CytoFormer：用于组织病理学细胞分类的分子监督细胞基础模型

直接从常规苏木精和伊红 (H&E) 组织学中识别细胞类型将能够实现大规模的单细胞分析，但训练此类模型依赖于手动病理学家注释，这对于许多细胞类型来说速度缓慢、昂贵且不可靠。相反，我们用分子来监督形态。基于成像的空间转录组学对切片上的单个细胞进行原位分析，然后用 H&E 进行染色，以便观察同一物理细胞的分子特性和形态。我们组装了 81 个跨越 16 个器官的配对 Xenium 切片，通过聚类、标记基因注释、器官明智的人类审查和质量控制得出每个细胞的标签，并将它们映射到每个器官中常见的细胞类型。这产生了 1540 万个细胞，每个细胞都有一个配对的 H&E 图像块和 23 种细胞类型中的一种，我们在这些细胞上训练了 CytoFormer，这是一种具有多任务、每个器官分类头的细胞基础模型。在空间保留组织上，CytoFormer 在所有 16 个器官中达到了 0.85 的准确度和 0.78 的宏观 F1，并且其预测再现了整个保留切片的组织结构。该表示也发生了变化：在编码器冻结的情况下，CytoFormer 特征上的线性头在四个专家注释基准上的表现优于六个病理学基础模型，包括不属于预训练一部分的器官和细胞类型。最后，在交互式主动学习环境中，CytoFormer 的嵌入明显比现有的病理学基础模型具有更高的标签效率，仅从几个注释中即可检测到相似肿瘤中的正常上皮，F1 为 0.82，并在 F1 中领先最强基线 0.13。 CytoFormer 将配对的 H&E 和空间转录组学转化为可重复使用、标签高效的表示形式，用于常规组织学的细胞水平分析。