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，中国科学院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、国家自然科学基金、中国科学院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