文献分享∣胃癌诊断新利器：无标记虚拟细胞病理学诊断

这篇文章介绍了一种名为CellGAN的深度学习方法，通过单色受激拉曼散射显微镜实现了无标记的虚拟腹膜灌洗细胞学。CellGAN利用循环一致性生成对抗网络学习单色拉曼图像和H&E染色图像之间的映射，并引入结构相似性损失以提高细胞结构的保真度。该方法在胃癌患者腹水样本上进行了验证，结果显示，虚拟染色细胞与化学染色细胞在诊断一致性方面达到了99.4%的准确率，并具有高结构相似性。此外，该方法还具有应用于单细胞检测和分类的潜力，有望标准化和自动化细胞学诊断。综合来看，CellGAN为无标记虚拟细胞病理学提供了一种有效的方法，具有广阔的临床应用前景。

常规的临床检测方法的缺点

胃癌（gastric cancer, GC）是癌症相关死亡的第三大常见原因。常规的临床检测方法是腹腔灌注细胞学（peritoneal lavage cytology, PLC）：收集腹腔内的灌洗液，并制成细胞涂片进行染色检查，以检测腹腔内的游离癌细胞。这种方法操作简单，但存在一些缺点：例如制作细胞涂片质量不稳定导致结果重复性差，染色过程繁琐耗时，因此需要专门的细胞病理实验室和训练有素的技术人员。

通过无标记方法来进行组织学虚拟病理诊断是一个很好的发展方向，但是现有的方法例如自发荧光成像（autofluorescence imaging, AFI）依赖FAD和NADH等生物分子，在细胞中信号微弱且不稳定；光声显微镜（photoacoustic microscopy, PAM）的空间分辨率不足以进行细胞成像；定量相（quantitative phase, QP）显微镜缺乏化学特异性，无法提供清晰的胞内对比度，深紫外显微镜则会对活细胞产生严重的光损伤。

虚拟受激拉曼细胞学的优势

相比之下，受激拉曼散射显微镜具有亚微米空间分辨率和化学特异性，因此在无标记细胞学检测上具有更高的潜力。本研究开发了虚拟受激拉曼细胞学（virtual stimulated Raman cytology, VSRC），通过虚拟染色模型CellGAN创建虚拟PLC图像。

CellGAN辅助的VSRC工作流程

1. 标本制备、SRS显微镜检查和H&E染色。

2. 图像拼接和配准以构建数据集。

3. CellGAN的训练。

4. 病理学家评估CellGAN辅助的 VSRC。

5. 利用虚拟细胞学图像进行单细胞检测和分类。

由于引入了SSIM损失，CellGAN虚拟染色在染色风格、细胞形态和细胞核质结构等方面的保真度优于UTOM。而且通过对比虚拟染色和化学染色的细胞和切片的诊断结果：在细胞级别上，虚拟染色和化学染色的诊断一致性高，准确率99.4%；在切片级别上，虚拟染色和化学染色的诊断准确率93.8%。说明基于CellGAN虚拟染色的细胞在细胞和切片级别上均与化学染色有高度一致的诊断结果。通过后续的单细胞分析模型训练，验证了虚拟染色细胞诊断结果的有效性，并展示了虚拟染色在数字化病理工作流程中的潜力，验证了虚拟染色的诊断价值。

对虚拟染色细胞进行定性和定量分析

因此，本文提出了一种基于单色受激拉曼散射显微镜和深度学习的无标记虚拟细胞病理学诊断方法。该方法使用单色拉曼数据生成虚拟细胞染色图像，实现了高标准的细胞核和细胞浆染色。经临床医生评估，虚拟染色细胞诊断准确率达到99.4%，与传统染色方法高度一致。此外，该方法在虚拟切片上实现了高精度的单细胞检测和分类。总的来说，该技术为胃癌诊断提供了标准化、精确的虚拟细胞病理学诊断，具有很好的临床转化前景。