《Sage Open Medicine》:Histochemical stains in diagnostic histopathology: Principles, applications, and artificial intelligence perspectives
编辑推荐:
组织化学染色仍然是诊断组织病理学的基石,其提供的结构和功能信息可补充常规苏木精-伊红(H&E)评估。尽管免疫组织化学、分子诊断和数字病理学取得了进展,传统组织化学染色在检测微生物、细胞外基质成分、黏蛋白、脂质、纤维蛋白、弹性纤维、钙化及病理性组织沉积物
组织化学染色仍然是诊断组织病理学的基石,其提供的结构和功能信息可补充常规苏木精-伊红(H&E)评估。尽管免疫组织化学、分子诊断和数字病理学取得了进展,传统组织化学染色在检测微生物、细胞外基质成分、黏蛋白、脂质、纤维蛋白、弹性纤维、钙化及病理性组织沉积物方面仍发挥着不可或缺的作用。然而,这些染色的诊断应用及其在组织化学染色分析中新兴的人工智能(AI)角色,在当代文献中仍未得到充分阐述。研究人员通过PubMed、Embase、Scopus和Google Scholar进行了一项针对性叙述性综述,以筛选1990年至2026年间发表的同行评审研究、技术报告和指南。研究人员对涉及传统组织化学应用以及新兴数字病理学和基于AI方法的相关文献进行了批判性综合。本综述总结了常用组织化学染色的原理、诊断价值、技术考量及局限性,包括H&E、Gram、Giemsa、Ziehl–Neelsen(ZN)、Grocott–Gomori六胺银(GMS)、过碘酸-Schiff(PAS)、阿尔辛蓝/PAS(AB/PAS)、油红O、Gordon & Sweets、Masson三色(MT)、Verhoeff–Van Gieson(VVG)、Martius Scarlet Blue(MSB)、刚果红、Perls'普鲁士蓝和Von Kossa。本综述还全面概述了目前支持各组织化学染色AI应用的研究证据,重点介绍了H&E、网状纤维和刚果红已获验证的应用,其他多种染色新出现的证据,以及需要进一步研究的重要知识空白。通过将传统组织化学与数字病理学和AI相结合,本综述确定了未来研究优先方向,并强调了组织化学染色作为精准病理学不可或缺组成部分的持续重要性。
主体内容总结
引言
组织病理学诊断从根本上基于对组织架构、细胞形态和疾病特异性结构改变的评估。数十年来,苏木精-伊红(H&E)染色一直是诊断病理学的基石,为几乎所有器官系统的初始组织评估提供了可重复且高效的方法。然而,尽管H&E具有核心地位,其本身在区分微生物、表征细胞外基质成分、鉴别黏蛋白亚型或识别特定病理性蛋白沉积物方面存在固有局限。为弥补这些不足,一系列组织化学特殊染色已被开发并纳入常规组织病理学工作流程,包括Gram、Giemsa、Ziehl–Neelsen(ZN)、Grocott–Gomori六胺银(GMS)、过碘酸-Schiff(PAS)、阿尔辛蓝/PAS(AB/PAS)、油红O、Gordon & Sweets、Masson三色(MT)、Verhoeff–Van Gieson(VVG)、Martius Scarlet Blue(MSB)、刚果红、Perls'普鲁士蓝和Von Kossa等。尽管免疫组织化学、分子诊断和数字病理学取得了重大进展,组织化学染色因其技术简单、周转时间快、成本低和可及性广而仍被广泛依赖。本综述聚焦于常规诊断组织病理学中最常用的组织化学染色及其在数字病理学和人工智能(AI)中已确立或新兴的应用,其新颖之处在于将传统组织化学染色与数字病理学和AI的新发展相整合。
方法
本文设计为叙述性综述,旨在对诊断组织病理学中组织化学染色的原理、诊断应用和新兴AI视角进行全面且批判性的概述。由于目标是综合并批判性讨论现有知识而非进行系统性证据整合,本综述未按系统综述或荟萃分析开展,因此未应用PRISMA指南。研究人员通过PubMed、Embase、Scopus和Google Scholar检索了1990年1月至2026年7月间发表的同行评审文献,检索策略结合了受控词汇和自由文本术语。纳入标准为英文同行评审出版物,描述组织化学染色的原理、诊断应用或数字病理学、计算病理学及AI辅助图像分析的最新进展;排除会议摘要、社论、信件、非同行评审文章、重复发表及仅聚焦于免疫组织化学或分子技术而无直接相关性的出版物。由于属叙述性综述,未进行正式偏倚风险评估。
