجاوزة R2D1 بمقدار 22.53 نقطة. من الجدير بالذكر أنه بينما يتفوق CLEmbryo في معظم المقاييس عبر كلا المجموعتين، فإنه يقصر في تصنيف مرحلة 8 خلايا من مجموعة بيانات Bovine ECS، حيث يؤدي R2D1 بشكل أفضل.
في المقابل، تحقق مجموعة بيانات الأجنة الفأرية دقة عالمية أعلى بكثير تبلغ 97.73% لـ CLEmbryo، مما يعكس سهولة نسبية في التصنيف مقارنةً بمجموعة بيانات Bovine ECS. تشير النتائج إلى أن عدم التوازن في فئات مجموعة بيانات Bovine ECS يعقد التصنيف الدقيق للمراحل الوسيطة، مما يسهم في انخفاض مقاييس الأداء. بالإضافة إلى ذلك، فإن أداء EmbryosFormer أقل بكثير مما تم الإبلاغ عنه سابقًا، ربما بسبب اختلافات في منهجيات التدريب المسبق وتقسيم البيانات. بشكل عام، يظهر CLEmbryo أداءً قويًا عبر مقاييس مختلفة، مما يعزز فعاليته في تصنيف مراحل الأجنة.
المناقشة
في هذه الدراسة، قدمنا CLEmbryo، وهو أسلوب جديد لتصنيف مراحل الخلايا في الأجنة البقرية والفأرية النامية باستخدام مجموعات بيانات الفيديو الزمني. تم جمع مجموعة بيانات Bovine ECS، التي تتكون من 1221 فيديو موصوف للأجنة البقرية، تحت ظروف مسيطر عليها، بينما قدمت مجموعة بيانات الأجنة الفأرية من NYU تحققًا إضافيًا. يدمج نهجنا إطار التعلم التبايني الخاضع للإشراف المعدل، وفقدان مركّز لمعالجة عدم التوازن في الفئات، وشبكة تلافيف ثلاثية الأبعاد خفيفة (CSN-50) كمشفر. أظهرت النتائج أن CLEmbryo تفوق على الأساليب الرائدة الحالية عبر مقاييس تقييم مختلفة، بما في ذلك الدقة العالمية والدقة الزمنية، مما يبرز قوته وكفاءته في توقع مراحل الأجنة.
يمكن أن تُعزى تحسينات الأداء لـ CLEmbryo إلى عدة عوامل: يعزز إطار SCL قدرة النموذج على تجميع التمثيلات المماثلة، ويحسن الفقد المركّز التصنيف في المراحل الوسيطة، وتلتقط بنية CSN الميزات الزمانية المكانية بفعالية دون العبء الحسابي للنماذج الأكبر. بالإضافة إلى ذلك، يسمح مرونة طريقتنا بالتعامل مع التغيرات في تطور الأجنة، مثل الانقسام الطبيعي والمباشر، على الرغم من الحاجة إلى مزيد من البحث لمعالجة سلوكيات أكثر تعقيدًا مثل الانقسام العكسي. ستركز الأعمال المستقبلية على توسيع مجموعة البيانات لتشمل هذه السلوكيات وتحسين النموذج لتوقع توقيت انقسامات الخلايا بشكل أفضل، وهو أمر حاسم لفهم صلاحية الأجنة.
DOI: https://doi.org/10.1038/s41598-026-39214-y
PMID: https://pubmed.ncbi.nlm.nih.gov/42069751
Publication Date: 2026-05-02
Author(s): Yasmine Hachani et al.
Primary Topic: Cell Image Analysis Techniques
Overview
The research presents a novel approach, CLEmbryo, that integrates video microscopy with machine learning to automate the classification of cell stages in in vitro produced (IVP) bovine embryos. This method addresses the significant challenges faced in manual annotation, such as low-quality images, class ambiguity at developmental boundaries, and imbalanced data distribution. By utilizing supervised contrastive learning combined with focal loss for training and employing the lightweight 3D neural network CSN-50 as an encoder, CLEmbryo effectively enhances the accuracy of cell stage identification.
