小罗碎碎念
本期推文主题：免疫组化
这一期的推文很有意思，看完第一篇文献就知道了——兽医写的与免疫组化相关的内容——普渡大学兽医学院比较病理学系。
最近一直在了解免疫组化与HE之间的关系，在阅读文献的时候，无意间看到了第一篇文献。如果你是医学生，那么大概率做过动物实验，对于小鼠肯定不陌生。我很清楚，我的阅读受众中不完全是研究肿瘤的，或者说研究肿瘤的，手里也不一定只有患者的HE，或许还有小鼠的HE。（其实小鼠的HE比患者的HE更容易获取）
那么问题来了，如何将小鼠的HE也纳入到我们现有的病理AI研究体系中，又或者能不能在这上面做一些文章？我觉得临床的人可以好好思考一下这个问题。
第二篇是一篇关于3D病理研究的，是我在介绍了哈佛发表在Cell的那篇3D病理以后，再次介绍的一篇有关3D病理的文章，想做这方向的可以去看看。
第三篇则是清华大学发表的一篇乳腺癌免疫组化相关的内容，想从普通的HE生成ki-67染色的图像，代码开源，数据不提供。
一、临床｜免疫组化技术在疾病研究中的应用与技术进展
一作&通讯
| 角色 | 姓名 | 单位名称（英文） | 单位名称（中文） |
|---|---|---|---|
| 第一作者 | J. A. Ramos-Vara | Department of Comparative Pathobiology, College of Veterinary Medicine, Purdue University | 普渡大学兽医学院比较病理学系 |
| 通讯作者 | J. A. Ramos-Vara | Animal Disease Diagnostic Laboratory and Department of Comparative Pathobiology, Purdue University | 普渡大学兽医学院比较病理学系及动物疾病诊断实验室 |
文献概述
这篇文章是关于免疫组化（Immunohistochemistry, IHC）技术在疾病诊断、预后评估、治疗决策以及疾病发病机制研究中的应用及其技术细节的全面综述。
IHC技术通过利用抗体对特定抗原的高特异性结合，使得在细胞或组织切片中可视化目标蛋白成为可能。这项技术不仅在疾病的诊断中发挥着关键作用，还在预测疾病进程（预后）、指导治疗方案选择（治疗决策）以及揭示疾病发生的根本原因（疾病发病机制研究）方面具有重要价值。
文章首先强调了在整个IHC操作流程中实现标准化的必要性，这包括从生物样本的收集、处理、染色到最终结果的解读和报告。标准化的目的是为了减少不同实验室之间的操作差异，确保结果的可比性和可重复性，这对于科学研究和临床实践都至关重要。
在技术层面，文章详细讨论了以下几个关键方面：
-
抗原-抗体反应：这是IHC技术的核心，涉及到抗体与目标抗原之间的特异性结合。抗体是免疫系统产生的蛋白质，能够识别并结合特定的外来物质，如病毒或细菌上的抗原。
-
固定技术：组织样本在处理前需要固定，以保持其结构和抗原的完整性。固定剂的选择和固定时间对IHC结果有显著影响。延迟固定可能导致抗原降解，而过固定或未固定则可能影响抗体的结合。
-
抗原检索方法：由于固定过程中可能发生抗原结构的改变，抗原检索技术被用来恢复或增强抗原的可检测性。这通常通过热处理或使用特定的化学试剂来实现。
-
检测系统：IHC检测系统包括直接和间接方法，它们利用酶标记的二级抗体来放大信号，使得抗原-抗体反应可以在显微镜下被观察到。
-
自动化IHC：随着技术的进步，自动化IHC设备的出现大大提高了染色过程的效率和结果的一致性，减少了人为操作的变异。
-
多重免疫染色技术：这项技术允许在同一组织切片中同时检测多个抗原，这对于理解复杂生物过程中多种分子的相互作用尤为重要。
-
质量保证/质量控制：为了确保IHC测试的准确性和可靠性，文章讨论了实施质量保证和质量控制措施的重要性，包括使用适当的阳性和阴性对照，以及定期对实验操作进行审核和校准。
文章最后指出，尽管IHC技术在人类医学领域已经相对成熟，但在兽医领域，尤其是在动物疾病诊断和研究中，仍然需要进一步的研究和标准化工作。
作者提出了一些改进和标准化实验室操作的建议，以提高IHC在兽医实践中的应用效果。这些建议包括优化固定和染色程序、选择高质量的抗体和检测试剂，以及建立严格的质量控制标准。
