《Cell Reports Methods》：Multimodal alignment improves generalizability of genomic biomarker prediction in computational pathology
编辑推荐：
动机：通过计算病理学模型进行生物标志物定量，具有显著提高精准肿瘤学测量可及性的潜力。然而，此类模型需要标记训练数据才能学习。在本研究中，研究人员描述了一种名为MARBLE的多模态对齐方法，该方法能够实现对新型生物标志物的数据高效微调。研究人员在真实世界的MSK
动机：通过计算病理学模型进行生物标志物定量，具有显著提高精准肿瘤学测量可及性的潜力。然而，此类模型需要标记训练数据才能学习。在本研究中，研究人员描述了一种名为MARBLE的多模态对齐方法，该方法能够实现对新型生物标志物的数据高效微调。研究人员在真实世界的MSK-IMPACT样本队列上，以最新版本作为留出测试集对MARBLE进行了评估，结果显示准确率得到提升，尤其在小样本量情况下。
亮点：
•MARBLE使用对比预训练来提升数据高效的预测性能
•研究考虑了LLM和PLM表示，两者均被证明可提高准确率
•MARBLE在真实世界的MSK-IMPACT panel数据队列上得到验证
总结：
利用数字化组织病理学全切片图像的计算病理学模型，有潜力在基因组生物标志物预测（精准肿瘤学中的一项关键任务）方面成为分子检测的一种经济高效且可扩展的替代方案。然而，随着新的基因组生物标志物被发现或定量，必须前瞻性地收集大型标记数据集来训练新模型。为应对这一挑战，研究人员开发了用于生物标志物学习和泛化的多模态对齐方法MARBLE，这是一种多模态对比预训练策略，将结构化生物标志物知识整合到组织病理学图像的表示学习中。MARBLE将组织病理学衍生的表示与由大语言模型（LLM）和蛋白质语言模型（PLM）生成的基因组生物标志物表示进行对齐。这种基于生物学信息的对齐能够实现对新型、分布外生物标志物的数据高效泛化。利用涵盖多个生物标志物panel版本的超过40,000名患者的MSK-IMPACT队列，研究人员设计了基于真实世界数据的实验，以证明所提出方法的价值。
**研究背景**
组织病理学数据，特别是苏木
