基于深度学习的乳腺组织无标记虚拟HER2免疫组化染色

人表皮生长因子受体2（HER2）生物标志物的免疫组化（IHC）染色广泛应用于乳腺组织分析、临床前研究和诊断决策，指导癌症治疗与发病机制研究。HER2染色需要组织技术员进行繁琐的组织处理和化学处理，通常在实验室内需要一天时间来制备，增加了分析时间及相关成本。在此，我们描述了一种基于深度学习的虚拟HER2 IHC染色方法，使用条件生成对抗网络进行训练，以快速将未标记/无标记的乳腺组织切片的自身荧光显微图像转换为明场等效显微图像，匹配在同一组织切片上化学完成的标淮HER2 IHC染色。该虚拟HER2染色框架的有效性通过定量分析得到证明：三位获委员会认证的乳腺病理学家盲法评估虚拟染色和免疫组化染色的HER2全切片图像（WSIs）的HER2评分，结果显示通过检查虚拟IHC图像确定的HER2评分与免疫组化染色的对应结果一样准确。由同一诊断医师进行的第二项定量盲法研究进一步表明，虚拟染色的HER2图像在核细节水平、膜清晰度以及无染色伪影方面，与其免疫组化染色的对应图像具有可比的染色质量。该虚拟HER2染色框架绕过了实验室内昂贵、繁琐且耗时的IHC染色流程，并可扩展至其他类型的生物标志物，以加速生命科学和生物医学工作流中使用的IHC组织染色。