病理学中用于全切片表征学习的多染色预训练

基于摘要分析。该研究面向计算病理中的 H&E 千兆像素全切片图像（WSIs）表征学习，提出多模态预训练策略 Madeleine，以不同标记物染色的切片作为多视图，通过全局—局部双重跨染色对齐目标学习可迁移的切片表征。 其核心动机是：仅对同一切片进行不同数据增强，视图所包含的临床与生物学多样性仍然有限；免疫组织化学等不同染色则可能提供互补信息。与常规增强视图对齐相比，Madeleine 将视图来源扩展为不同染色，但摘要未说明具体损失形式、局部区域对应方式及多染色样本的配对要求。 作者报告，预训练使用乳腺癌样本队列的 4,211 张 WSIs、涵盖五种染色，以及肾移植样本队列的 12,070 张 WSIs、涵盖四种染色。作者报告通过来自多个医疗中心的 7,299 张 WSIs、共 21 项下游任务评估表征，任务覆盖形态学分类、分子分类和预后预测。摘要未给出具体指标、对照分数或数据划分，因此不能量化相对收益，也不能据多中心来源直接认定采用跨中心泛化协议。实验协议、消融及统计信息尚未验证；材料提供了代码仓库，复现所需的数据访问条件与训练配置仍需核对。 平台推测（待验证）：其跨互补视图对齐思路可能启发同步多模态神经信号表征学习，但原研究对象是病理图像，并非 EEG 或 BCI。迁移假设依赖具有可靠对应关系的多模态记录；可借鉴全局—局部对齐思路，需将图像编码与区域对应模块改为时序编码和时间窗对应。EEG 低信噪比、跨被试差异、通道变化及小数据可能使对齐学习捕获伪相关。一个可检验的小实验是在固定跨被试划分下，比较仅用 EEG 增强视图与加入同步互补模态的预训练，并在相同 EEG 下游任务上评估增益及打乱配对后的变化。相关 EEG 工作尚未检索确认。