从24小时到几分钟，AI虚拟染色如何重塑乳腺癌病理诊断？NPJ Breast Cancer研究给出答案

当患者躺在手术台上，医生需要根据病理结果决定切除范围时，每一分钟的等待都可能影响预后。传统的H&E染色流程繁琐，从样本处理到出片往往需要24至48小时，不仅延长了诊断周期，还可能因化学试剂处理破坏组织，使珍贵的活检样本无法用于后续的基因测序或多组学分析。如何在保证诊断质量的前提下，让病理图像“立等可取”，同时保留样本的完整性？这是临床和科研长期关注的难题。

近日，来自中国人民解放军总医院、北京航空航天大学等机构的研究团队在NPJ Breast Cancer上发表了一项研究，提出了一种基于多光谱自发荧光成像和增强型循环生成对抗网络的虚拟染色技术。该技术能够在无需配对训练数据的情况下，将无标记的组织切片快速转化为诊断级的H&E等效图像，为乳腺癌的快速病理诊断和样本多用途利用开辟了新路径。

虚拟染色图像在关键形态指标上与标准H&E高度一致

研究首先对虚拟H&E图像与同一组织的标准H&E染色进行了定量比较。团队提取了细胞和细胞核的八项关键形态参数，包括细胞面积、核面积、核周长、核质比、核圆度等。结果显示，虚拟H&E图像在上述指标上与标准H&E图像的分布几乎完全重合。以核质比为例，Jaccard重叠系数达到0.92±0.02，Kolmogorov-Smirnov检验p值为0.81，Cohen's d效应量仅为0.06，提示两者在统计上无法区分。核面积、核周长等指标的分布也呈现同样高度一致性。

图1：虚拟H&E与标准H&E在十项关键形态学参数上的提琴图分布对比，显示两者在细胞与细胞核形态上高度重合

临床医师双盲评分证实诊断等效性

为了检验虚拟染色的临床可用性，五位资深病理医师对18对虚拟H&E与标准H&E图像进行了双盲评分。评估内容包括细胞核染色细节、细胞质染色细节、细胞间质染色细节和整体染色质量，采用4分制（1分不可接受，4分优秀）。统计结果显示，所有四个维度的评分在两组间均无显著差异（Wilcoxon符号秩检验p值均大于0.05）。在整体染色表现上，82.2%的虚拟H&E图像得分不低于标准H&E图像；细胞核染色细节方面，这一比例达到83.3%。进一步的ROC分析显示，区分虚拟H&E与标准H&E的AUC值接近0.5（0.463和0.584），意味着病理医师无法可靠分辨两者，充分证明虚拟H&E在临床评估中与标准H&E相当。

图2：虚拟H&E染色质量的多维评估，包括病理医师评分对比、评分一致性矩阵以及ROC曲线，显示虚拟染色与标准染色在临床上无法区分

多光谱融合优于单通道，显著提升图像质量

研究还对比了仅使用单个荧光通道与融合多光谱信息生成的虚拟H&E图像。单通道输入（如仅DAPI或仅SpGr）生成的图像常出现色彩失真、结构边界模糊、细胞核与细胞质对比度不足等问题。而多光谱输入能够充分利用不同内源性荧光物质的互补信息，生成的图像色彩准确、结构清晰，细胞核的染色质分布和细胞质细节均得到良好重建。这一结果凸显了多光谱成像在无标记病理诊断中的核心优势。

图3：单通道与多光谱输入生成的虚拟H&E图像对比，多光谱融合显著改善了色彩还原度和结构细节保留

跨模型验证：从小鼠到类器官，均实现高保真染色

为检验该框架的普适性，团队进一步在小鼠乳腺癌模型和乳腺癌‑肺类器官共培养模型中进行了验证。在小鼠模型中，虚拟H&E准确再现了肿瘤异质性、坏死区域及免疫细胞浸润等病理特征。在类器官共培养体系中，虚拟染色清晰显示了癌细胞团与基质的相互作用，且染色后的样本仍可完整用于后续的单细胞测序或空间转录组分析，实现了“同一份样本，多重研究维度”。

小结

传统病理染色“慢”和“损”的痛点，正在被人工智能与光学成像技术的融合所破解。这项研究不仅展示了虚拟H&E染色在临床诊断上的等效性，更通过跨物种、跨模型的验证，证明其作为通用病理学工具的潜力。未来，随着便携式多光谱成像设备和边缘计算的集成，术中实时病理诊断或将成为现实，让患者在手术台上就能获得精准的病理指导，同时保留样本用于更深入的分子研究。从实验室到手术室，AI虚拟染色正在为乳腺癌精准医疗铺就一条更快速、更高效的道路。（生物谷Bioon.com）

参考文献：

Sun J, Ye J, Chen S, Yang Z, Xu G, Xue Y, Ou Z, Chen X, Wang J. Artificial intelligence assisted multi-model pathological diagnosis of breast cancer based on multispectral autofluorescence images. NPJ Breast Cancer. 2026 Mar 12. doi: 10.1038/s41523-026-00915-2.