用于配对免疫组织化学与组织病理学切片表示学习的跨染色对比学习
计算机视觉与模式识别
2025-12-04 v1
摘要
通用、可迁移的全切片图像（WSI）表示是计算病理学的核心。结合多种标记物（如免疫组织化学 IHC）与 H&E 可以丰富基于 H&E 的特征，赋予其多样化的生物学意义信息。然而，由于缺乏良好对齐的多染色数据集，相关进展受到限制。染色间错位导致对应组织在切片间发生偏移，阻碍了块级特征的一致性并降低了切片级嵌入的质量。为解决这一问题，我们整理了一个切片级对齐的五染色数据集（H&E、HER2、KI67、ER、PGR），以实现配对 H&E-IHC 学习和鲁棒的跨染色表示学习。利用该数据集，我们提出了跨染色对比学习（CSCL），一个两阶段预训练框架，包含一个轻量适配器，通过块级对比对齐训练以提高 H&E 特征与对应 IHC 衍生上下文线索的兼容性，以及基于多实例学习（MIL）的切片级表示学习，该方法使用跨染色注意力融合模块整合染色特异性块特征，并使用跨染色全局对齐模块强制不同染色间的切片级嵌入保持一致。在癌症亚型分类、IHC 生物标志物状态分类和生存预测上的实验显示了持续的性能提升，产生了高质量的、可迁移的 H&E 切片级表示。代码和数据可在 https://github.com/lily-zyz/CSCL 获取。
引用
@article{arxiv.2512.03577,
title = {Cross-Stain Contrastive Learning for Paired Immunohistochemistry and Histopathology Slide Representation Learning},
author = {Yizhi Zhang and Lei Fan and Zhulin Tao and Donglin Di and Yang Song and Sidong Liu and Cong Cong},
journal= {arXiv preprint arXiv:2512.03577},
year = {2025}
}
备注
6 pages, 2 figures. Camera-ready version accepted for IEEE BIBM 2025