Resumen Predecir la expresión génica espacial a partir de imágenes de histología de Hematoxilina y Eosina ofrece un enfoque prometedor para reducir significativamente el tiempo y el costo asociados con la secuenciación de expresión génica, facilitando así una comprensión más profunda de la arquitectura del tejido y los mecanismos de enfermedades. Lograr una predicción precisa de la expresión génica requiere la extracción de características altamente refinadas de las imágenes patológicas; sin embargo, los métodos existentes a menudo luchan por capturar de manera efectiva los detalles locales de grano fino y modelar las correlaciones entre genes. Además, en el aprendizaje contrastivo bimodal, alinear dinámica y eficientemente modalidades heterogéneas sigue siendo un desafío crítico. Para abordar estos problemas, proponemos un nuevo método para predecir la expresión génica. Primero, introducimos una estructura de conexión densa que permite una reutilización eficiente de características, mejorando así la captura y minería de características de refinamiento local. En segundo lugar, aprovechamos los modelos de espacio de estados para descubrir patrones subyacentes y capturar dependencias dentro de datos de expresión génica 1D, lo que permite una modelización más precisa de las correlaciones entre genes. Además, diseñamos la Red Residual Kolmogorov-Arnold (RKAN) que utiliza una función de activación aprendible para ajustar dinámicamente los mapeos bimodales según las características de entrada. A través de actualizaciones continuas de parámetros durante el entrenamiento contrastivo, RKAN refina progresivamente la alineación entre modalidades. Experimentos extensos realizados en dos conjuntos de datos disponibles públicamente, GSE240429 y HER2+, demuestran la efectividad de nuestro enfoque y sus mejoras significativas sobre los métodos existentes. Los códigos fuente están disponibles en https://github.com/202324131016T/DANet.
Wu et al. (Tue,) estudiaron esta cuestión.