The findings demonstrate that CLEmbryo not only improves classification performance on the newly created Bovine Embryos Cell Stages (ECS) dataset but also generalizes well to the publicly available NYU Mouse Embryos dataset, surpassing existing state-of-the-art methods. This advancement holds potential implications for cattle breeding applications, streamlining the analysis of embryonic development through automated techniques.
Methods
In this section, the authors outline the methodologies employed to achieve three primary objectives: developing a novel classification method for bovine embryo cell stages, assessing the model’s adaptability to other mammalian species, and benchmarking its performance against four established methods: ESOD, CNNs-CRF, EmbryosFormer, and R2D1. The evaluation was conducted using the Bovine Embryos Cell Stage dataset and the NYU mouse embryos dataset.
The implementation of the comparative methods involved utilizing publicly available code and adhering to the hyperparameters specified by the original authors, with a notable adjustment to the optimizer, switching to AdamW for improved L2 regularization. Each method employed distinct training configurations: R2D1 utilized a batch size of 32 subsequences of ten frames, while EmbryosFormer leveraged a pretrained 2D-ResNet-50 with a learning rate of $1 \times 10^{-4}$ and a cosine decay scheduler. CNNs-CRF and ESOD also followed specific training protocols, including varying batch sizes and learning rate schedules. Importantly, the existing methods incorporated post-processing steps or mechanisms to ensure temporal consistency in predictions, contrasting with the authors’ approach, which does not utilize such constraints.
Results
The results of the ablation study on the Bovine ECS dataset indicate that the CLEmbryo method outperforms existing state-of-the-art techniques, including ESOD, CNNs-CRF, EmbryosFormer, and R2D1, in classifying developmental stages of bovine and mouse embryos. Specifically, CLEmbryo achieves a global accuracy of 81.25% on the Bovine ECS dataset, with a standard deviation of 0.89, and demonstrates superior temporal accuracy, surpassing R2D1 by 22.53 points. Notably, while CLEmbryo excels in most metrics across both datasets, it falls short in classifying the 8-cell stage of the Bovine ECS dataset, where R2D1 performs better.
In contrast, the Mouse Embryos dataset yields a significantly higher global accuracy of 97.73% for CLEmbryo, reflecting its relative ease of classification compared to the Bovine ECS dataset. The results suggest that the Bovine ECS dataset’s class imbalance complicates the accurate classification of intermediate stages, contributing to lower performance metrics. Additionally, the performance of EmbryosFormer is notably lower than previously reported, potentially due to differences in pre-training and data splitting methodologies. Overall, CLEmbryo demonstrates robust performance across various metrics, reinforcing its efficacy in embryo stage classification.
Discussion
In this study, we introduced CLEmbryo, a novel method for classifying cell stages in developing bovine and mouse embryos using time-lapse video datasets. The Bovine ECS dataset, comprising 1221 annotated videos of bovine embryos, was collected under controlled conditions, while the NYU Mouse Embryo dataset provided additional validation. Our approach integrates a modified supervised contrastive learning (SCL) framework, a combined focal loss for addressing class imbalance, and a lightweight 3D convolutional network (CSN-50) as the encoder. The results demonstrated that CLEmbryo outperformed existing state-of-the-art methods across various evaluation metrics, including global accuracy and temporal accuracy, highlighting its robustness and efficiency in embryo stage prediction.
The performance improvements of CLEmbryo can be attributed to several factors: the SCL framework enhances the model’s ability to cluster similar representations, the focal loss improves classification on intermediate stages, and the CSN architecture effectively captures spatio-temporal features without the computational burden of larger models. Additionally, our method’s flexibility allows it to handle variations in embryo development, such as normal and direct cleavage, although further research is needed to address more complex behaviors like reverse cleavage. Future work will focus on expanding the dataset to include these behaviors and refining the model to better predict the timing of cell divisions, which is crucial for understanding embryo viability.