HiFusion:用于从组织病理学图像预测空间基因表达的层次化原位对齐和区域上下文融合
计算机视觉与模式识别
2025-11-20 v2
摘要
空间转录组学（ST）将基因表达与组织形态学联系起来，但因技术复杂和高昂成本而面临临床采用的障碍。虽然计算方法可从H&E染色的全切片图像（WSIs）中预测基因表达，但现有方法往往无法捕捉原位内复杂的生物学异质性，且在整合周围组织的上下文信息时易受形态噪声影响。为克服这些限制，我们提出了HiFusion，一种新型深度学习框架，集成两个互补组件。首先，我们引入层次化原位建模模块，通过多分辨率子切片分解提取细粒度形态表示，由特征对齐损失确保跨尺度的语义一致性。同步地，我们提出了基于上下文的跨尺度融合模块，采用跨注意力有选择性地整合生物学相关的区域上下文，从而增强表征能力。该架构使我们能够全面建模细胞水平特征和组织微环境线索，这些都是准确预测基因表达的关键。大量实验在两个基准ST数据集上表明，HiFusion在2D切片级交叉验证以及更具挑战性的3D样本特定场景中均实现了最先进的性能。这些结果凸显了HiFusion作为来自常规组织病理学ST推断的稳健、准确且可扩展的解决方案的潜力。
引用
@article{arxiv.2511.12969,
title = {HiFusion: Hierarchical Intra-Spot Alignment and Regional Context Fusion for Spatial Gene Expression Prediction from Histopathology},
author = {Ziqiao Weng and Yaoyu Fang and Jiahe Qian and Xinkun Wang and Lee AD Cooper and Weidong Cai and Bo Zhou},
journal= {arXiv preprint arXiv:2511.12969},
year = {2025}
}
备注
Accepted to AAAI 2026. 7 pages (main text), 12 pages total including references and supplementary material. 6 figures