核子亚型分类的跨模态学习
内容提要
该文综述数字病理学中的深度学习与图像分析研究：LymphoML利用可解释机器学习从H&E组织识别淋巴瘤亚型，准确性媲美病理学家且优于黑箱模型；其他研究包括微调Inception-v3分类乳腺组织、半监督CLASSMix模型、虚拟染色生成模型、靶向图像搜索，以及将H&E转换为特殊染色辅助肾病诊断；此外还发布大规模细胞核数据集NuInsSeg，并探索3D相位成像生成虚拟H&E及前列腺切片细胞分割用于癌症自动检测与分级。
延伸解读
可解释模型在淋巴瘤分型中的优势
LymphoML 通过分割细胞核、计算形态学与纹理特征并训练梯度增强模型，在有限 H&E 组织上达到与病理学家相当的准确性，且优于黑箱深度学习。SHAP 分析显示核形状特征对 DLBCL 和典型霍奇金淋巴瘤最具鉴别性，这提示可解释特征有助于理解模型决策，但研究基于危地马拉数据集，跨人群泛化性仍需验证。
虚拟染色与图像转换的临床潜力
多项研究探索将 H&E 转换为特殊染色或虚拟 H&E 图像，例如利用生成模型将 H&E 转为肾脏特殊染色以辅助非肿瘤性肾病诊断，或通过 3D 相位成像生成虚拟 H&E。这些方法有望减少实际染色所需的时间和成本，但文章未提供转换图像与真实染色在诊断准确性上的直接对比数据，临床落地前需进一步验证。
数据与模型创新推动病理分析
NuInsSeg 数据集提供超过 3 万个手动分割细胞核及模糊区域掩模，有助于训练更稳健的分割模型。CLASSMix 结合自适应染色分离与对比学习，在肾细胞癌数据集上表现优越；微调 Inception-v3 对乳腺组织分类达到 85% 整体精确度。这些进展显示数据增强与半监督方法可缓解标注不足，但各研究数据集和任务不同，性能不宜直接横向比较。
Q&A
LymphoML 是如何实现淋巴瘤亚型分类的？
LymphoML 是一种可解释的机器学习方法，它处理 H&E 染色组织微阵列核心，分割细胞核和细胞，计算形态学、纹理和结构特征，并训练梯度增强模型进行诊断预测。通过 SHAP 分析评估特征影响，发现核形状特征对 DLBCL 和典型霍奇金淋巴瘤最具鉴别性。
LymphoML 在淋巴瘤诊断上的准确性如何？
LymphoML 在有限量的 H&E 染色组织上达到了与病理学家使用全层切片图像相当的诊断准确性，并在跨越 8 个淋巴瘤亚型的 670 个病例的危地马拉数据集上胜过黑匣子深度学习。
CLASSMix 模型是什么？它用于什么任务？
CLASSMix 是一种半监督分类模型，全称为 Contrastive Learning with Adaptive Stain Separation and MixUp，结合了基于适应性染色分离的对比学习和混合学习，在肾细胞癌数据集上展示了优越性能。
NuInsSeg 数据集包含哪些内容？
NuInsSeg 是一个大规模手工标注的细胞核数据集，包含来自 31 个人和小鼠器官的 665 个图像补丁，超过 30,000 个手动分割的细胞核，并首次提供了整个数据集的模糊区域掩模。
如何利用深度学习将 H&E 染色转换为特殊染色以辅助肾病诊断？
通过应用有监督学习的计算机染色转换技术，将经典的血红蛋白与嗜酸性染色（H&E）转换为肾脏穿刺活组织检测中的不同特殊染色，从而改善多种非肿瘤性肾脏疾病的初步诊断质量，并减少医疗系统和患者的时间和成本负担。
3D 相位成像生成虚拟 H&E 图像的技术原理是什么？
该研究结合 3D 量化相位成像技术和非监督生成对抗网络管道，将未修改的厚组织的 qOBM 相位图像映射到类似于 H&E 的 vH&E 图像，有望节省肿瘤筛查、检测、治疗指导等时间、费用和人力。
