iSight：面向专家-AI协同评估以提升免疫组织化学染色解读的系统
计算机视觉与模式识别
2026-02-05 v1
摘要
免疫组织化学染色（IHC）提供组织切片中蛋白表达信息，常用于支持病理诊断和疾病分层。尽管AI模型在H&E染色切片上显示出前景，但其在IHC应用受限于领域特定变异。本文引入HPA10M数据集，包含来自Human Protein Atlas的10,495,672张IHC图像，配有详尽的元数据，涵盖45种正常组织类型和20种主要癌症类型。基于HPA10M，我们训练了iSight—a款用于自动化IHC染色评估的多任务学习框架。iSight通过基于token级别注意力机制，将全切片图像的视觉特征与组织元数据相结合，同时预测染色强度、位置、数量、组织类型和恶性状态。在留置数据上，iSight在位置、强度和数量上的准确率分别达到85.5%、76.6%和75.7%，显著优于微调基础模型（PLIP、CONCH）2.5--10.2%。此外，iSight demonstrated出良好的校准预测，预期校准误差为0.0150-0.0408。进一步在针对8名病理学家评估200张来自两个数据集的图像的用户研究中，iSight在留置HPA数据集上优于初始病理学家评估（位置79% vs 68%，强度70% vs 57%，数量68% vs 52%）。两组数据集中的病理学家间的一致性也在AI辅助后得到改善——在留置HPA（巴氏κ从0.63增至0.70）和Stanford TMAD数据集（从0.74增至0.76），表明专家-AI协同评估可改善IHC解读。本工作为提升IHC诊断准确性的AI系统奠定基础，同时凸显将iSight集成到临床工作流程中以增强IHC评估一致性和可靠性的潜力。
引用
@article{arxiv.2602.04063,
title = {iSight: Towards expert-AI co-assessment for improved immunohistochemistry staining interpretation},
author = {Jacob S. Leiby and Jialu Yao and Pan Lu and George Hu and Anna Davidian and Shunsuke Koga and Olivia Leung and Pravin Patel and Isabella Tondi Resta and Rebecca Rojansky and Derek Sung and Eric Yang and Paul J. Zhang and Emma Lundberg and Dokyoon Kim and Serena Yeung-Levy and James Zou and Thomas Montine and Jeffrey Nirschl and Zhi Huang},
journal= {arXiv preprint arXiv:2602.04063},
year = {2026}
}