SPADE：基于数据专家混合的空间转录组与病理学对齐，构建富有表现力的潜在空间
计算机视觉与模式识别
2025-10-15 v2 人工智能
机器学习
摘要
数字病理学的快速发展和自监督深度学习的进步，推动了开发针对不同疾病的各种病理任务的基础模型。尽管多模态方法整合了来自不同数据源的多样化方法，但仍存在将全切片图像(WSI)与空间转录组(ST)进行综合性集成的关键缺口，这对于捕捉标准血清石油 & 肠液(H&E)染色之外的关键分子异质性至关重要。我们引入SPADE，一种将病理学与ST数据集成以指导图像表征学习的基础模型，实际上在统一框架内创建了一个受ST信息指导的潜在空间。SPADE利用数据专家混合技术，其中通过对比学习实现的两阶段影像特征空间聚类创建专家，以学习共注册WSI切片块与基因表达轮廓的表征。在HEST-1k数据集上预训练后，SPADE在20个下游任务上进行评估，显示出显著优于基准模型的少样本性能，凸显了将形态学与分子信息整合到一个潜在空间中的优势。代码和预训练权重已公开于https://github.com/uclabair/SPADE。
引用
@article{arxiv.2506.21857,
title = {SPADE: Spatial Transcriptomics and Pathology Alignment Using a Mixture of Data Experts for an Expressive Latent Space},
author = {Ekaterina Redekop and Mara Pleasure and Zichen Wang and Kimberly Flores and Anthony Sisk and William Speier and Corey W. Arnold},
journal= {arXiv preprint arXiv:2506.21857},
year = {2025}
}