基于 H&E 染色全切片图像预测 IHC 生物标志物的跨模态学习
图像与视频处理
2025-06-23 v1 人工智能
计算机视觉与模式识别
摘要
Heinz 染色是病理分析的基石，为癌症诊断、亚型和分层提供可靠的细胞形态和组织结构可视化。免疫组织化学（IHC）染色通过检测组织内特定蛋白质提供分子信息，提高诊断准确性并改进治疗计划。然而，IHC 染色成本高、耗时且资源密集，需要专业技能。为此，本研究提出 HistoStainAlign—a 一种 novel 深度学习框架，直接从 H&E 全切片图像（WSIs）预测 IHC 染色图案，通过学习形态特征和分子特征的联合表示来实现。该框架通过对比训练策略整合配对的 H&E 和 IHC 嵌入，捕捉不同染色模态中互补特征，无需 patch 级别标注或组织配准。该模型在胃肠道和肺组织 WSIs 上进行评估，使用三种常用 IHC 染色：P53、PD-L1 和 Ki-67。HistoStainAlign 分别针对这三种 IHC 染色取得加权 F1 分数为 0.735 [95% 置信区间 (CI)：0.670-0.799]、0.830 [95% CI：0.772-0.886]、0.723 [95% CI：0.607-0.836]。嵌入分析表明，对比对齐在捕捉有意义的跨染色关系方面具有鲁棒性。与基线模型的比较进一步凸显了采用对比学习提高染色图案预测性能的优势。该研究表明计算方法可作为预筛查工具，以帮助优先考虑 IHC 染色案例并提高工作流程效率。
引用
@article{arxiv.2506.15853,
title = {Cross-Modality Learning for Predicting IHC Biomarkers from H&E-Stained Whole-Slide Images},
author = {Amit Das and Naofumi Tomita and Kyle J. Syme and Weijie Ma and Paige O'Connor and Kristin N. Corbett and Bing Ren and Xiaoying Liu and Saeed Hassanpour},
journal= {arXiv preprint arXiv:2506.15853},
year = {2025}
}