封面解读

封面展示了一项融合光信息处理与人工智能的数字虚拟染色技术。图中组织玻片中央的分界面由代码与光学元素交织而成，象征着从未染色的“物理世界”向染色的“数字空间”的跃迁。借助深度学习强大的特征提取与信息融合能力，该技术实现了高精度、高效率、高保真的染色效果，有望替代传统化学染色方式，推动病理诊断迈向智能化与精准化新阶段。

链接：

1、背景介绍

病理诊断通常被视为多种疾病诊断的“金标准”。在常规流程中，利用化学染料对透明均匀的组织切片进行选择性标记，实现难以分辨的细胞与组织结构的可视化，如图1（a）所示。病理医生在显微镜下可清晰、完整地观察到切片中细胞核、胞质及基质等微观特征，结合形态学、免疫标志物及多种组织信息，对疾病进行精确检测、分型与预后评估。然而，现有的化学染色技术存在耗时长、成本高及染色流程复杂导致的稳定性差等问题，影响诊断效率，并在一定程度上限制了数据共享与患者的就医体验。

近年来，基于深度学习的虚拟染色技术应运而生，为病理组织染色带来了创新性变革。该技术以未染色或已染色的切片图像为输入，通过虚拟染色模型在数字域内模拟多种经典染色效果[苏木精和伊红（HE）、免疫组织化学（IHC）等]，具备短耗时、低成本和高保真度的优势，该技术的流程如图1（b）所示。四川大学申俊飞研究团队从成像机制出发，对当前虚拟染色技术进行了系统性分类与综述，不仅创新性地提出了按成像采集方式划分技术路线，还对其未来在实时化、高通量及临床嵌入方向的发展趋势进行了深入展望。

图1 传统组织学染色以及虚拟染色实现流程。（a）传统组织学染色链路；（b）虚拟染色链路

2、技术流程

虚拟染色技术的实现依赖于高质量的数据采集与模型设计，整个过程可分为4个关键阶段，如图2所示。

1）数据获取：通过特定的成像设备或全切片扫描仪获取未染色或已染色的组织图像作为输入图像，使用全切片扫描仪获取目标染色图像，构建输入-目标数据集。

2）数据预处理：对数据集进行裁剪、归一化、配准等处理，以提高数据质量，并通过数据增强手段丰富训练样本多样性。

3）网络设计与训练：主流研究多基于生成对抗网络（GAN）架构，采用L1/L2、PL等损失函数，结合学习率预热与衰减、早停与交叉验证等训练策略，提升模型的收敛速度与泛化能力。

4）染色质量评估：从数字指标和病理医生的主观判断两个方面评估生成的虚拟染色图像质量，并反馈优化模型，以满足临床应用对稳定性和准确性的要求。

图2 虚拟染色技术实现流程

3、研究进展

虚拟染色技术的核心在于输入信号的多样性与信息量，现有工作可根据成像采集模式分为三类：染色转换、引导标记染色和白片染色。

3.1 染色转换

染色转换技术以组织学染色图像（如HE染色）作为输入，通过虚拟染色模型生成其他类型的染色图像，丰富诊断信息。目前，很多研究已实现从HE染色到特殊染色[马松三色（MT）染色、过碘酸-雪夫（PAS）染色、琼斯（Jones）染色等]、免疫组织化学（IHC）染色、免疫荧光（IF）染色等的转换，如图3所示。由于输入图像已经呈现了清晰的组织结构与细胞形态对比，故这类方法往往能生成高度真实的目标染色图像，适用于丰富诊断信息。染色转换虽有较高的实用价值，但其输入图像的获取高度依赖于传统组织学染色流程，无法彻底脱离化学染色的限制，故发展存在一定的局限。

