一种用于多路亮场免疫组织化学图像干扰研究的新型生成式人工智能方法

多路亮场成像的优势在于可以在单张切片上同时分析多个生物标志物，而非在多张连续切片上进行单一生物标志物标记。为了准确分析定位于同一细胞区室的多个生物标志物，我们选取了两组代表性生物标志物集合作为检测模型——cMET-PDL1-EGFR 和 CD8-LAG3-PDL1，其中所有三种生物标志物可以共定位在细胞膜上。分析此类检测最关键的初步阶段之一是识别每个独特显色剂在单个细胞上的分布。由于所有三种生物标志物的膜染色共定位，这是一个具有挑战性的问题，需要先进的颜色解混技术，为每种生物标志物从三通道图像创建等效的单通道图像。在本项目中，我们开发了一种基于循环生成对抗网络（cycle-GAN）的方法，用于解混上述检测生成的三通道图像。为每种染色——Tamra（紫色）、QM-Dabsyl（黄色）和绿色——设计了三种不同的模型来生成单通道图像。本方法的一个显著新颖之处在于，网络的输入为光密度域中的图像，而非传统使用的 RGB 图像。光密度域的使用有助于减少合成单通道图像中常出现的模糊现象。cycle-GAN 模型在 cMET-PDL1-EGFR 检测的 10,800 张肺、胃和结肠图像以及 CD8-LAG3-PDL1 检测的 3,600 张结肠图像上进行了验证。视觉和定量评估表明，与人工审查结果相比，所提出的方法有效且高效，并且可方便地应用于各种多路检测。