PGVMS：基于路径语义学习的虚拟多组分 IHC 染色的提示引导统一框架
计算机视觉与模式识别
2026-02-27 v1
摘要
免疫组织化学 (IHC) 染色实现了对蛋白表达的精准分子轮廓化，现代病理学中已有超过 200 种临床可用的抗体检测。然而，综合性 IHC 分析常因小切片组织量不足而受限。因此，虚拟多组分染色作为一种创新解决方案，旨在将 H&E 图像数字转化为多个 IHC 表示，但当前方法仍面临三个关键挑战：（1）多染色的语义引导不足，（2）免疫化学染色分布不一致，（3）不同染色模态之间的空间错位。为克服这些限制，我们提出了一种仅使用单组分训练数据的提示引导框架用于虚拟多组分 IHC 染色（PGVMS）。本框架对应每个挑战引入三个关键创新：首先，采用路径视觉语言模型的自适应提示引导机制，以动态调整染色提示解决语义引导不足问题（挑战 1）。其次，我们的蛋白质感知学习策略（PALS）通过直接定量和约束蛋白质分布，保持精确的蛋白质表达模式（挑战 2）。最后，原型一致学习策略（PCLS）建立跨图像语义互动，以纠正空间错位（挑战 3）。
引用
@article{arxiv.2602.23292,
title = {PGVMS: A Prompt-Guided Unified Framework for Virtual Multiplex IHC Staining with Pathological Semantic Learning},
author = {Fuqiang Chen and Ranran Zhang and Wanming Hu and Deboch Eyob Abera and Yue Peng and Boyun Zheng and Yiwen Sun and Jing Cai and Wenjian Qin},
journal= {arXiv preprint arXiv:2602.23292},
year = {2026}
}
备注
Accepted by TMI