通过这些措施，可以确保IHC技术在兽医领域中发挥其最大的潜力，为动物健康和疾病管理提供支持。
二、交叉｜前列腺癌风险分层的新策略：3D病理学与深度学习技术的融合
一作&通讯
| 作者角色 | 作者姓名 | 单位名称（中文） |
|---|---|---|
| 第一作者 | Weisi Xie | 华盛顿大学机械工程系 |
| 通讯作者 | Jonathan T.C. Liu | 华盛顿大学机械工程系，华盛顿大学实验医学与病理学系，华盛顿大学生物工程系 |
文献概述
在这篇开创性的研究文章中，科学家们探索了一种创新的方法，即利用非破坏性的三维(3D)病理学技术结合深度学习算法，来提升前列腺癌风险评估的准确性。
这种方法的核心在于对前列腺组织进行立体成像和分析，而不是像传统方法那样仅依赖于二维(2D)的组织切片。三维病理学能够提供更为全面和细致的视角，从而有助于更准确地识别和评估癌症特征。
研究团队开发了一套先进的工作流程，该流程采用了一种新型的荧光染色技术，这种技术可以快速且成本效益高地模拟传统的苏木精和伊红(H&E)染色。苏木精和伊红染色是一种在病理学中广泛使用的技术，它可以清晰地显示细胞和组织的形态结构，是病理诊断的基石。在本研究中，研究人员使用的荧光类似物不仅保持了H&E染色的视觉效果，而且通过荧光信号的增强，使得在3D成像中的识别更为敏感和准确。
为了处理和分析这些复杂的3D病理数据，研究者们设计了一种名为图像翻译辅助的三维分割（ITAS3D）的深度学习算法。ITAS3D算法能够自动识别和分割出前列腺腺体的三维结构，而无需进行繁琐的人工注释或依赖于免疫标记。免疫标记是一种常用的生物标记技术，它可以特异性地标记特定的生物分子，但这一过程往往耗时且成本较高。ITAS3D算法的开发，使得研究人员能够在无需这些预处理步骤的情况下，直接从3D图像数据中提取有价值的病理信息。
通过对50个前列腺切除手术存档样本中的300个活检组织进行成像和分析，研究人员验证了他们的方法。这些样本中，有118个被证实含有前列腺癌。研究结果表明，与2D病理分析相比，利用3D腺体特征进行风险评估可以更有效地预测患者的临床生化复发结果，这对于低至中危前列腺癌患者的风险分层尤为关键。
此外，这项研究还展示了如何利用光学清除技术处理组织样本，使其对光透明，从而可以在三维空间内进行成像。结合高通量的光片显微镜技术，研究人员能够获取到整个活检样本的详尽3D病理数据集。这些数据集的获取和分析，为病理学家提供了前所未有的视角，使得他们能够更全面地理解癌症的形态和分布。
文章还强调了3D病理数据集在临床预后评估中的重要价值。与传统的2D病理切片相比，3D病理数据集能够提供更为精确的组织结构分割和量化，揭示出在二维视角下难以观察到的复杂三维结构特征。这些特征对于理解癌症的侵袭性、扩散模式以及对治疗的响应具有重要意义。
总之，这项研究不仅在技术上取得了突破，而且为前列腺癌的诊断和治疗提供了新的视角和工具。通过将深度学习算法与先进的成像技术相结合，科学家们能够更准确地评估癌症风险，从而为患者提供更为个性化和精准的治疗建议。随着技术的进一步发展和完善，计算3D病理学有望在未来的临床实践中发挥更大的作用，为前列腺癌患者带来更有效的治疗方案。
代码&数据
- 代码链接：
- GitHub 代码库：https://github.com/WeisiX/ITAS3D
- 作用：这个代码库包含了深度学习模型的 Python 代码，以及基于合成CK8数据集的三维腺体分割。这些代码是实现图像翻译辅助的三维分割（ITAS3D）方法的核心，该方法用于在不需要手动注释的情况下，对前列腺组织进行自动分割。
- 数据集：
- 前列腺图像示例：用于测试 ITAS3D 代码和模型的示例前列腺图像存放在上述 GitHub 代码库中。
- 完整的三维前列腺成像数据集：文章中提到，这些数据集可以根据合理的请求提供，并且需要建立材料转移或数据转移协议。
三、交叉｜病理一致性约束生成对抗网络：一种用于癌症诊断的H&E到Ki-67染色转换方法
一作&通讯
| 作者类型 | 作者姓名 | 单位名称（中文） |
|---|---|---|
| 第一作者 | Shuting Liu | 清华大学深圳国际研究生院生命与健康学部 |
| 第一作者 | Baochang Zhang | 德国慕尼黑工业大学计算机辅助医学程序（CAMP） |
