Gene-DML：用于从组织病理图像预测基因表达的双路径多级判别
计算机视觉与模式识别
2025-12-09 v3
摘要
准确预测从组织病理图像中的基因表达提供了一种可扩展且无创的方法，用于分子分型，这对精密医疗和计算病理学具有重大意义。然而，现有方法往往在利用组织病理图像和基因表达轮廓之间跨模态表征对齐时未充分利用其中的多层次表示，从而限制了预测性能。为此，我们提出Gene-DML，一个统一框架，通过双路径多级判别来构建潜在空间，以增强形态学和转录学模态之间的对应关系。多尺度实例级判别路径在局部、邻域和全局层次提取的组织病理表示与基因表达轮廓对齐，捕捉尺度感知的形态-转录关系。在平行中，跨层次实例-群体判别路径在单个（图像/基因）实例和模态交叉（基因/图像）群体之间强制结构一致性，从而加强跨模态的对齐。通过联合建模细粒度和结构级判别，Gene-DML能够学习稳健的跨模态表征，提高了预测准确性和在多样生物背景下的泛化能力。广泛的在公共空间转录组数据集上的实验表明，Gene-DML在基因表达预测中实现了最佳性能。代码和处理后的数据集可在 https://github.com/YXSong000/Gene-DML 获取。
引用
@article{arxiv.2507.14670,
title = {Gene-DML: Dual-Pathway Multi-Level Discrimination for Gene Expression Prediction from Histopathology Images},
author = {Yaxuan Song and Jianan Fan and Hang Chang and Weidong Cai},
journal= {arXiv preprint arXiv:2507.14670},
year = {2025}
}
备注
Accepted by The IEEE/CVF Winter Conference on Applications of Computer Vision 2026 (WACV2026). Code and data available at https://github.com/YXSong000/Gene-DML