投稿或寻求报道：qunfunction@163.com
肿瘤外科手术的目标是完全切除肿瘤，但在术后使用金标准的H&E染色组织学方法时常会发现阳性边缘。有时会进行冰冻切片分析以快速评估术中边缘，尽管已知这种方法存在不准确性。 在此，作者介绍了一种基于超紫外光声远程感测和散射显微镜的无标记组织学成像方法，并结合了使用周期一致性生成对抗网络进行无监督深度学习以实现真实的虚拟染色。未染色的组织以最高7分钟/cm²的速度进行扫描，分辨率相当于400倍数字组织病理学。 定量验证表明，在良性及恶性前列腺和乳腺组织中，该方法与传统组织学具有高度一致性。在诊断效用研究中，在乳腺样本中展示出平均灵敏度和特异性分别为0.96和0.91，在前列腺样本中分别为0.87和0.94。还在病理学家的盲测调查中发现，虚拟染色的质量优于冰冻切片分析（P = 0.03）。
由于促炎巨噬细胞向抗炎巨噬细胞的复极化受损，传统的骨组织工程材料难以在糖尿病期间恢复生理性骨重塑。
![]()
图1：所提出的UV-PARS虚拟组织学与金标准组织学工作流程的比较。a 传统的手术至组织病理学工作流程（顶部）比较了冰冻切片与福尔马林固定石蜡包埋（FFPE）组织的方法，而深度学习驱动的无标记组织学方法（底部）则能够绕过组织制备和/或染色步骤，快速获得虚拟组织学图像。b 结合的UV-PARS和UV散射显微镜系统的简化系统图，该系统能够分别提供同时的吸收和散射对比度。M 镜子，L 镜头，BS 分束器，HBS 和频分束器，RO 反射物镜，PD 光电二极管。c PARS机制的可视化。![]()
图2：CycleGAN原理与深度神经网络架构。a 使用未配对的数据集进行无监督训练，其中包括虚拟图像X和真实的亮场H&E染色图像Y。前向和反向生成器变换GH&E和GUV与相应的鉴别器DH&E和DUV一同训练，这些鉴别器逐渐提高其区分生成的合成图像与真实输入样本的能力。每个循环一致性损失和对抗损失函数所使用的图像被标出。b 在CycleGAN模型中所使用的组成深度卷积神经网络的详细架构。K 表示卷积核大小，S 表示卷积步长。
![]()
图3：基于深度学习的真实虚拟组织学。a 未染色的乳腺组织图像。f 未染色的前列腺组织图像。比例尺：200 μm。b UV散射通道数据。d UV-PARS通道数据。（c）虚拟组织学图像，以及（e）对应于（a）图中虚线框插图的真实H&E染色亮场组织学图像。比例尺：50 μm。g UV散射通道数据，（i）UV-PARS通道数据，（h）虚拟组织学图像，以及（j）对应于（f）图中虚线框插图的真实H&E染色亮场组织学图像。比例尺：50 μm。
参考：
https://www.nature.com/articles/s41467-023-41574-2
https://github.com/junyanz/pytorch-CycleGAN-and-pix2pixzz
投稿或寻求报道：qunfunction@163.com
