虚拟组织染色技术突破肾脏病理分割的染色壁垒：基于CycleGAN的多中心研究

推荐：本研究针对肾脏病理学中多种染色方法导致深度学习模型泛化性差的问题，开发了基于CycleGAN的H&E到PAS虚拟染色模型。利用英国首个慢性肾病生物库NURTuRE的多中心数据，研究显示合成染色与真实染色重叠率达52.5%-75.8%，并成功将PAS特异性肾小球分割模型应用于虚拟染色图像，为跨染色计算病理学提供了新范式。

　　

在肾脏病理诊断中，常规使用的多种组织染色方法（如H&E、PAS、Masson's trichrome等）给深度学习模型的临床应用设置了天然障碍。由于不同染色剂会特异性标记不同组织结构，针对特定染色开发的算法往往难以直接应用于其他染色类型的全切片图像（WSI）。这种"染色壁垒"严重制约了计算病理学在慢性肾脏病（CKD）诊断中的应用——全球有超过8.43亿CKD患者，其早期诊断和精准分型亟需自动化分析工具的支持。

研究人员创新性地提出"虚拟染色"解决方案：通过人工智能将最常见的H&E染色图像转化为临床常用的PAS染色图像。这项研究首次采用英国国家统一肾脏转化研究计划（NURTuRE）的多中心数据，该生物库汇集了来自16个肾病中心的3000余例WSI，涵盖了真实的临床异质性。研究团队开发了基于循环一致性生成对抗网络（CycleGAN）的虚拟染色模型，并邀请两位资深病理学家通过"模仿游戏"评估合成图像质量。结果显示，病理学家对虚拟染色的识别准确率分别为52.5%和75.8%，证实合成数据与真实数据的变异范围存在显著重叠。更关键的是，研究团队在三个独立数据集（KPMP、HuBMAP和Jayapandian等）上训练的PAS特异性肾小球分割模型，成功应用于虚拟染色的H&E图像，实现了跨染色边界的结构分割。

关键技术方法包括：1）从NURTuRE生物库提取512×512像素的H&E和PAS图像块；2）采用非配对的CycleGAN框架进行跨染色域转换；3）通过三折交叉验证（按数据来源划分）开发PAS特异性肾小球分割模型；4）使用模态预测策略整合不同验证集的预测结果。

研究结果部分显示：

1. 虚拟染色验证：病理学家评估显示，合成图像在基底膜（BM）染色特异性和红细胞阴性染色等关键特征上表现良好。对KPMP测试集的虚拟染色示例表明，模型能准确突出PAS阳性结构。
2. 肾小球分割性能：在交叉验证中，模型对KPMP数据（含全球硬化性肾小球）的Dice系数为0.812，而对正常组织（HuBMAP）和MCD样本（Jayapandian等）分别达0.923和0.930。
3. 虚拟染色应用：将分割模型应用于虚拟染色的H&E测试图像时，对Jayapandian等、KPMP和NURTuRE测试集的模态预测Dice系数分别为0.832、0.792和0.781，显著优于直接处理H&E图像的基线。

这项发表于《Modern Pathology》的研究具有多重意义：首次证明虚拟染色能有效连接不同染色模态的计算分析；发布的20例KPMP H&E切片肾小球标注填补了该领域数据空白；为临床病理中的"染色失败"场景提供了补救方案。研究也指出当前局限：未涵盖淀粉样变（PAS阴性）等特殊病变的验证，且CycleGAN框架在复杂疾病特征保留上仍有提升空间。未来工作可探索多染色条件模型、WSI级重建技术，以及虚拟染色在正常对照样本生成中的应用潜力。