传递表征学习提升组织病理学标注

基于摘要分析。研究针对组织病理学图像标注粒度较粗、难以识别细胞身份的问题，提出三模态对比学习模型 SpatialWhisperer，以基因表达为桥梁连接组织病理学图像与自然语言描述，实现直接从 H&E 图像进行零样本细胞类型标注。 方法整合了与组织病理学图像配对的空间分辨基因表达数据，以及带有详细注释的单细胞基因表达数据。其核心机制是利用共享的基因表达模态，建立图像与文本注释之间的传递关系，而非仅依赖图像—文本直接配对。作者还对该方法进行了形式化，并给出能够诱导传递对齐的一个充分条件；具体损失函数、理论假设及条件的适用范围尚未验证。 作者报告，在覆盖19种组织和20种细胞类型的三个基准上，相较已发表基线，AUROC 相对增益最高达15.9%；该数值不是百分点提升，摘要未提供各基准的绝对 AUROC、具体基线及数据划分。作者还报告，使用全部三种模态对的训练数据时，在低数据量条件下获得性能增益，但具体数据规模和对照设置尚未验证。实验协议、消融及统计信息尚未验证。 论文的主要对象是组织病理学细胞标注，并非神经信号解码。平台推测（待验证）：若 EEG 数据存在可与另一模态共享、且语义对应可靠的桥接表征，传递对齐可能用于研究缺少直接信号—文本配对时的表征学习；但本材料未建立这样的具体对应关系，因此不据此提出 BCI 复现实验方案。已有 EEG 相关工作尚未检索确认。