使用 AI 基础模型和稀疏自编码器实现组织学的组合式与可解释表征

苏木精-伊红（H&E）染色组织切片的光学显微镜观察在过去150多年中一直是组织病理学的基础，并且至今仍是诊断和研究所必不可少的手段。能够以单细胞分辨率测量蛋白质和RNA表达的高重数空间分析方法的发展，对H&E成像形成了补充，但即使在研究中也无法取而代之。基于深度学习的计算病理学（CPath）模型有望进一步提升H&E成像的价值，但以生物学术语解释这些模型仍然具有挑战性。因此，它们尚未在空间分析研究中得到广泛应用。在此，我们描述了一种人在回路中的计算框架，该框架利用CPath基础模型（FM）和稀疏自编码器（SAE）对FM嵌入进行分解，并在H&E图像中自动识别多样化、可由人类解释的组织病理学特征。当FM-SAE建模应用于结核病和肺癌等肺部疾病时，人机交互增强并加速了专家解读。此外，由此产生的注释为将二维和三维中尺度组织结构与分子空间分析相整合提供了一种具有形态学感知能力的方法。

苏木精-伊红（H&E）染色组织切片的光学显微镜成像在过去150多年中一直是组织病理学的基础，并且在诊断和研究中仍然不可或缺。能够以单细胞分辨率测量蛋白质和RNA表达的高重数空间分析方法的发展，增强了而非取代了H&E成像的作用，即使在研究领域也是如此。基于深度学习的计算病理学（CPath）模型有望进一步提升H&E成像的价值，但以生物学术语解释这些模型仍然具有挑战性。因此，它们在空间分析研究中尚未得到广泛应用。本文描述了一种人机协同的计算框架，该框架利用CPath基础模型（FM）和稀疏自编码器（SAE）对FM嵌入进行分解，并在H&E图像中自动识别多样化且人类可解释的组织病理学特征。当FM-SAE建模应用于结核病和肺癌等肺部疾病时，人机交互增强并加速了专家解读。此外，由此产生的注释为将二维和三维中尺度组织结构与分子空间分析相整合提供了一种具有形态学感知能力的方法。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.03.725182v1?rss=1

🏷️ 计算病理学 组织学图像分析 基础模型 稀疏自编码器 可解释人工智能 空间组学整合