From multiscale biophysics to digital twins of tissues and organs: future opportunities for in silico pharmacology
本文综述上皮、心脏和脑组织的多尺度生物物理建模进展，并提出由简单模型走向器官数字孪生预测工具的路线图，以推动 in silico 药理学及精准个性化医疗软件发展。
2023-06-04 q-bio.QM
BASIN: Bayesian mAtrix variate normal model with Spatial and sparsIty priors in Non-negative deconvolution
Case Western Reserve University（凯斯西储大学）
BASIN提出一种矩阵变量贝叶斯非负矩阵分解方法，结合图拉普拉斯、非负性和稀疏性先验，通过吉布斯采样实现空间转录组数据的细胞类型解卷积，在准确性和效率上优于现有方法。
2025-10-24 q-bio.QM stat.CO
Digital synthesis of histological stains using micro-structured and multiplexed virtual staining of label-free tissue
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；California NanoSystems Institute (CNSI)（加州纳米系统研究所）；David Geffen School of Medicine（大卫·格芬医学院）
组织学染色是用于诊断各种疾病的重要步骤，并且已经使用了一个多世纪，以提供组织切片的对比度，使组织成分可见，以便医学专家进行显微镜分析。然而，这个过程是耗时的，劳动密集型的，昂贵的和破坏性的标本。最近，已经使用组织染色特异性深度神经网络证明了虚拟染色未标记组织切片的能力，完全避免了组织化学染色步骤。在这里，我们提出了一个新的基于深度学习的框架，该框架使用无标签组织生成虚拟染色图像，其中不同的染色剂在用户定义的微结构图之后合并。该方法使用单个深度神经网络，其在其输入处接收两个不同的信息源：（1）无标记组织样本的自发荧光图像，以及（2）数字染色矩阵，其表示在相同组织切片处虚拟生成的不同染色剂的期望显微镜图。该数字染色矩阵还可用于虚拟混合现有染色剂，数字合成新的组织学染色剂。我们使用未标记的肾组织切片训练并盲测了这个虚拟染色网络，以生成苏木精和伊红（H&E）、琼斯银染和马森三色染色的微结构组合。使用单个网络，这种方法将无标记组织的虚拟染色与多种类型的染色剂进行复用，并为合成可以在相同组织横截面上创建的新数字组织学染色剂铺平了道路，这是目前标准组织化学染色方法不可行的。
2020-01-20 cs.CV cs.LG eess.IV
Digital pathology-based study of cell- and tissue-level morphologic features in serous borderline ovarian tumor and high-grade serous ovarian cancer
浆液性卵巢交界性肿瘤（SBOT）和高级别浆液性卵巢癌（HGSOC）是卵巢上皮性肿瘤的两种不同亚型，具有明显不同的生物学背景、行为、预后和治疗。然而，浆液性卵巢肿瘤的组织学诊断可能是主观可变的和劳动密集型的，因为需要彻底检查多个肿瘤切片/块来寻找这些特征。在这项研究中，我们的目的是评估使用数字病理学方法来促进SBOT和HGSOC的客观和可扩展的诊断筛查的技术可行性。基于Groovy脚本和QuPath，开发了一种新的信息学系统，以促进用于机器学习目的的交互式注释和成像数据交换。通过这个系统，细胞边界检测和扩展的细胞特征集提取代表细胞和组织水平的特征。根据我们的评估，对于肿瘤和基质细胞，细胞水平的分类准确地实现了大于90%的准确度。在进一步复查时，44.2%的误分类细胞是由于过度/欠分割或成像区域质量低。对于总共6，485个具有足够肿瘤和基质细胞的成像块（每种至少10个），我们实现了91-95%的准确度来区分HGSOC与SBOT。当所有的补丁被认为是一个WSI作出共识预测，97%的准确度实现了准确分类所有患者，这表明从病理图像数字提取的细胞特征可用于细胞分类和SBOT与HGSOC分化。将数字病理学引入卵巢癌研究可能有助于发现潜在的临床意义。
2020-08-28 eess.IV q-bio.QM
ORCA: A Comprehensive AI-Driven Platform for Digital Pathology Analysis and Biomarker Discovery
University Pittsburgh Medical Center（匹兹堡大学医学中心）
提出无代码AI平台ORCA，使病理学家无需编程即可训练和部署AI模型，支持组织分类、细胞分割及生物标志物发现，验证表明其显著提升了分析速度、可重复性和临床相关性。
2025-09-16 q-bio.QM
Data-Driven Soft Labeling Scales DNA Read Classification to Whole-Body Cell-Type Deconvolution
Department of Oncology KU Leuven（鲁汶大学肿瘤学系）
