香港文匯報訊(記者 史柳藝)組織病理分析是臨床診斷的重要基石,在癌症診斷中尤其關鍵。然而,傳統化學染色流程往往耗時費力,並可能消耗珍貴的組織樣本。香港科技大學工學院團隊最近成功研發出一種全新的生成式人工智能框架,能在訓練圖像未能精確配準的情況下,依然生成高保真度的虛擬染色圖像,為更快速、更省樣本的組織病理分析流程提供新方向。研究成果以「生成式AI實現配準誤差魯棒的虛擬染色,加速組織病理學工作流程」為題,已於國際期刊《自然-通訊》上發表。
是次研究由科大計算機科學及工程學系助理教授、醫工交叉聯合創新中心主任兼SmartX Lab主任陳浩帶領,聯同化學及生物工程學系副系主任及副教授、醫工交叉聯合創新中心副主任黃子維,以及廣州南方醫科大學、香港中文大學及其他合作機構的研究人員合作開展。陳浩的研究團隊成員還包括論文共同第一作者、計算機科學及工程學系博士生馬嘉波及李文強。
研究由科大計算機科學及工程學系助理教授陳浩(左二)帶領,聯同化學及生物工程學系副系主任兼副教授黃子維(右二)開展,團隊成員還包括計算機科學及工程學系博士生馬嘉波(右一)及李文強(左一)。科大供圖。
病理診斷中,組織樣本需經化學染色(如H&E及PAS-AB等)以顯示細胞結構,但製備多種染色切片耗時且消耗有限活檢組織。學界積極發展「虛擬染色」——利用AI將無標記或常規染色圖像數碼轉換為目標染色,以減少化學處理並保留樣本。
然而,虛擬染色要真正可靠,輸入與目標圖像必須像素級精確對齊。現實中組織切片、染色等過程常引發褶皺與變形,導致兩幅圖像無法完美配準;即使細胞核生成正常,輕微位置偏移也會干擾腺體邊界、免疫細胞定位等關鍵診斷資訊,令虛擬染色難以落地。此配準誤差問題過去長期被忽視。
研究的虛擬染色工作流程與效能評估結果。科大供圖。
科大團隊提出「解耦生成與配準」框架(DGR)。DGR不再假設兩幅訓練圖像已完美配準,而是在模型訓練過程中明確處理配準誤差。該框架將圖像生成與空間配準分開:生成模型專注於學習不同染色之間的外觀和信號轉換,而配準機制則負責處理由組織形變造成的空間偏差。
團隊在五個數據集及四類染色任務(自發熒光生成H&E、H&E轉PAS-AB、多重免疫組化及染色風格統一化)中全面評估DGR,整體圖像質量和結構保真度均優於現有先進模型。資深病理醫生盲法評估500張H&E及500張PAS-AB真實與虛擬染色圖像,正確區分準確率僅約52%,接近隨機水平,證明DGR生成圖像視覺上幾可亂真。
結合DGR生成的虛擬多重免疫組化圖像與原始H&E圖像,AI模型在結直腸息肉分類和胃癌組織分類中的表現均獲提升,證明虛擬染色完整保留形態學與空間結構資訊,對輔助診斷具實質價值。
論文通訊作者陳浩表示:「此研究有助清除虛擬染色走向實際臨床工作流程的關鍵障礙。生成式AI可從不完美配準的病理影像中,生成高質量的虛擬染色圖,為更快速、更具成本效益的病理診斷開拓更具前景的路向。」

評論(0)
0 / 255