跳到正文
Nature Communications· Cheng Jin; Fengtao Zhou; Yunfang Yu; Jiabo Ma; Yihui Wang; Yingxue Xu; Huajun Zhou; Hao Jiang; Luyang Luo; Luhui Mao; Zifan He; Xiuming Zhang; Jing Zhang; Ronald Cheong Kin Chan; Herui Yao; Hao Chen·· 来源仅提供日期精选AI 评分66

PathLUPI 用基因组锚定嵌入提升组织学图像的分子预测

Genome-anchored foundation model embeddings improve molecular prediction from histology images

AI 导读

PathLUPI 通过训练时引入转录组信息生成基因组锚定的组织学嵌入,推理时仅用全切片图像即可进行分子预测。在 20 个队列、11,257 例样本的 49 项分子肿瘤任务上,其表现优于仅用全切片图像训练的方法,14 项生物标志物预测和分子分型任务的 AUC ≥ 0.80,5 类主要癌症生存队列的 C-index ≥ 0.70。

推荐理由

论文在 20 个队列的 49 项任务上比较仅用全切片图像的模型,显示训练时引入转录组信息可改善仅凭图像的分子预测。

已发表论文 · journal · 10.1038/s41467-026-78947-2

本站摘要基于收录版本 v1(2026-11-03),原始摘要与 AI 导读固定保留。

IF(5) 18.9 · 2025 · 期刊参考指标

摘要 · AI 翻译

精准肿瘤学需要准确的分子洞察,但直接从基因组学中获取这些信息成本高昂且耗时,难以广泛应用于临床。直接从常规全切片图像(WSI)预测复杂的分子特征和患者预后,仍然是当前深度学习方法面临的一大挑战。在此我们提出 PathLUPI,它在训练过程中利用转录组特权信息来提取基因组锚定的组织学嵌入,从而在推理时仅使用 WSI 即可实现有效的分子预测。通过对 20 个队列中 11,257 例病例的 49 项分子肿瘤学任务进行广泛评估,PathLUPI 展现出优于仅使用 WSI 训练的常规方法的性能。关键的是,它在 14 项生物标志物预测和分子分型任务中达到 AUC $\geq$ 0.80,并在 5 种主要癌症类型的生存队列中达到 C-index $\geq$ 0.70。此外,PathLUPI 嵌入揭示了 WSI 中与特定基因型及相关生物通路相关的独特细胞形态特征。通过有效编码分子上下文以优化 WSI 表示,PathLUPI 克服了现有模型的一个关键局限,并提供了一种将分子洞察与常规病理工作流程相结合的新策略,以实现更广泛的临床应用。

来源:Nature Communications · doi.org