图3 不同染色目标的染色转换研究。（a）特殊染色；（b）IHC染色；（c）IF染色

3.2 引导标记染色

基于对未染色切片进行多种激发成像（DAPI荧光激发、自发荧光、多光子非线性、光声显微等），获取组织的高对比度结构信号，进而引导虚拟染色模型生成所需染色效果，如图4所示。此类方法完全摆脱化学染色试剂，具备无损、快速的优势，但存在信噪比不足、光漂白和设备成本高等挑战。未来需深入研究光–组织相互作用机制，提升成像质量与模型鲁棒性。

图4 不同成像机制的引导标记染色研究。（a）荧光标记成像;（b）自发荧光成像；（c）非线性光学成像；（d）光声成像

3.3 白片染色

通过反射/透射式光学成像（宽场显微镜、反射式共聚焦显微镜等）、光谱显微成像和相位敏感成像等手段，采集未染色组织的吸收、散射、光谱及相位等光学信息，再借助深度学习模型映射为虚拟染色图像，如图5所示。此路径灵活度高，无需任何激发或染料，但通常面临信息通量受限、商用多光谱设备体积大、相位仪器光源要求苛刻等挑战。未来，可通过设计病理虚拟染色的专用成像设备，进一步提升染色的综合效果。例如，四川大学申俊飞研究团队于2025年提出了物理驱动的端到端多光谱虚拟染色技术，根据彩色图像的形成机制，分步式设计算法模块解耦物理过程，实现了面向白片的高质量虚拟染色生成，并联合华西医院成功应用在肝、肾等多种组织的临床实验中。

图5 不同成像机制的白片染色研究。（a）反射/透射式光学成像;（b）光谱显微成像；（c）相位敏感成像

3.4 虚拟染色成像方式对比

上述不同染色成像方式优缺点总结对比如表1所示，可以发现：染色转换以传统组织学染色图像为输入，能够在节省时间和资源的同时提供丰富的病理信息，辅助诊断；引导标记染色基于光对物质的激发效应，对未染色的切片进行成像，获取特定结构的高对比度图像，进而引导虚拟染色流程，提高染色质量；白片染色则依赖组织光学传输特性对未染色切片进行成像，在非激发条件下获取组织多维度数据，通过深度学习实现目标组织分类着色，完成虚拟染色。

表1 不同虚拟染色技术的优缺点对比

4、总结与展望

本文综述了近年来深度学习驱动的虚拟染色技术研究进展，重点分析了不同技术的优势与挑战。作为一种新兴的病理染色方法，虚拟染色技术凭借其高效、低成本和高保真度的优势，正在逐步改变传统的病理染色流程。该技术不仅能在离体玻片中完成组织标记，还可以应用在新鲜组织或活体组织中，实现实时化、精准化染色。

虚拟染色技术面临着图像信息量不足、成像设备成本高以及设备集成难度大的挑战。但随着计算成像技术的高速发展，通过光学编解码及软硬件系统协同优化等新式技术，提升光学系统的信息通量，有望进一步实现高保真、智能化的虚拟染色。这对现有计算病理理论方法完善、智能医疗诊断具有重要意义，有助于推进生命科学和医学科学发展，提升医疗领域研究水平，加速推动国民经济发展。

作者简介

申俊飞，四川大学电子信息学院副教授、博士生导师，国家级在线课程负责人，主编《现代光学成像与测量》教材。曾任杭州海康威视数字技术股份有限公司技术研发中心高级工程师，主要从事人工智能计算医疗视觉增强理论、算法及应用研究。入选四川省天府峨眉人才计划、中国科协青年人才托举工程，任美国科学促进会、中国激光杂志社青年编委，中国仪器仪表学会图像科学与工程分会理事。主持国家科技部重点研发计划、国家自然科学基金项目、国家工信部揭榜挂帅项目、四川省重点研发计划（重大科技专项）、江西省揭榜挂帅项目、成都市重点研发支撑计划技术创新研发项目等多个项目。授权国家发明专利30余项，8项专利成功转化，并被授予浙江省专利优秀奖。

科学编辑 | 黄俊鸿

编辑 | 贾文斌