组织病理学是用于诊断疾病的主要方法之一。在医学筛选过程之后，患者可以进行活组织检查，其中移除一块组织用于进一步检查和诊断分析。然后将该组织样本切成薄片，其厚度为百万分之一米。这些薄的组织切片在微观尺度上包含关于患者状况的诊断信息。

然而，它们在标准光学显微镜下几乎没有显示出对比度。为了揭示嵌入组织内部的这些微观特征并为病理学家的检查带来明显的对比，在150多年前的病理学中已经发明了各种组织染色方法。这些组织染色程序使用不同类型的彩色染料，专门标记组织中的微观结构，形成丰富多彩的标本图像，已被广泛应用于现代医学的黄金标准诊断方法。

然而，这种染色组织标本的标准过程是费力的且昂贵的，而且需要专门的实验室基础设施，化学试剂以及训练有素的人员。此外，目前使用的染色方法不保留组织样品，这是一个限制，因为在初始染色过程之后不能简单进行组织样品的高级分子分析。

加州大学洛杉矶分校的研究人员开发了一种基于深度学习的方法，在未染色的组织切片中拍摄天然存在的荧光化合物的显微图像，并将这种“自动荧光”图像数字化转换为相同组织的等效图像，就好像它是在标准组织染色过程。

换句话说，这种基于深度学习的方法实际上是对未标记的组织样本进行染色，取代了通常由组织技术人员或医务人员进行的处理和染色步骤，通过使用训练有素的神经网络代替组织技术人员执行的大部分任务，节省了人力、成本和时间。



这种新的虚拟染色方法的成功证明了不同的染色和人体组织类型，包括唾液腺，甲状腺，肾，肝和肺的切片。虚拟染色过程的功效由一组经过认证的病理学家独立评估，他们对检查图像的来源不知情，因此病理学家不知道哪些图像实际上是由专业技术人员染色的，哪些图像是被神经网络染色的。

结论显示，染色质量和由两组图像产生的医学诊断没有临床显著差异。这种虚拟染色过程由深度学习提供支持将大大降低成本和样品制备时间，同时还可节省人力。由于它只需要标准的荧光显微镜和简单的计算机（如笔记本电脑），因此在资源有限的环境和发展中国家的病理学需求方面尤其具有变革性意义。

该研究发表在Nature Biomedical Engineering上，研究人员表示，“这项技术有可能从根本上改变临床组织病理学工作流程，使组织染色过程非常快速和简单，无需专业技术人员或先进的医学实验室。这种强大的基于AI的虚拟染色框架也可用于手术室，以快速评估肿瘤边缘，为手术期间的外科医生提供关键的指导。”

这种虚拟染色方法的另一个主要影响是整个染色过程的标准化，因为经过训练的神经网络也消除了技术人员和医学实验室中观察到的染色变异性，这可能导致活检的误诊和错误分类。