通过区域级组织推理和不平衡最佳运输校正淋巴细胞拟态

当不同的细胞类型在形态上相似时，细胞拟态就会出现。人类病理学家使用周围的组织背景来解决这种模糊性，而当前的视觉模型要么缺乏背景推理（细胞基础模型），要么无法在细胞水平上操作（病理学 MLLM）。我们提出了 Loki-OT，它通过不平衡最佳传输将区域级组织推理传播到单个细胞预测，使用 MLLM 导出的密度先验作为模糊细胞重新分配的软指导。 Loki-OT 的动机是观察到预训练的细胞基础模型特征已经编码了区分信息，包括组织上下文，但标准细胞级监督无法有效地使用组织上下文。由此产生的运输计划被提炼成一个轻量级学生 MLP 分类器，该分类器在预训练的特征空间内学习上下文感知决策边界。在独立的 TCGA-BRCA 队列中，Loki-OT 使用基于通用域细胞基础模型构建的 278 个弱区域级 MLLM 估计，实现了比完全监督的域内 PanopTILs 分类器更低的患者水平 MAE，并改善了富含上皮的拟态组织中的 F1。代码：https://github.com/yangli980/Lymphcyto_Mimicry_Correction_via_Loki_OT