Accès ouvert déclaré 2026 preprint

Compositional and interpretable representation of histology using AI foundation models and sparse autoencoders

Ziyuan Zhao, Zoltan Maliga, Emmanuel C. Ogbonna, Soheil R. Talemi, Shannon Coy, Kapongo Lumamba, Isaac H. Solomon, Sandro Santagata, Adrie J.C. Steyn, Threnesan Naidoo, P. Sorger

0Citations signalées, ce qui n’est pas une note de qualité

8Institutions déclarées

3Pays d’affiliation déclarés

Rattachement africain : us, ca, Afrique du Sud. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Light microscopy of tissue sections stained with hematoxylin and eosin (H&E) has been the foundation of histopathology for over 150 years and remains essential for diagnosis and research. The development of high-plex spatial profiling approaches able to measure protein and RNA expression at single-cell resolution augments but does not replace H&E imaging, even in research. Computational pathology (CPath) models based on deep learning promise to further increase the value of H&E imaging but interpreting these models in biological terms remains challenging. As a result, they are not widely used in spatial profiling studies. Here we describe a human-in-the-loop computational framework that leverages CPath foundation models (FMs) and sparse autoencoders (SAEs) to decompose FM embeddings and automatically identify diverse, human-interpretable histopathology features in H&E images. When FM-SAE modeling was applied to pulmonary diseases such as tuberculosis and lung cancer, human-machine interaction augmented and accelerated expert interpretation. Moreover, the resulting annotations provide a morphology-aware approach to integrating 2D and 3D mesoscale tissue architectures with molecular spatial profiling.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref: Compositional and interpretable representation of histology using AI foundation models and sparse autoencoders
Date Crossref: 06/06/2026
Éditeur: openRxiv
Type: posted-content

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

Harvard University pays non établi dans la notice
Université ou école supérieure
Center for Systems Biology pays non établi dans la notice
Structure de recherche
Tufts University pays non établi dans la notice
Université ou école supérieure
Brigham and Women's Hospital Department of Pathology pays non établi dans la notice
Établissement de santé
Institut universitaire de cardiologie et de pneumologie de Québec pays non établi dans la notice
Université ou école supérieure
Africa Health Research Institute Afrique du Sud (code pays fourni par la source)
Structure de recherche
University of Alabama at Birmingham Department of Microbiology pays non établi dans la notice
Université ou école supérieure
Walter Sisulu University Afrique du Sud (code pays fourni par la source)
Université ou école supérieure
Department of Systems Biology pays non établi dans la notice
Institution
Laboratory of Systems Pharmacology pays non établi dans la notice
Structure de recherche
Ludwig Centre at Harvard pays non établi dans la notice
Institution
University of KwaZulu-Natal (UKZN) Africa Health Research Institute University of KwaZulu-Natal (UKZN), Afrique du Sud (pays nommé en fin d’affiliation)
Université ou école supérieure

Harvard University, Center for Systems Biology et Tufts University, avec 9 autres affiliations. Pays d’affiliation : Afrique du Sud.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Single-cell and spatial transcriptomicsCell Image Analysis TechniquesAI in cancer detection

Lire en accès ouvert Consulter la publication primaire Ouvrir le DOI