空間トランスクリプトミクスを活用した深層学習ベースの核解析における手動アノテーションの代替
arXiv cs.CV / 2026/4/28
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、病理画像に対する深層学習ベースの核のセグメンテーションと分類で必要となるピクセルレベルの手動アノテーションが高コストで得にくいという課題に取り組む。
- 提案手法では、空間トランスクリプトミクス（ST）の細胞レベルデータを監督（教師）として用い、遺伝子発現プロファイルと、それに対応する核マスクを病理組織画像から結び付ける。
- 遺伝子発現プロファイルを細胞タイプラベルへ変換し、さらに遺伝子発現に基づく細胞タイプ推定と画像認識を橋渡しする画像ベースの核分類モデルを学習に利用する。
- 未知の臓器でのテストにより汎化性能を評価し、訓練に用いた臓器タイプ数が少ないにもかかわらず、従来の従来型の教師ありモデルより高いセグメンテーション精度を報告する。
- 分類実験でも既存手法に対する一貫した改善が示され、手法が多様な組織・染色条件下での堅牢性を高める可能性が示唆される。
