基于人工智能的虚拟免疫细胞化学技术实现快速精准的细针穿刺活检诊断

本研究针对传统免疫细胞化学(ICC)染色耗时长、成本高的问题，开发了一种基于人工智能的虚拟ICC平台。研究人员通过分析犬类淋巴瘤细针穿刺(FNA)样本的8.48百万个细胞特征，建立了WG染色图像与CD3/PAX5免疫标记的映射关系，实现了97.5%的准确率。该技术可在数分钟内完成传统需数日的ICC检测，为淋巴瘤诊断提供了快速精准的新方案。

　　

在临床病理诊断中，免疫细胞化学(ICC)染色是鉴别淋巴细胞亚群的金标准，但传统方法存在明显瓶颈：抗体染色需要数小时至数天，依赖专业设备和操作技能，且成本高昂。特别是在淋巴瘤诊断中，鉴别T细胞(CD3⁺)和B细胞(PAX5⁺)亚型对治疗方案选择至关重要，但漫长的检测周期可能延误治疗时机。

香港城市大学物理系的研究团队在《Diagnostic Pathology》发表的研究中，创新性地将人工智能技术与计算病理学结合，开发了基于Wright-Giemsa(WG)染色的虚拟ICC分析平台。研究采用100例犬淋巴瘤FNA样本，通过独特的双染色流程（先WG染色后ICC重染色）获取4.24百万对细胞图像，运用StarDist算法进行细胞分割和特征提取，最终建立随机森林分类模型，实现了从常规染色直接预测免疫表型的突破。

关键技术包括：（1）建立WG-CD3/PAX5配对图像数据库；（2）基于StarDist的星形凸多边形细胞分割；（3）欧几里得距离细胞匹配算法；（4）随机森林分类器优化。研究队列来自兽医临床疑似淋巴瘤病例，通过高分辨率全玻片扫描（40倍，0.23μm/像素）获取图像数据。

【图像预处理与特征提取】
研究团队设计了系统的预处理流程：首先采用SIFT算法进行图像配准，然后通过颜色解卷积分离WG中的天青B和ICC中的DAB染色。图3展示了染色分离效果，其中图3c显示经反转处理后的细胞核图像，为后续分割提供清晰输入。区域生长算法提取的16项几何特征（包括面积、长短轴、像素强度等）构成分类基础，图6的箱线图显示阳性/阴性细胞在形态学特征上的显著差异（p<0.0005）。

【模型性能验证】
针对CD3预测的ROC曲线下面积达0.997（图8b），灵敏度0.98，特异度0.97。图8d直观展示模型对WG图像的预测效果，橙色圆圈标注的CD3⁺细胞与真实ICC染色高度一致。等效直径（特征权重0.24）和面积（0.20）是最具判别力的特征（表2）。PAX5预测同样表现出色，准确率97.8%，ROC值0.996（图9b），其中面积特征权重最高（0.23）。

【临床应用价值】
该研究突破了传统ICC的时间瓶颈，将诊断周期从天级缩短到分钟级。图1对比显示虚拟ICC与传统染色的对应关系，图1d中褐色边缘的阳性细胞能被算法准确识别。技术优势体现在：（1）避免抗体染色步骤，节省成本；（2）保持病理医生熟悉的判读模式；（3）可扩展至其他免疫标记物研究。

讨论部分指出，虽然采用犬类模型存在物种局限性，但犬淋巴瘤与人类疾病具有相似性，为转化医学研究提供桥梁。研究团队特别强调，相比直接分类的"黑箱"模型，这种基于细胞特征的预测方式更易被临床接受。未来工作将拓展至猫科动物及人类样本验证，并探索更多免疫标记物的预测能力。

这项研究标志着计算病理学的重要进展，其创新性在于：（1）首次实现WG到ICC的图像翻译；（2）建立目前最大的配对细胞特征数据库；（3）开发出可解释性强的人工智能辅助诊断框架。随着数字病理的普及，该技术有望重塑淋巴瘤的诊断流程，并为其他免疫相关疾病的诊断提供新范式。