诊断应用与当代视角
组织化学染色通过提供对组织架构、微生物、细胞外基质成分、代谢产物和病理性沉积物的快速、经济且形态学信息丰富的评估,在常规诊断组织病理学中仍不可或缺。适当染色的选择取决于临床背景和常规H&E切片上识别出的组织形态学特征。
苏木精-伊红
H&E染色仍是组织病理学中首个且最常检查的染色,也是诊断解释的主要基础。其简单性、稳健性和高可重复性促成了其在全球病理实验室的普遍采用。自动化染色平台和标准化试剂进一步提高了染色一致性。除石蜡包埋切片外,H&E仍是冷冻切片分析的首选染色。然而,H&E缺乏识别微生物、细胞外基质亚型、黏蛋白组成或异常蛋白沉积物的特异性。数字病理学和AI的最新进展进一步扩展了H&E染色切片的诊断潜力,深度学习模型可辅助组织分类、肿瘤检测、分级以及有丝分裂活性、核异型性和间质组成等组织学特征的定量评估。在多个器官系统中,AI算法已展示出直接从H&E形态推断分子改变、基因表达特征和临床结局的能力,将常规组织病理学与分子谱分析联系起来。
微生物染色
组织化学染色对于检测和表征组织切片中的感染因子仍至关重要。Gram染色根据细胞壁组成区分细菌,广泛应用于疑似细菌感染的脓肿、肺、胃肠道和软组织标本。基于Transformer的深度学习模型在Gram染色全切片图像上训练后,可准确分类主要细菌形态型。Giemsa染色常用于检测幽门螺杆菌、寄生虫和某些细胞内微生物。AIR-LEISH数据集已支持包括YOLOv8和U-Net在内的深度学习模型开发,用于利什曼原虫无鞭毛体的自动化检测、分割、分类和定量。ZN染色仍是识别抗酸菌(尤其是分枝杆菌属)的基石,AI辅助图像分析已展示出自动化检测组织切片和痰涂片中抗酸杆菌的良好性能。GMS染色是检测组织切片中真菌生物的常用银浸渍技术,通过氧化真菌细胞壁多糖产生醛基,还原六胺银溶液形成黑色沉积物。基于PAS和GMS染色皮肤活检标本的深度学习算法在自动化真菌检测中实现了高达93%的敏感性和99%的特异性。
过碘酸-Schiff
PAS染色是诊断组织病理学中使用最频繁的组织化学染色之一,常被视为H&E之后的主要辅助染色。通过突出碳水化合物、基底膜、糖原和真菌细胞壁,PAS在胃肠、肾脏、肝脏和内分泌病理等多个亚专业中作为高效筛查工具。数字病理学和AI驱动的图像分析已开始支持PAS阳性结构的定量评估,尤其在肾脏和代谢病理学中。
黏蛋白、基底膜和脂质染色
AB/PAS染色可区分酸性和中性黏蛋白,广泛用于胃肠病理学,特别是肠化生的检测和表征。目前尚无专门研究直接将AI应用于AB/PAS染色切片,其AI应用代表潜在未来研究方向而非成熟实践。油红O是一种脂溶性染料,用于在未固定冷冻组织切片中显示中性脂质。由于常规组织处理在石蜡包埋过程中会去除脂质,油红O染色主要在新鲜冷冻标本上进行,广泛用于肝脂肪变性、脂质贮积病、骨骼肌脂质蓄积和脂肪细胞肿瘤的评估。数字图像分析已在研究环境中越来越多地用于客观定量脂质面积和染色强度,但AI辅助分析仍相对有限。
纤维和结缔组织染色
网状纤维染色(Gordon and Sweets法)对于评估骨髓、肝脏和淋巴组织的结构完整性仍不可或缺。VVG染色可可靠显示弹性纤维,广泛用于血管、肺和皮肤病理学。AI辅助图像分析已成功应用于网状纤维染色切片,实现纤维化和结构扭曲的客观定量。在肝细胞癌中,基于深度学习的网状纤维分割已展示出超越常规临床病理参数的预后价值。自动化网状纤维评分在改善骨髓纤维化分级和肝病分期可重复性方面也显示出前景。MT是经典的三色组织化学染色,可区分胶原与肌纤维和细胞质,广泛用于评估肝、肾、心、肺和骨骼肌等器官的组织纤维化。基于MT染色膀胱活检图像的卷积神经网络(CNN)可准确区分肌层浸润性与非肌层浸润性膀胱癌,并与肿瘤分级、病灶大小和肌层浸润显著相关。
纤维蛋白和血栓染色
MSB染色可区分纤维蛋白与肌纤维和胶原,在血栓性和血管病变评估中仍具价值。尽管技术要求高且常规使用较少,MSB提供了难以用H&E或免疫组织化学单独复制的形态学细节。目前尚无研究专门将AI应用于MSB染色切片,其AI分析代表理论上的未来辅助手段。
组织沉积物染色
刚果红仍是淀粉样蛋白检测的金标准染色,在偏振光下具有特征性双折射。AI辅助分析刚果红染色切片(包括荧光全切片成像)已实现淀粉样蛋白沉积物的准确、全数字化检测和定量,与传统方法高度一致。Perls'普鲁士蓝仍是检测组织中三价铁的主要染色,在铁过载、含铁血黄素沉着症和出血相关病理评估中发挥核心作用。目前尚无专门AI研究验证Perls'染色切片的分析。