针对细胞类型反卷积难题，提出数据驱动软标签估计读取的条件细胞类型分布，集成到新框架Syto，在人体39种细胞类型图谱上表现出色，为大型细胞类型面板建模奠基，软标签方案可用于多对多映射场景。
2026-10-21 cs.LG q-bio.GN q-bio.QM
Single-cell Bayesian deconvolution
针对单细胞测量中背景噪声掩盖细胞群体天然异质性的问题，提出可高效处理多维测量、精确估计置信区间的非参数贝叶斯反卷积方法，并用于研究小鼠胚胎干细胞分化过程中Brachyury的表达。
2023-06-11 nlin.AO physics.bio-ph physics.data-an
On the Promises and Limits of Multi-omics Integration for Deconvolution: The HADACA3 Benchmark
IRMAR CNRS, Institut Agro Rennes Angers（雷恩-昂热农业学院 IRMAR 法国国家科学研究中心）；Univ. Grenoble-Alpes, CNRS, LIG（格勒诺布尔阿尔卑斯大学 法国国家科学研究中心 信息学实验室）；Aix-Marseille Univ, INSERM, MMG（艾克斯-马赛大学 法国国家健康与医学研究院 MMG）；CIT, Ligue Nationale Contre le Cancer, Paris（巴黎全国抗癌联盟 CIT）；BioQuant, IPMB, Heidelberg Univ.（海德堡大学生物定量中心 IPMB）；IMT CNRS, Univ. Toulouse（图卢兹大学 IMT 法国国家科学研究中心）；Aix-Marseille Univ, CNRS, CIML（艾克斯-马赛大学 法国国家科学研究中心 CIML）；Univ. Grenoble-Alpes, INSERM, IAB（格勒诺布尔阿尔卑斯大学 法国国家健康与医学研究院 IAB）；IGDR CNRS, Univ. Rennes（雷恩大学 IGDR 法国国家科学研究中心）
本文通过社区驱动的 HADACA3 基准测试，评估多组学整合（DNA甲基化与RNA）在细胞类型去卷积中的表现，发现单独DNA甲基化平均性能最优，但多组学整合可在特定设置下提升最佳性能。
2026-06-04 q-bio.QM
Deep Learning Models for Digital Pathology
Simon Fraser University（西蒙弗雷泽大学）
历史学图像;染色的组织活检的显微镜图像包含基本的预后信息，其形成病理分析和诊断医学的基础。然而，来自组织病理学图像的诊断通常依赖于组织载玻片的视觉认知评估，这意味着解释的固有元素，因此是主观的。访问数字化组织病理学图像使计算机系统的发展，旨在减少人工干预和自动化部分病理学家的工作流程。具体而言，深度学习在组织病理学图像分析中的应用现在为更好地定量建模疾病外观提供了机会，从而可能改善对疾病侵袭性和患者结局的预测。然而，数字化组织病理学组织切片在各种方面都是独特的，并且具有自己的一系列计算挑战。在本次调查中，我们总结了数字病理学计算系统面临的不同挑战，并从检测、染色归一化、分割和组织分类的角度回顾了开发基于深度学习的解决方案用于组织病理学图像预测建模的最新作品。然后，我们讨论了在临床工作流程中验证和集成这种基于深度学习的计算系统所面临的挑战，并反思了组织病理学衍生图像测量和更好的预测建模的未来机会。
2019-10-29 cs.CV cs.LG eess.IV
Digital Volumetric Biopsy Cores Improve Gleason Grading of Prostate Cancer Using Deep Learning
University of California, Los Angeles（加州大学洛杉矶分校）
针对现有2D深度学习方法难以分析前列腺癌活检复杂组织结构的问题，研究提出体积芯数据源及形态保持对齐框架，结合改进视频Transformer与ABMIL实现Gleason分级，性能显著优于2D基线。
2024-09-12 cs.CV eess.IV q-bio.QM
Multiscale topology classifies and quantifies cell types in subcellular spatial transcriptomics
空间转录组学有可能改变我们对组织中RNA表达的理解。经典的基于阵列的技术产生多细胞尺度的测量，需要去卷积来恢复单细胞信息。然而，在全转录组深度的RNA表达的亚细胞测量的快速进展需要一个根本不同的方法。为了将单细胞RNA-seq数据与纳米级空间转录组学相结合，我们提出了一种用于自动细胞类型识别的拓扑方法（TopACT）。与多细胞分辨率数据的流行分解方法不同，TopACT能够在没有细胞边界先验知识的情况下精确定位单个稀疏分散细胞的空间位置。TopACT与多参数持续同源景观配对预测免疫细胞在狼疮肾炎小鼠模型中肾小球内形成外周环结构，我们用免疫荧光成像进行了实验验证。所提出的拓扑数据分析统一了从亚细胞基因表达到多细胞组织的多个生物尺度。
2022-12-13 math.AT q-bio.GN q-bio.QM
Artificial Intelligence for Digital and Computational Pathology
