用于抗错位虚拟染色的生成式人工智能以加速组织病理流程

更聪明的数字染色为何重要

医生在诊断癌症时，常依赖已经浸染上彩色化学染剂的薄组织切片。这些染色能揭示显示疾病的形态和模式，但过程缓慢、费力且使用苛刻的试剂。本研究探讨了生成式人工智能如何在计算机上创建逼真的“虚拟”染色，并展示了一种新方法如何避开长期困扰该技术在实际医院应用的技术难题。

从玻片到虚拟色彩

在传统病理学中，不同的染色用于突出组织的不同特征：一种显示细胞核，另一种显示支持组织，或另一种显示特定蛋白质。每种染色都需要额外的时间、化学品，有时还需消耗珍贵的患者组织。虚拟染色采取不同路径。它从易获取的图像开始，例如无标记荧光图像或常见染色图像，并使用 AI 预测同一组织在另一种染色下的外观。原则上，这可以加快诊断、节省样本并减少环境影响。

隐蔽的问题：组织位移

在实践中，虚拟染色受阻的原因是组织在化学处理过程中会移动和变形。本应相同区域的两张图像很少能在像素级别完美对齐。大多数 AI 方法需要严格匹配的“前后”图像对来学习正确的颜色转换。如果组织即使略微位移，模型可能会让结构变模糊、捏造细节或丢失重要特征。早期的一些技术尝试完全不依赖配对图像，而另一些则加入巧妙的损失函数或内置对齐步骤，但它们常常以结构准确性为代价，产生看起来合理却不可靠用于诊断的图像。

用于对齐与着色的双重智脑

作者提出了一种名为 DGR（Decoupled Generation and Registration，解耦生成与配准）的新框架。其关键思想是将任务拆分为两个协作的 AI 模块：一个专注于将图像外观改变为目标染色的风格，另一个仅负责对位不完全匹配的图像进行对齐。额外的约束被加入以确保虚拟染色保留输入图像的形态特征，同时在训练时通过单独的对齐步骤悄然校正与真实染色样本之间的组织位移。通过分离这些职责，系统可以从不完美匹配的数据中学习，而不会被其混淆。

方法的实测表现

团队在五个不同数据集和四类任务上测试了 DGR：从无标记荧光图像生成标准的苏木精-伊红（H&E）染色、将 H&E 转换为更专门的肾脏染色、从常规切片生成进阶的多重蛋白染色，以及跨实验室标准化颜色差异。在所有情况下，DGR 生成的图像在数值图像质量指标和视觉比较上都比竞争方法更接近真实染色。当研究者通过旋转、平移和缩放图像故意引入强烈错位时，DGR 的表现远优于其他方法，保持了精细结构的清晰，而早期模型在这些区域明显退化。

专家能分辨出差别吗

为探查这些改进对人类专家是否重要，作者进行了盲测，请一位经验丰富的病理学家参与。专家被展示了混合的真实与虚拟 H&E 和 PAS-AB 图像集，不知道哪些是真哪些是虚拟，并被要求进行判别。病理学家的准确率徘徊在随机水平附近，略高于 50%，真实与虚拟图像之间没有统计学上明显的区分。在后续实验中，将虚拟染色图像输入到独立训练的 AI 系统以分类组织类型和疾病分级，使用 DGR 生成图像的模型表现与仅使用传统染色的模型相当或更好，而其他几种虚拟染色方法实际上降低了分类性能。

这对未来诊断意味着什么

对非专业读者而言，主要信息是：经过细致设计的 AI 能将虚拟染色从实验室的好奇心转变为可应对凌乱、真实世界数据的工具。通过明确处理组织错位而不是置之不理，DGR 创建了既让病理学家觉得真实又保留用于自动化分析所需微妙细节的数字染色。这最终可能使医院用快速的软件流程替代部分化学染色步骤，降低成本、节省组织样本并缩短从活检到诊断的时间，同时保持诊断信心。

引用: Ma, J., Li, W., Li, J. et al. Generative AI for misalignment-resistant virtual staining to accelerate histopathology workflows. Nat Commun 17, 4494 (2026). https://doi.org/10.1038/s41467-026-71038-2

关键词: 虚拟染色, 组织病理学, 生成式人工智能, 数字病理, 组织成像