基因锚定基础模型嵌入提升从组织学图像中的分子预测
计算机视觉与模式识别
2025-06-25 v1
摘要
精密肿瘤学 requires accurate molecular insights, 但从基因组学直接获取这些信息在广泛临床应用中成本高昂且耗时。仅从常规全切片图像 (WSI) 预测复杂分子特征和患者预后 remains 一个当前深度学习方法的主要挑战。本文引入PathLUPI，通过在训练期间利用转录组特权信息 (transcriptomic privileged information) 来提取基因锚定的组织学嵌入，使仅使用WSI即可实现有效的分子预测。在49个分子肿瘤学任务中进行了广泛评估，涉及11,257个病例和20个队列，PathLUPI显示出优于仅依赖WSI训练的常规方法的优势。关键的是，在14个生物标志物预测和分子分型任务中实现AUC ≥ 0.80，在5种主要癌症类型的生存队列中实现C-index ≥ 0.70。此外，PathLUPI嵌入揭示了与特定基因型和相关生物学通路相关的独特细胞形态特征。通过有效编码分子背景以细化WSI表示，PathLUPI克服了现有模型的关键局限，为更广泛的临床应用提供了一种新策略，将分子洞察力与常规病理学工作流程相结合。
引用
@article{arxiv.2506.19681,
title = {Genome-Anchored Foundation Model Embeddings Improve Molecular Prediction from Histology Images},
author = {Cheng Jin and Fengtao Zhou and Yunfang Yu and Jiabo Ma and Yihui Wang and Yingxue Xu and Huajun Zhou and Hao Jiang and Luyang Luo and Luhui Mao and Zifan He and Xiuming Zhang and Jing Zhang and Ronald Chan and Herui Yao and Hao Chen},
journal= {arXiv preprint arXiv:2506.19681},
year = {2025}
}
备注
Under Review