Harvard Medical School（哈佛医学院）；Massachusetts General Hospital（麻省总医院）；Broad Institute of Harvard and MIT（哈佛大学与麻省理工学院博德研究所）；Dana-Farber Cancer Institute（丹娜-法伯癌症研究所）；Massachusetts Institute of Technology（麻省理工学院）
本文综述了人工智能在数字与计算病理学中的最新方法进展，重点讨论其在全切片图像临床终点预测、诊断自动化及新生物标志物发现中的应用，并展望了多模态临床数据下的未来发展方向。
2023-12-13 cs.AI cs.CV eess.IV
Nuclei Segmentation in Histopathology Images using Deep Learning with Local and Global Views
Isfahan University of Technology（伊斯法罕理工大学）；McMaster University（麦克马斯特大学）
数字病理学是现代医学最重要的发展之一。病理学检查是医疗协议的金标准，在诊断中起着基础性作用。最近，随着数字扫描仪的出现，组织病理学切片现在可以被数字化并存储为数字图像。因此，数字化的组织病理学组织可用于计算机辅助图像分析程序和机器学习技术。细胞核的检测和分割是癌症诊断中的一些基本步骤。最近，深度学习已被用于细胞核分割。然而，用于细胞核分割的深度学习方法中的一个问题是缺乏来自补丁之外的信息。本文提出了一种基于深度学习的细胞核分割方法，该方法解决了补丁边界区域的误预测问题。我们使用局部和全局补丁来预测最终的分割图。在多器官组织病理学数据集上的实验结果表明，我们的方法优于基线核分割和流行的分割模型。
2021-12-07 cs.CV eess.IV q-bio.QM
A Comprehensive Overview of Computational Nuclei Segmentation Methods in Digital Pathology
本文综述数字病理中从传统图像处理到深度学习的细胞核分割方法，重点讨论弱监督及不同模型优劣，并展望减少标注依赖、高效可解释的未来方向。
2023-08-16 eess.IV q-bio.QM
Refractive index measurements of single, spherical cells using digital holographic microscopy
在这一章中，我们介绍了数字全息显微镜（DHM）作为一种无标记的方法来确定悬浮液中的单个球形细胞的折射率。折射率是生物学背景下的决定性量度。已知细胞条件，例如分化或感染，会产生折射率的显著变化。此外，生物组织的折射率决定了它与光相互作用的方式。除了视网膜中这种相互作用的生物学相关性之外，生物学中使用的许多方法，包括显微镜，都依赖于光组织或光细胞的相互作用。因此，使用DHM确定细胞的折射率在许多生物应用中是有价值的。本章涵盖了实施DHM的重要主题：设置、样品制备和分析。首先，详细描述了光学设置，包括实施的注意事项和建议。接下来，解释用于样品和测量制备的方案。在分析部分中，描述了用于确定定量相位图的算法。随后，所有中间步骤的悬浮细胞的折射率的计算，利用其球形形状。在最后一节中，讨论了可能的扩展设置，进一步的测量配置和其他分析方法。在这一章中，我们描述了一个简单的，健壮的，因此很容易再现的DHM实现。扩展的不同可能性显示了这种技术的不同应用领域。
2018-04-05 physics.bio-ph physics.optics q-bio.QM
Multiplex Imaging Analysis in Pathology: a Comprehensive Review on Analytical Approaches and Digital Toolkits
Weill Cornell Medicine（威尔康奈尔医学院）；Dana-Farber Cancer Institute（丹娜-法伯癌症研究所）；University of Pisa（比萨大学）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学博德研究所）
本综述梳理病理学多重成像领域的发展现状，介绍相关分析工作流与PathML等AI驱动的计算工具，阐明其在处理海量多维成像数据、支撑疾病研究与诊断中的关键作用。
2024-11-01 cs.CV q-bio.CB q-bio.MN
Statistical properties of 3D cell geometry from 2D slices
虽然细胞形状可以反映细胞及其环境的机械和生物化学性质，但3D组织内的3D细胞形状的量化仍然很困难，通常需要从一堆2D图像进行数字重建。我们研究了一种简单的替代技术来提取组织中细胞的3D形状的信息;该技术将组织中的3D形状的集合与在独立的2D切片中观察到的2D形状的分布连接起来。使用细胞顶点模型的几何形状，我们发现，2D形状的分布允许明确的3D形状指数的平均值的确定。我们分析了在实际中可能出现的错误，从2D图像的平均3D形状指数的估计，并发现，通常只有几十个细胞在2D图像中需要减少不确定性低于2%。这个框架可以自然地扩展到估计额外的3D几何特征，并量化它们在其他材料中的不确定性。
2018-06-26 physics.bio-ph q-bio.QM
