传统组织病理学在疾病诊断中至关重要，依赖于对组织样本进行化学染色以突出细胞结构，供病理学家在显微镜下检查。然而，这一“组织化学染色”过程劳动密集、耗时、昂贵且对组织具有破坏性。
为克服这些局限，“虚拟染色”作为一种强大的计算工具应运而生，它能够将未染色组织的图像转化为等效于化学染色样本的图像，而无需使用物理染料或化学程序。
在《自然通讯》上发表的一项研究中，加州大学洛杉矶分校（UCLA）的研究团队报告了一种AI工具，该工具能够以远超输入图像分辨率的方式对未标记组织样本进行虚拟染色，且无需任何化学染料或染色步骤。
通过利用一种受布朗桥过程启发的前沿扩散模型，该方法生成了高度详细且准确的组织微观图像，从而在数字领域替代传统的组织化学染色，为数字病理学提供了一种非破坏性、经济高效且可扩展的替代方案。
这种像素超分辨率虚拟染色技术将无标记组织切片的低分辨率自发荧光图像转换为高保真、更高分辨率的明场图像——忠实地复制了其组织化学染色的对应物，例如常用的苏木精和伊红（H&E）染色。
通过实现四到五倍的空间分辨率提升，这种虚拟染色方法显著增强了生成的H&E染色组织图像的视觉质量和诊断实用性。
这项工作的另一个重要方面在于其能够控制扩散模型的固有随机性。通过包括均值采样和平均技术在内的新颖采样策略，团队大幅减少了图像间的差异，确保临床诊断所需的稳定性和可重复性输出。
“扩散模型功能强大，但它们的随机性是一把双刃剑，”资深作者Aydogan Ozcan教授表示。“我们引入了一种驯服这种随机性的方法，在推理过程中为我们提供了控制和一致性，这对临床应用至关重要。”
在对人类肺组织样本进行盲测时，基于扩散模型的像素超分辨率虚拟染色模型在分辨率、结构相似性和感知准确性方面均优于现有方法。一位获得认证的病理学家确认，AI生成的图像与组织化学染色的对应物在各种组织特征上完全一致。
这项新技术的稳健性还通过成功迁移到人类心脏组织样本得到了进一步展示，在不同器官类型中保持了高准确性和分辨率。这种基于扩散模型的虚拟染色方法消除了化学染色的需求，节省了时间、资源，并保留了组织完整性。
这一创新可以显著加速数字病理学工作流程，特别是在资源有限或时间紧迫的临床环境中。
通过将像素超分辨率与虚拟染色相结合，这种AI驱动的方法为高分辨率数字病理学开辟了新的可能性，让我们离无需实验室长椅堆满试剂的精准医疗更近一步。
这项研究突显了生成式AI模型在计算病理学中的变革性影响，并为无标记组织的高质量、一致虚拟染色设定了新标准。
(全文结束)
