《Biosensors》：Tumor-Aware Unsupervised Digital HER2 Immunohistochemistry via Dual Contrastive Learning
编辑推荐：
英文摘要专业翻译：
乳腺癌是全球女性中最常见的癌症，也是导致女性癌症相关死亡的第二大原因。为实现准确诊断，病理学家在苏木精-伊红（H&E）染色评估组织形态学之外，常使用免疫组织化学（IHC）染色检测人表皮生长因子受体2（HER2）等生物标志物作为辅助检查。传
英文摘要专业翻译：
乳腺癌是全球女性中最常见的癌症，也是导致女性癌症相关死亡的第二大原因。为实现准确诊断，病理学家在苏木精-伊红（H&E）染色评估组织形态学之外，常使用免疫组织化学（IHC）染色检测人表皮生长因子受体2（HER2）等生物标志物作为辅助检查。传统IHC染色成本高、耗时长且劳动密集，同时病理学家人手不足，难以满足临床需求。本研究提出一种基于肿瘤掩膜的数字化HER2 IHC染色算法。该模型以双对比学习生成对抗网络（DCLGAN）为基础，引入了肿瘤掩膜损失、结构相似性指数（SSIM）损失以及一种改进的身份损失，用以区分活性区域与非活性区域。通过Fréchet起始距离（FID）和等级分类模型对HER2评分进行定量评估。与DCLGAN相比，所提出模型的FID降低了27.2%，软准确率提升了2.57%。视觉评估进一步表明，该模型能够防止无监督学习中出现的泛黄变色，并抑制非特异性区域染色。上述结果表明，在数据量有限且未配准的情况下仍可实现有效学习，从而加速数字病理工作流程。
论文主体内容解读：
一、研究背景与问题
乳腺癌是女性最常见的恶性肿瘤，占全球新发病例的32%，亦是女性癌症相关死亡的第二大原因。准确诊断依赖于病理学家对活检或手术组织样本进行染色观察。苏木精-伊红（H&E）染色是最广泛用于评估组织形态异常的技术，但染色流程耗时、判读主观，且不同观察者间存在较高变异。对于复杂或疑难病例，临床常辅以免疫组织化学（IHC）染色，通过抗原-抗体特异性结合检测特定标志物，例如人表皮生长因子受体2（HER2）。HER2蛋白水平决定乳腺癌细胞分裂和复制的可能性，其评分分为0、1+、2+、3+四个等级，直接影响治疗方案选择。然而，传统IHC染色过程更漫长、成本更高。数字染色（DS）技术应运而生，尤其是基于生成对抗网络（GANs）的方法被广泛研究。根据数据依赖方式，数字染色分为监督学习和无监督学习。监督学习依赖像素级配准的配对数据，但在实际病理制片过程中，H&E与IHC染色切片在染色流程中会发生组织变形和位置偏移，难以获得严格配准的图像对。无监督方法如CycleGAN、对比非配对翻译（CUT）和双对比学习生成对抗网络（DCLGAN）可处理未配准数据，但现有方法仍存在非特异性区域染色、整体泛黄变色等问题，且往往隐式假设源域和目标域图像相对对齐。因此，迫切需要一种能够在不依赖额外配准步骤、在有限且未对齐数据条件下有效学习的无监督数字HER2 IHC染色算法。
二、研究目的与研究方法概述
研究人员提出了一种基于肿瘤掩膜的数字化HER2 IHC染色算法，旨在将H&E染色图像转化为HER2 IHC染色图像。该模型在DCLGAN基础上进行扩展，融合了肿瘤掩膜损失、结构相似性指数（SSIM）损失和改进的身份损失。肿瘤掩膜由基于U-Net架构的肿瘤分割模型从H&E图像中提取，并与H&E图像拼接为四通道输入，引导模型关注与HER2表达相关的生物学区域。SSIM损失用于保持生成图像与原始图像的结构相似性和视觉一致性；改进的身份损失则通过区分肿瘤区域和非肿瘤区域，稳定染色强度特征。模型采用ResNet残差块和anti-aliased上下采样作为生成器主体，判别器使用PatchGAN结构。研究人员使用ACROBAT数据集中的五对全切片图像（WSI）进行训练和测试，其中四对用于训练、一对用于测试，数据以WSI级别划分以避免信息泄漏。经过预处理，训练集包含27,201个H&E图像块和29,179个HER2 IHC图像块，测试集包含10,240个图像块。肿瘤掩膜模型基于BCSS数据集训练，采用80:20划分训练和验证，并应用多种数据增强。HER2等级分类模型基于BCI数据集训练，用于定量评估生成图像的染色一致性。
三、主要研究结果
3.1 肿瘤掩膜模型性能
研究人员通过训练和验证损失及平均交并比（mIoU）评估肿瘤掩膜模型。训练损失介于4.24×10?1至1.54×10?1之间，mIoU介于7.21×10?1至1.86×10?1；验证损失介于4.98×10?1至1.9×10?1，mIoU介于6.91×10?1至3.18×10?1。验证图像显示模型能够有效识别五个组织类别的主要特征，但在精细边界和小结构上存在细节不足。
