使用空间蛋白质组学来增强细胞类型的分配在组织学图像中的图像
Monica T Dayao1, Aaron T Mayer2, Alexandro E Trevino2
1Joint Carnegie Mellon University-University of Pittsburgh PhD Program in Computational Biology, Pittsburgh, PA 15213, USA; Computational Biology Department, School of Computer Science, Carnegie Mellon University, Pittsburgh, PA 15213, USA.
Cell reports methods
|October 16, 2025
概括
这项研究引入了一种机器学习框架,用于改进在组织学图像中的细胞类型识别,使用血素和素 (H&E) 染色. 人工智能模型增强了标准病理学幻灯片中的分子细节,有助于疾病研究.
科学领域:
- 计算病理学计算病理学
- 生物医学成像学 生物医学成像学
- 机器学习在医学中的应用
背景情况:
- 血素和欧 (H&E) 染色是临床病理学的一个基石,提供了形态细节,但缺乏分子特异性.
- 多复合空间蛋白质组学成像提供了丰富的分子和细胞信息,但在临床环境中无法广泛使用.
研究的目的:
- 开发一个机器学习框架,以增强细胞类型的注释,在H&E-only histopathology图像上.
- 将空间蛋白质组学的见解与传统的H&E染色进行整合,以提高诊断能力.
主要方法:
- 利用对H&E和空间蛋白质组成像数据配对训练的基因病理学基础模型.
- 开发和评估用于使用H&E图像进行细胞类型注释的机器学习方法.
- 利用脏数据集用于培训和验证拟议的框架.
主要成果:
- 开发的机器学习框架显著优于直接训练成像数据的模型,用于细胞类型注释.
- 该方法成功地在H&E染色的幻灯片上实现了增强的细胞类型识别.
- 该框架在分析病中的生物差异方面具有明显的实用性.
结论:
- 拟议的机器学习框架有效地弥合了基因病理学中的形态和分子信息之间的差距.
- 这种方法提供了一种途径,在标准临床H&E成像的限制下,利用先进的空间蛋白质学见解.
- 该框架有可能促进各种疾病的研究和诊断,包括脏疾病.


