免疫组化（IHC）病理图像虚拟染色，通过将临床常用的H&E染色图像转换为特定分子标志物表达的IHC图像，为病理诊断提供了更丰富的信息。然而，AI虚拟染色技术的发展面临数据空间异质性、临床诊断先验的忽视等挑战。

近日，凯发k8深圳先进技术研究院在病理图像智能分析领域取得进展，提出一种非平衡自信息特征传输生成对抗网络，成功攻克弱配对条件下IHC虚拟染色的空间异质性与病理语义失准难题，显著提升虚拟染色结果的内容一致性与临床诊断价值。

团队首次将自信息挖掘与非平衡最优传输引入病理虚拟染色，提出了一种基于非平衡自信息传输的弱配对训练方法，通过引入全新的间接学习策略，规避了传统模型中因弱配对图像优化所导致的“病态解逆”问题。此方法显著提升了虚拟染色的病理表达可靠性与准确性。

团队还提出了独特的间接学习策略，绕开对弱配对图像直接优化的限制，从而有效提升了模型训练的稳定性和病理表达的精准性。

团队首先在MIST、IHC4BC两大国际公开乳腺病理数据集开展系统实验分析。结果显示生成的虚拟染色结果在细胞结构完整性、染色强度分布以及肿瘤区域表达模式方面均与真实IHC染色高度一致，肿瘤细胞核与细胞质的表达边界清晰，背景区域抑制良好，整体呈现出良好的病理语义一致性。团队还验证了虚拟染色图像的质量与临床适用性。

该研究完全消除弱配对数据的负面影响，为无标注、弱配对病理虚拟染色提供全新范式，有望应用于乳腺癌等肿瘤快速分型、靶向药物筛选、病理AI质控等场景，加速数字病理智能化与普惠化进程。

相关研究成果发表在IEEE Transactions on Image Processing上。研究工作得到国家重点研发计划、国家自然凯发k8基金、凯发k8青年创新促进会会员项目等的支持。

论文链接

弱配对数据的挑战以及自信息挖掘的潜力

不同虚拟染色方法在多种IHC生物标志物上结果对比示意