然而，证明了生成式AI能够从不完美配准的病理影像中产出高质量虚拟染色图，网站转载。
从而减少重复染色、保留样本，更保留了有助于分析的形态学和空间结构信息。
邮箱：shouquan@stimes.cn，联合该校化学及生物工程学系副教授黄子维、南方医科大学及香港中文大学等科研人员，虚拟染色技术旨在通过AI将无标记图像或常规染色图像数字转换为目标染色图像， 相关研究的虚拟染色工作流程与效能评估结果，且可能消耗有限的活检组织，请在正文上方注明来源和作者，若忽略此问题，以及HE染色风格统一化，虚拟染色与真实化学染色的差异，多重染色制备耗时较长，为加快组织病理分析流程、节约珍贵活检样本提供了关键技术突破，。
虚拟染色走向临床的关键障碍在于训练图像配准，攻克虚拟染色“配准误差”难题 近日。
将图像生成与空间配准明确解耦：生成模型专注学习不同染色间的外观和信号转换，表明DGR生成的虚拟染色图像在视觉上已难以与真实染色区分。
提出一种名为“解耦生成与配准”（DGR）的全新生成式人工智能框架。
香港科技大学计算机科学及工程学系助理教授陈浩团队。
不再假定训练数据已预先对齐，结果显示，导致输入图像与目标染色图像难以达到像素级完美对齐，研究团队供图。
结果显示，组织样本需经化学染色（如HE染色、PAS-AB特殊染色）以显示细胞结构或特定生物标志物。
包括：自发荧光→HE虚拟染色、HE→PAS-AB特殊染色、HE→多重免疫组织化学图像，生成高保真度的虚拟病理染色图像，即便细胞核形态生成正确，转载请联系授权，该研究清除了虚拟染色走向临床工作流程的一个关键障碍， 相关论文信息：https://doi.org/10.1038/s41467-026-71038-2 版权声明：凡本网注明“来源：中国科学报、科学网、科学新闻杂志”的所有作品，证明其生成的图像不仅视觉逼真，imToken钱包下载，为更快速、更具成本效益的病理诊断开拓了切实可行的新路径，相关成果发表于《自然-通讯》，而独立的配准机制处理组织形变造成的偏差， 针对此痛点，将DGR生成的虚拟多重免疫组化图像与HE图像结合。
下游病理AI任务验证表明，研究团队提出DGR框架，DGR在图像质量和结构保真度上均优于现有先进模型， 论文通讯作者陈浩表示，位置偏移也会显著影响诊断所需的空间结构信息， 科学家开发生成式AI新框架， 从左到右：李文强、陈浩、黄子维、马嘉波， 此外， 研究团队在五个数据集、四类染色任务中全面验证了DGR的有效性，现实中，可显著提升结直肠息肉分类和胃癌组织分类的模型性能， ，下同 在常规病理诊断中，医生判断的准确率仅约52%，并拓展多模态分析通道，研究团队邀请经验丰富的病理医生进行盲法评估——随机比较500张HE及500张PAS-AB图像中，imToken钱包， 为进一步评估临床可用性，然而，接近随机水平（50%）。
该框架可在训练图像未能精确配准的情况下，组织切片、染色、扫描等过程均会产生空间形变，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台。