QuST: QuPath Extension for Integrative Whole Slide Image and Spatial Transcriptomics Analysis

最近，各种技术已经被引入到数字病理学中，包括人工智能（AI）驱动的方法，在病理全幅图像（WSI）分析和空间转录组学（ST）分析的两个领域都有应用。AI驱动的WSI分析利用深度学习（DL）的能力，扩大了组织病理学图像分析的视野。另一方面，ST弥合了组织空间分析和生物信号之间的差距，提供了理解空间生物学的可能性。然而，DL基于WSI分析的一个主要瓶颈是训练模式的准备，因为血红蛋白和嗜酸性染色（H\&E）并不提供直接的生物证据，如基因表达，以确定生物组分的类别。另一方面，目前ST的分辨率远远超过WSI，进一步的空间分析也面临着挑战。尽管包括QuPath在内的各种WSI分析工具已经在ST分析的上下文中引用了WSI分析工具的使用，但它的使用主要集中在初始图像分析上，其他工具则用于更详细的转录组分析。因此，WSI下隐藏的信息尚未完全利用来支持ST分析。 为了弥合这一差距，我们介绍了QuST，这是一个QuPath扩展，旨在弥合H\&E WSI和ST分析任务之间的差距。在本文中，我们强调了将基于DL的WSI分析和ST分析相结合在理解疾病生物学方面的重要性，以及由于数据格式和分析方法的差异而整合这些模式面临的挑战。QuST源代码托管在GitHub上，并且文档可在https://github.com/huangch/qust上找到。

本论文旨在解决数字病理学中人工智能技术应用的问题，包括如何利用深度学习进行组织病理学图像分析和如何进行空间转录组学分析。

QuST是一种QuPath扩展，旨在桥接组织病理学图像分析和空间转录组学分析之间的差距，以更好地理解疾病生物学。

该论文介绍了数字病理学中人工智能技术的应用，包括深度学习和空间转录组学分析。QuST是一种新的工具，可以帮助研究人员更好地利用WSI中隐藏的信息来支持ST分析。该论文还介绍了在整个实验过程中使用的数据集和开源代码。

最近的相关研究主要集中在数字病理学和人工智能技术的应用方面，例如使用深度学习进行病理图像分析和使用空间转录组学分析研究疾病生物学。一些相关的论文包括：“Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases”和“Spatially resolved transcriptomics and beyond”等。