2026病理年会AI虚拟染色技术进展与临床应用展望

随着数字病理与人工智能技术的协同发展，AI虚拟染色已成为引领病理诊断革新的核心技术之一。在2026年病理年会"数字病理与人工智能"分论坛上，厦门大学王连生教授在《AI病理虚拟染色新进展》报告中，系统展示了AI虚拟染色技术的多项创新成果——无需繁琐的实验操作即可直接生成高水准的病理影像。

2026病理年会厦门大学王连生教授专题演讲现场

PART ONE

研究背景与临床意义

虚拟染色与传统化学染色

虚拟染色技术借助深度学习算法，直接将一种染色方式的病理图像（如H&E染色）转化为其他类型染色的图像（如IHC染色）。

虚拟染色的优点

相较于传统化学染色方法，虚拟染色能够显著降低费用，简化操作流程，提升工作效率，并增强结果的可重复性。

PART TWO

面临的困难与挑战

高质量配对样本稀缺：

H&E图像中，HER2蛋白的表达无法直接观察。若想从H&E图像预测IHC染色结果，需要大量精确匹配的H&E-IHC图像对，以捕捉两种染色方法之间的内在映射规律。

批次效应：

虚拟染色模型对色彩和染色风格的差异极为敏感，不同实验批次或机构间的染色差异会显著影响模型表现。

PART THREE

最新研究进展

虚拟染色最新进展

虚拟染色技术目前在多种临床染色任务中广泛应用，包括FFPE到H&E、H&E到IHC（如ER、HER2、Ki67、PR等多种抗体）、H&E到IMC、H&E到多光子等，均达到了与传统染色方法相当的性能水平。

PART FOUR

实验室相关研究

AI虚拟染色建模肿瘤微环境

GigaTIME，基于AI虚拟染色技术，从常规的HE染色切片生成高保真度的虚拟mIF图像，并借此在大规模患者队列上构建虚拟肿瘤微环境模型。（Cell 2026）

GigaTIME在群体层面揭示了不同癌种中肿瘤免疫微环境相关蛋白激活模式的分布特征与差异；发现了肿瘤免疫微环境相关蛋白与生物标志物之间的广泛关联性。

AQuA：新型质量评估框架实现虚拟染色质控

AQuA：自动化质量与幻觉评估框架，用于检测虚拟组织染色图像中的幻觉与伪影。无需依赖真实化学染色图像，即可实现高质量的图像质量评估与幻觉检测。（Nature Biomedical Engineering 2025）

a）全自动无监督检测，无需真实染色图像作为参考；

b）区分两类幻觉：制片相关的幻觉（模糊、折叠）；以及病理相关的幻觉（如虚构细胞结构）

c）跨器官、跨模型泛化能力强，在肾、肺等组织上均表现优异，并能推广至未训练过的染色失败模式；

d）模型级与图像级双重评估：能评估单张图像和整个虚拟染色模型是否可靠；

e）适用于传统染色图像，优于现有质量控制工具如HistoQC

AQuA：在图像级检测、模型级评估、外部泛化能力、传统染色图像评估等方面均取得了出色的性能。

ROSIE：从HE组织病理学图像生成多重免疫荧光染色mIF

构建"配准→HE网格划分→HE patch输入→50通道蛋白表达patch→拼接整图→多个下游任务验证"的端到端流程。使用来自18个机构的1342个样本、包含1600万细胞和13种疾病。（NMI2025）

ROSIE在标志物预测、细胞分型评估和组织结构发现任务上的结果表明，HE的结构/形态特征确实蕴含可由深度学习外推蛋白表达的信息，推断出复杂昂贵mIF的分子特征与免疫生态，并产生有效的下游价值。

基于全息断层扫描和HE虚拟染色的癌组织三维解剖技术

创新性地融合全息断层扫描（Holotomography）与深度学习算法，首次实现了50μm厚癌组织的无损三维成像与虚拟HE染色。（NC2025）

与化学 HE 染色结果对比验证表明，该技术能以亚细胞分辨率揭示结直肠癌的定量 3D 微观解剖结构，在不同机构环境下对胃癌样本的重复性和可扩展性也得到充分验证。

DGR：抗错位虚拟染色框架

通过级联配准机制（降噪配准+位置一致性模块）解耦图像生成与空间配准过程，有效解决化学染色过程中组织形变导致的空间错位问题。（NC2026）

论文在5个数据集上对DGR进行了全面评估，涵盖四种不同的染色转换任务。结果表明，DGR显著改善了虚拟染色数据的空间错位问题。

染色差异感知的半监督虚拟染色

提出一种半监督虚拟染色框架，仅使用部分H&E和IHC配对图像，引入额外H&E图像。同时，在训练过程中对输入教师模型的H&E图像进行颜色扰动，从而引导学生模型学习更鲁棒的染色映射。

像素级精确配准的数据集：半监督方法中仅使用部分配对样本，因此，有限的监督信息要尽可能准确，H&E图像和IHC图像要尽可能对齐。

结果可视化：部分示例样本的虚拟染色输出。

医学知识引导的H&E2IHC虚拟染色

HER2评分指南，其0/1+/2+/3+评分由不同膜染色强度的浸润癌细胞数量比例决定。因此，引导虚拟染色型更加关注细胞核的分布和膜染色强度。

a）提取HER2评分任务中特定的域知识，细胞核分布与膜染色强度

b）每次迭代中，先训练核密度估计器来拟合细胞核分布

c）辅助分支增强生成器对膜染色区域的关注

d）利用核密度估计器进行正则化约束，保证真实图像与生成图像的分布一致性

e）真实与生成图像判别

结果可视化：部分示例样本的虚拟染色输出

细胞语义引导的FFPE2H&E虚拟染色

H&E图像的诊断信息主要是细胞和组织的形态特征，约束生成图像的细胞语义信息可以保证生成图像的结构合理

与常见虚拟染色方法的图像质量指标对比、生成图像与真实图像的细胞IOU对比，生成图像与真实图像的误差热力图对比，证明了该方法的有效性。

虚拟染色模型-MCS-Stain

首次提出细胞语义对虚拟染色的重要性，并将细胞位置、形态等多种语义引入训练，大幅提升了模型性能

SAL：基于分割对抗的虚拟染色增强框架

针对传统生成-对抗模式在细胞结构建模上的不足，通过结合细胞分割及流场引导的对抗学习，实现对细胞形态的显式建模，从而显著提升虚拟染色的结构一致性。

论文在3个数据集和5个基准模型上验证了SAL有效性，结果表明，SAL能够有效促进真实细胞的生成、抑制伪细胞伪影，并显著提升虚拟染色的整体准确性

PART FIVE

未来研究方向

1.降低对配对样本的依赖：探索半监督或无监督方法，利用大量未配对 H&E 图像提升虚拟染色模型性能，减轻数据获取压力。

2.提升泛化性与鲁棒性：研究跨机构、跨批次的染色差异适应策略，使模型在多中心、多批次数据上仍能生成一致、可靠的虚拟图像。

3.开发 All-in-One 基础模型：构建统一的虚拟染色基础模型，可支持多种染色类型和下游任务，实现一体化、高效的数字病理分析。

关于我们

原创声明