皮克塞尔 (PixCell):用于数字遗传病理图像的生成基础模型

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 医学中的人工智能

背景情况:

• 组织学幻灯片的数字化为癌症研究产生了大量数据集.
• 生成模型为数据稀缺,隐私以及虚拟染色等合成任务提供解决方案.
• 现有的模型,如对比的自我监督和视觉语言模型,为表征挖掘病理学数据.

研究的目的:

• 介绍PixCell,这是第一个基于扩散的基因病理学生成基础模型.
• 展示PixCell在生成多样化,高质量的合成组织病理学图像方面的能力.
• 展示PixCell用于数据增强,保护隐私的共享和推断分子数据的实用性.

主要方法:

• 在PanCan-30M数据集上训练PixCell (69,184个H&E染色的整张幻灯片图像).
• 采用渐进式培训策略和基于自我监督的训练来进行可扩展的培训,没有注释数据.
• 使用面具引导生成用于目标数据增强和H&E染色以推断分子标记结果 (例如,IHC染色).

主要成果:

• 皮克塞尔可以在多种癌症类型中生成多样化,高质量的组织病理图像.
• 合成图像有效地取代了真实数据,用于训练自我监督的歧视模型.
• 面具引导的PixCell在细胞细分任务中提高了下游性能.
• 皮克塞尔成功地从H&E图像中推断出IHC染色,证明了分子标记物的预测.

结论:

• 皮克塞尔代表了生成AI在组织病理学方面的重大进步.
• 该模型解决了计算病理学的关键挑战,包括数据稀缺性和隐私.
• 皮克塞尔模型的公开发布旨在加速数字和计算病理学的研究.