His-MMDM: Traducción multi-dominio y multi-ómic de imágenes histopatológicas con modelos de difusión

Área de la Ciencia:

• Patología computacional
• Inteligencia artificial en medicina
• Patología digital

Sus antecedentes:

• Los modelos de IA generativa (GenAI) mejoran la patología computacional sintetizando imágenes histopatológicas.
• Los modelos actuales a menudo carecen de escalabilidad, limitándose a pares de dominios fuente-destino específicos.
• Existe la necesidad de herramientas GenAI versátiles para la traducción de imágenes histopatológicas multi-dominio y multi-ómicas.

Objetivo del estudio:

• Introducir His-MMDM, un novedoso marco basado en modelos de difusión para la traducción de imágenes histopatológicas multi-dominio y multi-ómicas.
• Permitir la transferencia de conocimiento entre diferentes tipos de tumores y entre tumores primarios y metastásicos.
• Facilitar la edición de imágenes histopatológicas guiada por genómica y/o transcriptómica.

Principales métodos:

• Se desarrolló His-MMDM, un marco de modelo de difusión para la traducción de imágenes histopatológicas.
• Se aplicó el modelo a tareas que incluyen la transformación de imágenes de criosecciones a FFPE y la tinción virtual inmunohistoquímica (IHQ).
• Se integraron datos multi-ómicos para la edición de imágenes guiada.

Principales resultados:

• His-MMDM demuestra su eficacia en tareas establecidas como la tinción virtual y la transformación de imágenes.
• El marco permite la transferencia de conocimiento entre diversos tipos de tumores y contextos primarios/metastásicos.
• La edición de imágenes guiada por genómica y transcriptómica visualiza el impacto de las mutaciones y las vías oncogénicas.

Conclusiones:

• His-MMDM ofrece una solución escalable y versátil para la traducción de imágenes histopatológicas multi-dominio.
• El marco mejora la comprensión de las correlaciones genotipo-fenotipo en la patología del cáncer.
• His-MMDM representa un avance significativo en el conjunto de herramientas GenAI para patólogos.