H&E stain
PulseAugur coverage of H&E stain — every cluster mentioning H&E stain across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
ContiStain框架通过MoE和关系保持蒸馏改进虚拟IHC染色
研究人员开发了ContiStain，一个新颖的框架，旨在提高虚拟免疫组织化学（IHC）染色模型在处理顺序采集数据时的性能。该方法利用混合专家（MoE）特征提取器创建一个域感知结构化特征空间，有助于最小化不同生物标志物域之间的干扰。此外，ContiStain采用关系保持蒸馏策略，在持续适应过程中保持跨域令牌级余弦相似度矩阵的一致性，从而减少先前学习到的生物标志物的遗忘。
-
AI框架辅助通过组织病理图像诊断肝癌
研究人员开发了一种新颖的框架，利用语义分割从组织病理图像中诊断肝癌。该方法通过分配主导像素级标签来确定图像级诊断，旨在缓解标本变异性和注释噪声带来的挑战。该系统在肝细胞癌、胆管细胞癌和结直肠转移性腺癌数据集上进行了训练，取得了高平衡准确率，显示出支持病理学家和降低诊断成本的潜力。
-
DriftST框架从组织学图像推断基因表达
研究人员开发了DriftST，一个用于从H&E染色组织学图像推断空间分辨基因表达的新型框架。该方法通过实现高效的一步生成并捕捉基因间依赖性和基因重要性差异，解决了现有方法的局限性。DriftST利用了细胞漂移生成模型和STransformer架构，在不同组织和分辨率下，对于斑点级和细胞级数据均展现出最先进的性能。
-
新方法可从 H&E 切片预测分子数据，绕过 RNA 测序
研究人员开发了一种新颖的方法，无需昂贵的 RNA 测序即可从组织病理学图像（特别是 H&E 染色切片）中预测分子信息。通过在组织病理学和 RNA-Seq 的冻结基础模型上训练一个轻量级对齐模块，该系统可以执行开放词汇分子提示。该方法在多癌队列中实现了 25 倍的检索准确率提升，并通过准确预测鳞状细胞癌评分和反映非小细胞肺癌的 PD-L1 表达水平，展示了临床效用。
-
Vision-Language Models Achieve Zero-Annotation Histopathology Segmentation
研究人员开发了一种新方法，使用视觉语言模型（VLMs）在不要求手动注释的情况下对组织病理学图像进行前景分割。该方法将组织与背景的区分视为一项通用视觉感知任务，使得在广泛数据集上训练的VLMs比特定领域模型具有更好的泛化能力，尤其是在特殊染色方面。提出的框架引入了Leica-75基准，并展示了高质量的分割效果和降低的跨染色方差，少样本提示进一步提高了在挑战性案例上的性能。
-
深度学习从病理图像预测乳腺癌亚型
研究人员开发了一个新的深度学习框架，使用组织病理学图像对乳腺癌亚型进行分类，有可能减少对昂贵分子检测的需求。该方法采用多目标斑块选择策略，结合遗传算法和不确定性估计，以识别用于分类的信息性图像斑块。该方法在内部和外部数据集上均取得了较高的F1分数和AUC值，证明了其通过提供计算效率高、基于成像的替代方案来支持临床决策的潜力。
-
SIMPLER框架利用H&E染色改进SIM显微镜图像分析
研究人员开发了SIMPLER，一个新颖的自监督预训练框架，旨在通过利用苏木精和伊红（H&E）染色组织图像来改进结构光显微镜（SIM）的表示学习。这种方法解决了由于模态转移，直接将H&E训练的模型应用于SIM数据时遇到的性能限制。通过通过对抗性、对比性和重构目标来对齐SIM和H&E表示，SIMPLER使单个编码器能够泛化到数字病理学中的各种下游任务，其性能优于从头开始训练的模型。
-
基础模型赋能溃疡性结肠炎弱监督南希指数评分
研究人员开发了一种用于溃疡性结肠炎活动自动评分的弱监督多示例学习方法，该方法利用基础模型。该方法利用病例和切片级别的标签来预测五级南希组织学指数，解决了手动评分耗时且不一致的问题。该研究在多中心数据集上评估了各种基础模型，发现Virchow2表现良好，并且集成模型提高了预测准确性。
-
AI模型实现组织学图像的全细胞分割
研究人员开发了两种新颖的组织病理学图像分析AI方法。一种方法VitaminP，利用跨模态学习，通过从多重免疫荧光数据传输信息，实现从标准H&E染色图像进行全细胞分割。另一种方法变分标签比例分割（VSLP），在没有像素级标注的情况下，从全局组织类型比例推断密集分割，采用了Transformer模型和变分优化。两种方法在公开和内部数据集上均表现出优越性能，VitaminPScope和VSLP代码计划公开发布。