计算病理学中转录组学引导的切片表示学习

基于摘要分析。该研究针对计算病理学中自监督方法较易学习局部图像块表示、却难以扩展到千兆像素全切片图像（WSI）整体表示的问题，提出切片与基因表达联合预训练方法 Tangle。核心贡献是利用配对基因表达提供的分子信息，通过多模态预训练引导切片表示学习，而非直接提出 EEG 或 BCI 方法。 机制上，Tangle 使用模态专属编码器，分别编码切片与基因表达，并通过对比学习对齐输出。作者假设，基因表达能够提供细致且相对任务无关的组织描述。摘要没有说明切片内部的图像块聚合方式、编码器结构、对比损失细节或负样本构造，相关实现尚未验证。 预训练数据包含肝脏 6,597 对、乳腺 1,020 对、肺部 1,012 对切片—表达配对样本，覆盖 Homo sapiens 与 Rattus norvegicus 两个物种；摘要未给出各器官内的物种分配。作者报告，在三个独立测试数据集上，分别包含 1,265 张乳腺 WSI、1,946 张肺部 WSI 和 4,584 张肝脏 WSI，Tangle 的少样本表现显著优于监督学习及自监督基线；在基于原型的分类与切片检索中也优于所比较基线。摘要未提供具体指标、提升幅度、少样本数量或统计检验细节，因此不能据此量化收益。 复现时需核对切片与表达的配对单位、预训练与测试集的划分关系、下游任务及基线配置。来源提供了代码仓库，但代码完整性、数据可获得性、实验协议、消融及统计信息尚未验证。该方法依赖配对组织图像与分子表达数据，目前材料未建立其与 EEG 瓶颈的具体机制对应，不宜直接推导 BCI 迁移效果；相关 EEG 工作尚未检索确认。