| 通讯作者 | Tian Guan | 清华大学深圳国际研究生院生命与健康学部 |
| 通讯作者 | Yonghong He | 清华大学深圳国际研究生院生命与健康学部 |
文献概述
这篇文章提出了一种名为病理一致性约束生成对抗网络（PC-StainGAN）的新方法，用于在资源有限的地区将病理学中的H&E染色图像转换为Ki-67染色图像，以提高癌症诊断的效率和准确性。
苏木精-伊红（H&E）染色是一种广泛使用的技术，它能够使细胞核呈现蓝色或深紫色，而细胞质和细胞外基质则呈现粉红色。这种染色方法成本较低，易于获取，但它在区分正常细胞与癌细胞方面的对比度并不总是足够。
为了提高诊断的准确性，免疫组化（IHC）染色，如Ki-67染色，被用来进一步标记和区分细胞的特定属性。Ki-67是一种细胞增殖标记，其染色结果与癌症的临床进程密切相关。
然而，IHC染色过程耗时且成本较高，这在资源有限的地区尤其成问题。为了解决这一难题，研究者们开发了一种新的无监督学习方法，即病理一致性约束生成对抗网络（PC-StainGAN），它能够在不需要成对染色图像的情况下，从H&E染色图像生成Ki-67染色图像。这种方法不仅能够减轻病理学家的工作负担，还能够提高癌症诊断的效率和准确性。
PC-StainGAN的主要贡献可以概括为以下几点：
-
对抗学习策略：文章提出了一种创新的对抗学习策略，它能够在没有成对训练数据的情况下，学习从H&E图像到Ki-67图像的转换映射。这对于资源有限的地区尤其有价值，因为它减少了对昂贵IHC染色的依赖。
-
结构相似性约束和跳跃连接：为了提高生成图像的质量，研究者引入了结构相似性约束，这是一种衡量图像结构信息保留程度的指标。此外，跳跃连接被用来在网络的编码器和解码器之间直接传递信息，从而更好地保留原始图像的结构细节。
-
病理一致性约束和病理表示网络：这是文章的一个创新点，首次提出了病理一致性约束的概念。通过这种约束，可以确保生成的图像在病理学特征上与原始图像保持一致。病理表示网络用于提取和学习图像中的病理学特征，这对于确保图像转换后的临床有效性至关重要。
-
数据集验证和性能评估：研究者在两个不同的未配对组织病理学数据集上验证了PC-StainGAN的有效性，包括神经内分泌肿瘤和乳腺癌数据集。此外，该方法在面对不平衡数据集时也展现出了良好的性能和鲁棒性，这表明它能够在实际临床环境中可靠地工作。
文章还详细阐述了PC-StainGAN的网络架构，包括其编码器-解码器结构和病理表示网络，以及如何通过对抗性损失、循环一致性损失、病理一致性损失和基础空间对齐损失来训练模型。这些损失函数共同作用，以确保生成的图像在视觉上和病理学上都与目标域的图像一致。
在实验部分，文章展示了PC-StainGAN在不同数据集上的应用结果，并与其他方法进行了比较，证明了其优越性。此外，文章还探讨了模型的临床可靠性，并对未来的研究方向提出了展望，包括模型架构的优化、超参数的调整、多域转移的探索，以及采用联邦学习模式进行训练，以解决数据隐私和访问难题。
总的来说，这篇文章为病理学图像分析领域提供了一种新的工具，它有潜力改善全球范围内的癌症诊断服务，特别是在资源有限的环境中。随着技术的进一步发展和验证，PC-StainGAN可能会成为病理学家和临床医生的宝贵辅助工具。
代码&数据
- 代码链接：https://github.com/fightingkitty/PC-StainGAN
- 作用：这是PC-StainGAN方法的官方代码库，由作者提供，用于公开分享他们的研究成果。代码库通常包含实现算法所需的所有源代码、预训练模型、训练脚本和可能的示例数据。这有助于提高研究的透明度和可重复性。
文章中没有明确提到具体的数据集链接，但提到了两个数据集：神经内分泌肿瘤数据集和乳腺癌数据集。这些数据集被用来训练和评估PC-StainGAN模型的性能。数据集的具体信息如下：
- 神经内分泌肿瘤数据集：包含150张H&E染色图像和相同数量的Ki-67染色图像，这些图像未配对，用作训练集。另外，还有15张由病理学家标注的图像用作专家知识数据库。
- 乳腺癌数据集：包含160张H&E染色图像和160张Ki-67染色图像作为训练集，同样大小为3000×3000像素。还有20张由病理学家标注的图像用作专家知识数据库。