3.2 数字HER2 IHC染色模型训练动态
生成器损失介于3.98至7.89×10?1之间，判别器损失介于5.5×10?1至1.1×10?2之间，表明生成器稳定收敛，判别器持续有效学习。
3.3 HER2等级分类模型性能
研究人员比较了七种预训练分类模型（ConvNeXt-Base、ViT-Base、EfficientNet-B2、DenseNet-121、Inception-V3、MobileNet-V2、ResNet-50V2）作为特征提取器，并训练新的多层感知机分类头。其中ConvNeXt-Base表现最佳，准确率为0.9036，F1分数为0.8888；ViT-Base次之，准确率0.8983，F1分数0.8853；ResNet-50V2最差，准确率0.8329，F1分数0.8013。混淆矩阵显示，ConvNeXt-Base在0、1+、3+三个类别上预测准确，ViT-Base在2+类别上预测最多（6358个样本）。相邻等级（如1+和2+）之间仍存在误分类，这与病理学家也难以判别的临界病例特征相符。
3.4 不同数字染色模型的定性与定量比较
研究人员将提出的模型与CycleGAN、CUT、DCLGAN进行对比。定性评估显示，其他模型生成的图像存在整体泛黄变色和染色强度不一致，而所提模型能够再现与原始HER2 IHC染色相似的白背景，并保持均匀的染色质量和对比度。定量评估采用FID、KID、软准确率、加权F1分数和宏平均F1分数。所提模型获得最低FID（41.2），相较DCLGAN（56.6）降低27.2%；最低KID（1.76），较DCLGAN（2.91）降低39.5%；软准确率最高（80.73%），较DCLGAN（78.71%）提升2.57%；加权F1分数最高（0.593）。宏平均F1分数方面DCLGAN略高（0.284 vs. 0.270），原因在于宏平均对各等级等权，而DCLGAN在0和3+两个等级上的敏感性更高；所提模型则在占比最大的2+等级上敏感性更高，故总体（支持度加权）准确率更高。
3.5 消融研究
研究人员从DCLGAN基线开始，逐步加入肿瘤掩膜、掩膜损失、MS-SSIM损失和改进的身份损失。基线FID为56.6，KID为2.91，软准确率78.71%，加权F1为0.591；仅加入肿瘤掩膜时FID略升至58.73，但软准确率升至79.67%，宏平均F1为0.303；进一步加入掩膜损失后FID降至57.19，KID降至2.78；再加入MS-SSIM损失后FID降至52.21，KID降至2.31，加权F1升至0.586；完整模型达到最低FID（41.2）和KID（1.76）、最高软准确率（80.73%）和最高加权F1（0.593）。结果表明各组件并非独立充分，而是协同提升图像保真度和整体分类一致性。
四、讨论与结论
讨论部分指出，现有无监督数字IHC染色方法常隐式假设图像对齐，但在真实病理环境中难以稳定满足，且缺乏组织特异性信息，导致非特异性背景染色或颜色偏差。所提方法通过肿瘤掩膜显式注入肿瘤区域信息，有效改善了染色质量。但研究仍存在局限：WSI对数量有限，HER2阳性区域分布稀疏，患者级多样性受限，可能影响模型泛化能力；评估依赖图像级对应假设，未进行精细空间对齐验证；HER2分类模型仅作为代理评估，不能替代临床病理诊断；参考HER2等级来自常规临床IHC评估，本身存在观察者间变异，尤其在2+/3+边界。此外，研究未独立验证真实IHC图像相对于金标准HER2蛋白表达的正确性，未来需与蛋白组学定量等独立分子金标准进行比较。计算成本方面，所提方法训练时间较基线增加约6%，参数量几乎不变（DCLGAN 11.378M，Ours 11.381M），推理成本基本不受影响。
研究结论：本研究克服了组织学染色的固有缺陷以及无监督学习中非特异性区域泛黄变色的问题。通过向DCLGAN结构中添加掩膜损失和SSIM损失，并创建区分活性与非活性区域的改进身份损失，所提模型能够保持均匀对比度和一致的染色质量，解决了非特异性区域问题。定量结果显示生成的染色与传统组织学HER2 IHC染色相似，通过FID确认视觉质量，通过软准确率确认跨等级的染色模式一致性。未来工作将扩展至多种IHC染色类型的数字染色，并探索融合扩散模型和大规模预训练模型等先进技术，以在无监督数字染色中实现更稳定和更高保真的结果。
