H&E stain
PulseAugur coverage of H&E stain — every cluster mentioning H&E stain across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
新基准CellPath-Bench评估病理学基础模型
研究人员推出了CellPath-Bench，这是一个旨在系统评估病理学基础模型（PFMs）细胞表征能力的新基准。该基准评估这些模型在解码细胞类型信息以及在不同组织切片、数据集和器官之间迁移知识方面的能力。通过在大量空间对齐的H&E和Xenium组织切片数据集上分析30种不同的基础模型，CellPath-Bench揭示了细胞类型可解码性和泛化能力方面显著的模型依赖性差异，为审计PFMs提供了一个标准化框架。
-
IMPLICITSTAINER 使用神经隐函数进行虚拟染色
研究人员开发了 IMPLICITSTAINER，一个新颖的虚拟染色框架，它使用神经隐函数将苏木精和伊红 (H&E) 图像转换为虚拟免疫染色。该方法提供分辨率无关的推理，在低数据场景下性能得到改善，并具有确定性、可复现的输出，解决了现有基于块的方法的局限性。IMPLICITSTAINER 在虚拟染色任务上取得了最先进的成果，包括免疫组织化学和多重免疫荧光，其性能超过了二十多种基线方法。
-
CytoFormer：组织病理学中的分子监督细胞基础模型
研究人员开发了CytoFormer，一种用于对组织病理学图像中的细胞进行分类的新型基础模型。与以往依赖病理学家手动注释的方法不同，CytoFormer利用空间转录组学与H&E染色相结合的分子数据来监督细胞形态。该方法在16个器官的1540万个细胞上进行了训练，达到了高精度，并在迁移到新数据集和主动学习场景中表现出卓越的性能，为常规组织学的细胞级分析提供了一种更有效、更具可扩展性的方法。
-
新框架解释病理图像的基因表达预测
研究人员开发了一个新颖的框架，利用vision transformers来解释HE染色病理图像的基因表达预测。该框架结合了相关性传播和概念发现，将形态学特征与转录组程序联系起来，提供局部和全局的见解。该方法应用于结直肠癌数据，可准确预测临床相关特征和分子表型，展示了其在更广泛的ViT基础病理模型中的潜力。
-
新的AI模型将组织学图像翻译成空间转录组学数据
两篇新研究论文Path2ST和PaSTel介绍了将组织学图像翻译成空间转录组学数据的先进方法。Path2ST利用分层方法，将跨模态翻译建立在细胞和组织结构的基础上，以生成准确的基因表达谱。PaSTel通过整合多尺度生物先验（包括TF-IDF基因选择、KEGG通路和空间聚类）来增强这一点，从而为空间转录组学创建更具信息性和可转移性的表示。
-
新框架将组织形态学与基因表达预测联系起来
研究人员开发了一个新的可解释框架，使用视觉Transformer (ViT) 模型将转录程序与组织形态学联系起来。该框架结合了相关性传播和概念发现，提供了关于形态学模式如何影响基因表达预测的局部和全局见解。应用于结直肠癌数据，该方法准确预测了临床相关特征和分子表型，展示了亚型间的空间异质性并区分了患者预后。
-
LoRCA框架实现组织学到HiP-CT图像的翻译
研究人员开发了LoRCA（LoRA Cycle Adaptation），一个用于将组织学图像翻译成分层相衬断层扫描（HiP-CT）体的新框架。该方法利用固定的DINOv3骨干网络和特定模态的LoRA适配器来学习表示，而无需配对的训练数据。LoRCA旨在改善2D组织学切片与3D HiP-CT体之间的对齐，在翻译质量和结构一致性方面优于现有的CycleGAN方法。
-
新的VOICE模型可从组织图像预测基因表达
研究人员开发了VOICE，一个整合了视觉和组学数据的新型基础模型，可从H&E染色组织图像预测单细胞基因表达。该模型将细胞形态与基因表达嵌入对齐，利用了直接回归和基于检索的预测分支。VOICE展示了强大的泛化能力，在跨越未见过患者和切片的七项指标上均优于先前的方法。
-
AI引导的空间蛋白质组学识别癌症复发风险微环境
研究人员开发了一种新颖的AI驱动框架，用于分析三阴性乳腺癌（TNBC）的空间蛋白质组学。该方法将AI生成的复发风险热图与质谱数据相结合，以识别肿瘤内不同的分子状态。研究表明，高风险区域与有丝分裂程序相关，而低风险区域与免疫激活相关，突显了显著的瘤内异质性。这种AI引导的方法有潜力改进用于预测癌症复发的多尺度生物标志物的发现。
-
新AI方法从组织切片近似RNA特征
研究人员开发了VITA（VIrtual Transcriptomic Approximation，虚拟转录组近似）方法，这是一种新颖的深度学习方法，可以从标准的H&E染色组织切片中近似RNA特征。该方法旨在为预测胃腺癌的免疫治疗反应提供一种比昂贵的基因组测序更具成本效益的替代方案。VITA将H&E图像和RNA数据对齐到一个共享的潜在空间中，通过仅从H&E切片检索形态学上相似的历史病例来近似连续的RNA特征。
-
新的DMCoStain框架提高了组织病理学染色转移的准确性
研究人员开发了DMCoStain，一个用于组织病理学染色转移的新框架，该框架迭代地优化训练数据和模型本身。这种方法旨在提高从苏木精和伊红（H&E）图像生成免疫组织化学（IHC）图像的准确性和可解释性，这对于分子信息至关重要，但直接获取成本高昂。该框架采用多模态专家指导的精细选择（MEGFS）策略，该策略由在ImmunoInstruction数据集上训练的视觉语言模型提供支持，该模型模仿病理学家对IHC阳性表达的推理。实验表明，DMCo…
-
新AI框架改进PET影像检索以分析癌症异质性
研究人员开发了一种新颖的框架，用于从18F-FDG PET影像数据中学习表征，该框架专门用于基于内容的肿瘤内异质性检索。这种弱监督方法在训练过程中利用H&E染色信息，同时支持仅PET的推理。该方法采用教师-学生训练策略生成体素表征，产生全局和热点条件嵌入，以及食管癌病例的肿瘤内异质性图谱。评估表明，与传统的PET表征相比，结合病理信息监督和热点建模显著提高了检索性能。
-
新的COAST框架增强了空间转录组学中的基因表达预测
研究人员开发了COAST，一种利用组织学图像预测空间转录组学中基因表达的新框架。这种上下文感知的差异学习方法利用局部和全局上下文特征，并结合Transformer编码器来捕捉复杂的模式。COAST使用目标点和上下文点之间的绝对表达回归以及有符号差异回归的组合目标进行训练，在多个数据集上表现出改进的性能。
-
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。