TopoSlide：拓扑信息引导的组织病理学全切片图像表征学习

基于摘要分析。TopoSlide 面向组织病理学全切片图像（WSI）的表征学习，旨在同时捕获局部组织学特征与全局组织空间结构。其核心贡献是利用拓扑数据分析中的持久同调，将组织结构的空间拓扑纳入自监督学习，而非仅依赖局部图像块特征。 方法首先利用图像块级嵌入，将切片分解为具有组织学意义的簇，再以拓扑描述符刻画这些簇的空间排列。随后训练 vision transformer，通过切片级嵌入预测簇的拓扑信息，并使用条件多任务目标整合局部图像块特征及其拓扑属性。摘要未给出聚类方式、持久同调的具体构造、条件变量或损失形式，这些实现细节尚未验证。 在肺腺癌和乳腺癌队列的评估中，作者报告组织学模式检索的 majority voting macro F1 最高提升 15%；摘要未说明这是相对提升还是百分点变化，也未明确对应基线与数据划分，不能进一步换算或跨协议比较。作者另报告生存和基因突变预测表现具有竞争力，并支持基于拓扑的条件检索。作者强调，训练仅使用数百张切片，而所比较的基础模型训练规模为数十万张；这一规模差异不等于已验证的同等条件下数据效率优势，仍需核对预训练来源、任务设置及对照条件。 作者称代码与模型已公开，但材料未提供具体获取位置。复现需核对图像块嵌入来源、拓扑计算参数、队列与划分、检索评估流程，以及消融和统计信息。该研究的直接对象是病理图像，而非 EEG 或 BCI；当前材料不足以建立明确的神经信号迁移机制，不据此推断 BCI 有效性。