近日，物理系/国重季敏标教授课题组与华山医院合作，发展了一种基于深度学习的受激拉曼散射虚拟病理染色方法，在新鲜脑肿瘤手术标本上实现了标准石蜡病理图像的智能生成与精准诊断。相关研究成果以《受激拉曼循环生成对抗网络模型用于新鲜脑组份的虚拟for malin固定-石蜡包埋染色》（“Virtual formalin-fixed and paraffin-embedded staining of fresh brain tissue via stimulated Raman CycleGAN model”）为题发表于《科学·进步》[Science Advances, 10，eadn3426 (2024)]。博士生刘至杰为论文第一作者，该工作得到华山医院毛颖教授的大力支持，季敏标教授为通讯作者。本项研究得到科技部重点研发专项，基金委面上项目，表面物理国家重点实验室和复旦大学医工结合项目等基金的支持。

图1 基于深度学习的受激拉曼虚拟染色方法

    在脑肿瘤切除手术中，需要对组份标本进行快速的病理诊断以辅助术中决策的制定。传统术中冰冻切片病理需半小时左右，但由于冰冻切片和染色过程产生易破坏组织造成伪影，染色质量不理想，导致诊断准确率不高。而病理金标准方法需经历for malin固定、石蜡包埋、切片、以及苏木精和伊红（H&E）染色等繁杂流程，耗时三天以上，无法用于术中诊断。受激拉曼散射（SRS）显微成像技术可以进行无需切片/染色的快速分子成像，前期研究表明通过对生物组份中的脂质和蛋白成分进行双通道成像可有效的获取组织学信息，有望提供高质量的术中病理图像。然而目前SRS结果与H&E染色在图像信息上相差较大，无法被病理医生直接识别，因此若能通过图像算法将SRS转换为病理医生熟识的H&E染色结果将大大推进受激拉曼病理显微镜的临床转化与应用。

    由于无标记SRS与金标准石蜡H&E染色图像在分子机理和成像原理上的差别，实现两者之间的完美转换一直是个较大的挑战。目前常用的算法只是通过简单的颜色映射使SRS图像模拟出与H&E染色近似的效果，但基于脂质/蛋白的SRS成像与基于核酸/蛋白的H&E图像存在分子成分对比度上的本质差异，简单颜色映射无法解决这个问题。通用的深度学习生成对抗网络需要一一配对的图像作为训练集，但由于石蜡本身能产生很强的拉曼干扰信号，SRS很难对石蜡组份切片进行保真成像。因此，如何利用非配对的SRS和H&E图像训练集构建深度学习网络，实现用新鲜组份的SRS图像来预测石蜡切片的H&E染色结果，是本课题需攻克的难点。

   合作团队开发了一种强弱监督结合的深度学习模型“Stimulated Raman CycleGAN（SRC-GAN）”，先通过色彩映射生成少量与传统H&E近似的SRS图像用于强监督学习，以优化模型学习色彩映射的能力，再通过大量非配对的SRS与H&E图像进一步将模型映射迁移到真实的石蜡病理图像特征上。在此基础上，合作团队实现了3分钟内在新鲜组份上生成石蜡金标准质量的虚拟H&E染色图像（图1）。进一步利用该方法，团队在大量人脑胶肿瘤手术标本上进行验证，结果展示SRC-GAN模型生成的受激拉曼虚拟染色图像可媲美标准石蜡H&E，可被病理医生准确识别出关键的脑肿瘤组份学和细胞学特征，且对脑胶质瘤亚型的诊断效果显著超过冰冻切片。

此项研究结果打破了传统虚拟染色方法对配对图像数据集的依赖，有望将虚拟染色拓展到更一般的成像技术上，并为脑肿瘤术中快速病理诊断提供了创新性的方法。

论文链接：https://www.science.org/doi/10.1126/sciadv.adn3426