基于组织自发荧光的深度学习虚拟染色技术在肺与心脏移植活检无标记评估中的突破性应用

针对器官移植活检传统染色流程耗时耗力、组织损耗大等问题，研究人员开发了基于深度学习的虚拟染色神经网络组，将无标记组织切片的自发荧光图像转化为H&E、MT和EVG染色图像。盲法评估显示，虚拟染色图像质量与化学染色相当，诊断一致性达82.4%（肺）和91.7%（心脏），为移植排斥诊断提供了高效、低成本的创新解决方案。

　　

器官移植是终末期器官衰竭的主要治疗手段，但移植后排斥反应仍是威胁患者生存的重要因素。据统计，29%的肺移植患者和25%的心脏移植患者在术后一年内会发生急性排斥反应。目前，组织活检结合传统化学染色（如H&E、MT、EVG）仍是诊断排斥反应的“金标准”，但这一流程存在诸多痛点：需多张连续切片分别染色导致结构错位、微小组织样本易产生人工假象、染色结果受实验室间差异影响，且染色后的组织无法重复利用。

针对上述问题，研究人员开发了一套基于生成对抗网络(GAN)的虚拟染色系统，通过4通道自发荧光成像（DAPI/TxRed/FITC/Cy5）输入，生成与化学染色等效的H&E、MT和EVG图像。研究纳入45例肺移植和51例心脏移植患者的活检样本，训练集包含5,958张高分辨率图像块（总计~258 GB数据），测试集规模达~3.85 TB（肺）和~2.39 TB（心脏）。

关键方法

1. 多模态图像配准：采用刚性配准-仿射变换-弹性金字塔的三步法实现自发荧光与化学染色图像的亚像素级对齐；
2. 结构约束GAN模型：U-Net架构生成器配合判别器，损失函数融合L1损失、总变差(TV)约束和对抗损失；
3. 临床验证设计：由3名认证病理学家对虚拟/化学染色图像进行双盲评分（1-4分制）和诊断一致性分析。

主要结果
虚拟染色图像质量

• 肺组织H&E虚拟染色在核细节、胞质细节评分上显著优于化学染色（P<0.001），MT和EVG染色无统计学差异；
• 心脏组织虚拟染色质量与化学染色相当，其中H&E染色在核细节呈现上更优（平均分3.2 vs. 3.0）。

诊断一致性

• 肺移植活检诊断一致率82.4%（17/23例），心脏移植达91.7%（22/24例）；
• 虚拟染色可规避4例化学染色失败样本的假阴性风险（图S20）。

技术优势

• 单次扫描生成多染色图像，消除相邻切片的结构异质性（图1）；
• 处理速度<30秒/平方厘米，显著快于传统染色数小时的流程；
• 染色风格标准化，解决实验室间批次差异问题（图S21-S22）。

讨论与意义
该研究首次将虚拟染色技术应用于毫米级移植活检样本，突破了传统方法对微小组织的技术限制。通过保留原始组织的纳米级结构信息，虚拟染色不仅解决了化学染色的人工假象问题（如组织挤压、染色不均），还能为下游AI辅助诊断提供标准化数据输入。值得注意的是，研究团队通过严格的训练数据筛选（剔除PSNR<16或SSIM<0.6的样本）和迭代配准策略，确保了模型在临床场景中的鲁棒性。

发表于《BMEF (BME Frontiers)》的这项成果，为移植排斥的快速诊断开辟了新途径。未来研究需扩大样本量以覆盖不同排斥分级，并探索该技术在自动化病理分析中的应用潜力。虚拟染色技术有望重构器官移植监测体系，实现从“组织消耗型”到“数字保存型”诊断模式的转变。