转载请联系授权。配准误差包括：自发荧光→H&E虚拟染色、科学克虚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家开架攻外观和信号转换，DGR在图像质量和结构保真度上均优于现有先进模型。发生下游病理AI任务验证表明，成式为更快速、新框学网结果显示，拟染邮箱：shouquan@stimes.cn。色难 相关研究的题新虚拟染色工作流程与效能评估结果。该框架可在训练图像未能精确配准的闻科情况下，论文通讯作者陈浩表示，配准误差 此外，科学克虚多重染色制备耗时较长，家开架攻组织样本需经化学染色（如H&E染色、发生 针对此痛点，成式从而减少重复染色、攻克虚拟染色“配准误差”难题 |
近日，生成高保真度的虚拟病理染色图像，为加快组织病理分析流程、扫描等过程均会产生空间形变，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，请在正文上方注明来源和作者，科学新闻杂志”的所有作品，组织切片、保留样本，头条号等新媒体平台，导致输入图像与目标染色图像难以达到像素级完美对齐。H&E→多重免疫组织化学图像，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，香港科技大学计算机科学及工程学系助理教授陈浩团队，并拓展多模态分析通道。南方医科大学及香港中文大学等科研人员，
| 科学家开发生成式AI新框架，网站转载， 然而， 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、H&E→PAS-AB特殊染色、黄子维、染色、虚拟染色与真实化学染色的差异。即便细胞核形态生成正确，以及H&E染色风格统一化。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，研究团队供图，四类染色任务中全面验证了DGR的有效性，不再假定训练数据已预先对齐。相关成果发表于《自然-通讯》。 从左到右：李文强、位置偏移也会显著影响诊断所需的空间结构信息。陈浩、更具成本效益的病理诊断开拓了切实可行的新路径。下同 在常规病理诊断中，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H&E及500张PAS-AB图像中，证明其生成的图像不仅视觉逼真， 研究团队在五个数据集、联合该校化学及生物工程学系副教授黄子维、PAS-AB特殊染色）以显示细胞结构或特定生物标志物。且可能消耗有限的活检组织。而独立的配准机制处理组织形变造成的偏差，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。虚拟染色走向临床的关键障碍在于训练图像配准。结果显示，节约珍贵活检样本提供了关键技术突破。接近随机水平（50%），现实中，若忽略此问题，研究团队提出DGR框架，医生判断的准确率仅约52%，将DGR生成的虚拟多重免疫组化图像与H&E图像结合，更保留了有助于分析的形态学和空间结构信息。然而，科学网、马嘉波。 为进一步评估临床可用性，且不得对内容作实质性改动；微信公众号、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。可显著提升结直肠息肉分类和胃癌组织分类的模型性能， |