Von Kossa
Von Kossa染色是一种银还原技术,通过检测与钙沉积物相关的磷酸盐和碳酸盐来显示组织矿化。染色过程中,银离子取代与钙结合的磷酸根离子,随后被还原为金属银,产生指示矿化区域的黑色沉积物。该染色广泛应用于骨病理学、血管病理学、肾脏疾病和软组织钙化。由于Von Kossa直接检测的是磷酸盐而非钙,解释时应结合临床和病理发现,需要直接显示钙时可使用Alizarin Red S等互补技术。数字病理学已促进实验和转化研究中钙化区域的定量评估,但专门的AI应用仍较稀缺。
实践考量:成本、时间与替代方案
组织化学染色因其成本效益高、快速且技术可及而仍被广泛使用。大多数常规特殊染色可在15–60分钟内完成,使用易获得的试剂,可在手动或自动化染色平台上进行。其低单片成本使其在常规诊断、筛查工作流程和资源有限环境中特别有价值。然而,组织化学染色存在与组织固定、处理、试剂质量和染色方案相关的技术变异性,解释也可能依赖观察者。现代辅助技术(包括免疫组织化学(IHC)、原位杂交(ISH)、基于聚合酶链反应(PCR)的检测、下一代测序和数字图像分析)提供更高的特异性、敏感性和定量能力,但成本更高、周转时间更长且需要专门设备和专业技术。在实践中,组织化学染色常作为一线筛查或分诊工具,指导更先进技术的合理且经济有效的使用。
当前AI应用
尽管AI在数字病理学中的应用日益增长,若干组织化学染色仍 largely 未被探索。这种差异可能源于多因素:H&E仍是常规诊断病理学中的主要染色,构成AI开发最大的注释全切片图像来源;而AB/PAS、Perls'普鲁士蓝和MSB等染色用于更特定的临床背景,数字数据集相对有限。此外,染色强度、实验室方案和图像采集的变异性可能降低算法泛化性。公开注释数据集的缺乏也限制了染色特异性AI模型的开发和外部验证。未来研究应优先考虑多中心协作图像库、标准化染色和注释方案、利用预训练H&E模型的迁移学习策略,以及整合组织化学、免疫组织化学和分子数据的多模态AI框架。
未来展望
AI在组织化学染色分析中的应用与H&E计算病理学的广泛发展相比仍处于早期阶段。未来进展将取决于涵盖多种组织化学染色、组织类型和疾病实体的大型、注释良好的多中心图像库的可获得性。染色方案、全切片图像采集、注释策略和性能报告的标准化对于提高算法稳健性、可重复性和跨机构外部验证至关重要。未来研究应将AI应用扩展到代表性不足的组织化学染色(包括AB/PAS、Perls'普鲁士蓝、MSB、油红O和Von Kossa),同时进一步验证MT和GMS的新开发算法。迁移学习、基础AI模型、视觉Transformer和可解释AI等新兴技术可能加速稳健染色特异性算法的发展。整合组织化学图像与免疫组织化学、分子病理学、基因组数据和临床信息的多模态框架为增强诊断准确性、生物标志物发现、预后评估和精准医学提供了机会。最终,前瞻性多中心验证研究、标准化报告指南以及无缝整合到常规数字病理学工作流程,将是AI辅助组织化学染色分析在临床实践中广泛采用之前所必需的。
综述的局限性
本综述存在若干局限性:首先,作为叙述性综述而非系统综述或荟萃分析,文献选择未基于PRISMA框架,未进行正式偏倚风险评估,选择偏倚的可能性不能完全排除。其次,AI在组织病理学领域发展迅速,文献检索完成后可能出现新研究。第三,各组织化学染色的AI辅助分析证据差异显著,仅少数染色有稳健数据。最后,本综述主要聚焦常规诊断组织化学染色及其新兴AI应用,部分特殊染色和高度特异的研究应用超出范围。
结论
组织化学染色在诊断组织病理学中仍不可或缺,为广泛疾病的常规临床诊断提供快速、经济且形态学信息丰富的评估。尽管免疫组织化学、分子诊断和数字病理学取得了重大进展,包括H&E、PAS、Gram、Giemsa、GMS、AB/PAS、网状纤维、MT、VVG、MSB、刚果红、Perls'普鲁士蓝和Von Kossa在内的常规染色在当代病理学实践中继续发挥不可或缺且互补的作用。当前AI应用在H&E、网状纤维和刚果红方面成熟度最高,而MT和GMS的新兴证据展示了计算病理学超越常规组织学的扩展潜力。然而,许多常规使用的组织化学染色在AI研究中仍代表性不足,强调需要大型注释数据集、标准化数字成像方案、多中心验证和可解释AI模型。组织化学与数字病理学、分子诊断和计算分析的持续整合将加强精准病理学,同时保留传统组织化学技术在资源丰富和资源有限医疗环境中的持久诊断价值。