Towards Cellular-Scale Interpretability in Pathology Foundation Models for Biomarker Assessment
作者: Jingsong Liu, Han Li, Zhengyang Xu, Franz-Leonard Klaus, Fabian Stögbauer, Shihui Zu, Weiwei Zhou, Atsuko Kasajima, Felix Schicktanz, Alexander Muckenhuber, Julius Shakhtour, Jiale Yu, Tiannan Zheng, Xun Ma, Maggie Wang, Christian Grashei, Bao Li, Guiyang Jiang, Hongming Xu, Shaohua Kevin Zhou, Nassir Navab, Peter J. Schüffler
分类: cs.CV, cs.AI
发布日期: 2026-07-05
💡 一句话要点
提出Hireca与CytoMap以解决病理生物标志物评估的可解释性问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 生物标志物 病理学 可解释性 深度学习 模型评估 临床应用 图像处理
📋 核心要点
- 现有的生物标志物检测方法成本高且消耗组织，限制了其在临床中的广泛应用。
- 本文提出的Hireca模型通过预训练于大量全切片图像，结合CytoMap模块，实现了生物标志物的快速筛查与可解释性。
- 实验结果显示，Hireca在多个生物标志物任务中表现优异，且CytoMap在可视化效果上获得病理学家的高度认可。
📝 摘要（中文）
在病理学中，分子生物标志物检测通常成本高且消耗组织，限制了其临床应用的规模。应用于苏木精-伊红（HE）染色组织切片的人工智能可以实现快速的生物标志物筛查，但临床转化需要既准确又可解释的模型。本文介绍了Hireca，一个专注于生物标志物的病理基础模型，经过超过80,000幅来自三家医疗中心的全切片图像的预训练，以及CytoMap，一个可解释性模块，能够定位预测背后的细胞级证据。在涵盖形态学、分子、遗传和空间转录组代理读数的10个生物标志物任务中，Hireca在五个任务中排名第一，并在整体上优于可比模型。经过来自两个国家的八位病理学家的评估，CytoMap始终优于其他可视化方法，并揭示了困难案例中的错误模式。这些结果将Hireca和CytoMap定位为一个透明的框架，能够直接从常规HE组织学进行可临床审查的生物标志物评估。
🔬 方法详解
问题定义：本文旨在解决病理学中生物标志物检测的高成本和低可解释性问题。现有方法往往缺乏足够的准确性和透明度，限制了其临床应用。
核心思路：论文提出了Hireca模型，专注于生物标志物的评估，并结合CytoMap模块提供细胞级的可解释性，旨在提高模型的临床适用性和透明度。
技术框架：整体架构包括Hireca模型和CytoMap模块。Hireca模型通过对80,000幅全切片图像的预训练，学习到丰富的生物标志物特征；CytoMap则负责将模型预测与细胞级证据进行关联。
关键创新：最重要的技术创新在于Hireca模型的预训练策略和CytoMap的可解释性模块。与现有方法相比，Hireca不仅提高了预测准确性，还增强了模型的可解释性，使得临床医生能够理解模型的决策依据。
关键设计：在模型设计中，采用了特定的损失函数来优化生物标志物的检测性能，并通过多层卷积神经网络架构来提取图像特征。此外，CytoMap模块通过热图生成和特征图可视化等技术，提供了直观的细胞级证据展示。
🖼️ 关键图片
📊 实验亮点
在10个生物标志物任务中，Hireca模型在五个任务中排名第一，整体表现优于其他可比模型。CytoMap模块在八位病理学家的评估中获得一致偏好，成功揭示了困难案例中的错误模式，显示出其在临床应用中的潜力。
🎯 应用场景
该研究的潜在应用领域包括临床病理学、肿瘤生物标志物检测和个性化医疗。通过提高生物标志物评估的准确性和可解释性，Hireca和CytoMap能够帮助医生更好地理解和应用检测结果，从而改善患者的治疗决策和预后评估。
📄 摘要（原文）
Molecular biomarker testing in pathology is often costly and tissue-consuming, limiting scalable clinical deployment. Artificial intelligence applied to hematoxylin and eosin (HE)-stained histology could enable rapid biomarker screening, but clinical translation requires models that are both accurate and interpretable. Here we introduce Hireca, a biomarker-focused pathology foundation model pretrained on more than 80,000 whole-slide images spanning 38 organ types from three medical centers, together with CytoMap, an interpretability module that localizes cellular-scale evidence underlying predictions. Across 10 biomarker tasks encompassing morphological, molecular, genetic, and spatial-transcriptomic-proxy readouts, Hireca ranked first in five tasks and outperformed comparable models overall. In evaluation by eight pathologists from two countries, CytoMap was consistently preferred over alternative visualization approaches and revealed error patterns in difficult cases. These results position Hireca and CytoMap as a transparent framework for clinically reviewable biomarker assessment directly from routine HE histology.