羅詩(shī)歡，劉智明，楊必文，郭周義

（華南師范大學(xué)生物光子學(xué)研究院，廣州 510631）

組織樣本的組織學(xué)分析是疾病診斷中應(yīng)用最廣泛的方法之一。生化染色過程（染色批次、染色量、時(shí)間、切片厚度和染色方法）會(huì)導(dǎo)致物理顏色的變化，而顏色的變化也可能受成像和數(shù)字化參數(shù)［光照、（反）聚焦、成像分辨率和放大倍數(shù)的變化、顯微鏡或掃描儀類型和檢測(cè)器的光譜靈敏度］等因素的影響［1-2］。這些過程中的任何一種因素變化都可能改變顏色。為了克服這些顏色變化對(duì)后續(xù)任務(wù)的影響，逐個(gè)像素調(diào)整圖像顏色值，使得源圖像的顏色分布?xì)w一化為目標(biāo)圖像的顏色分布，此步驟被稱為“染色歸一化”。組織圖像的染色歸一化技術(shù)可以用于處理染色的異質(zhì)性和視覺觀察的數(shù)字組織病理學(xué)切片的表觀。虛擬染色是指將無標(biāo)記組織切片的圖像轉(zhuǎn)換為與組織學(xué)染色的相同樣本的明場(chǎng)或熒光顯微鏡圖像等效的圖像。這種無標(biāo)記的虛擬染色方法繞過了組織化學(xué)染色過程，簡(jiǎn)化了病理和組織學(xué)領(lǐng)域的制備程序，能夠節(jié)省時(shí)間和成本。而在實(shí)際研究過程中，有限的可用標(biāo)記數(shù)據(jù)阻礙了組織病理圖像的訓(xùn)練，基本的圖像增強(qiáng)操作（如旋轉(zhuǎn)、翻轉(zhuǎn)、顏色混合）沒有考慮未標(biāo)記數(shù)據(jù)的特征，以及標(biāo)記數(shù)據(jù)與未標(biāo)記數(shù)據(jù)之間的差異可以為數(shù)據(jù)生成提供有用的信息，所以對(duì)未知和未標(biāo)記的數(shù)據(jù)自動(dòng)生成增強(qiáng)訓(xùn)練樣本很有必要。本文介紹了組織學(xué)病理圖像在深度學(xué)習(xí)中的染色歸一化、虛擬染色和組織病理圖像增強(qiáng)，并對(duì)組織學(xué)病理圖像染色處理的應(yīng)用做出了展望。

1 染色歸一化

1.1 常規(guī)染色歸一化

直方圖染色歸一化會(huì)把噪聲和重要像素值視為同等重要，會(huì)引入相當(dāng)多的視覺偽影。Reinhard等［3］在Lab顏色空間中進(jìn)行一組線性變換，提出了將圖像各通道的均值和標(biāo)準(zhǔn)差與目標(biāo)的均值和標(biāo)準(zhǔn)差進(jìn)行匹配的染色歸一化方法。不過該方法的源圖像背景亮度沒有完全保留，最終可能會(huì)降低源圖像的對(duì)比度。Roy等［4］提出的改進(jìn)Reinhard方法可以保留源圖像的所有顏色變化（甚至是紅粉色點(diǎn)）。Aswathy等［5］提出一種結(jié)合光源歸一化和染色歸一化的雙階段歸一化，以解決活檢過程中染色不協(xié)調(diào)和成像質(zhì)量差異導(dǎo)致活檢標(biāo)本顏色變化的保真度問題。這兩個(gè)模塊既可以獨(dú)立執(zhí)行，也可以逐個(gè)執(zhí)行。除了獨(dú)立執(zhí)行的方法，多邊緣Wasserstein重心法［6］可以將額外的圖像作為中間參考在顏色分布空間中進(jìn)行，能夠不依賴于像素的數(shù)量，可以很容易地?cái)U(kuò)展到整個(gè)全視野玻片圖像（whole slide images，WSIs）上。

組織樣品一般采用多種染料染色，可以對(duì)不同染料染色區(qū)域進(jìn)行分離［7］。顏色反卷積是將RGB顏色空間轉(zhuǎn)換為另一個(gè)對(duì)組織進(jìn)行染色的染色定義的顏色空間，可以分離兩種或三種顏色的組合。自適應(yīng)顏色反卷積（adaptive color deconvolution，ACD）［8］算法考慮了染色的多重先驗(yàn)知識(shí)，可以同時(shí)估計(jì)顏色分離和歸一化的參數(shù)，在求解ACD模型和應(yīng)用過程中只涉及到像素級(jí)操作，效率高，適用于WSIs的染色分離和染色歸一化?；诜指詈途垲惒呗缘募?xì)胞結(jié)構(gòu)檢測(cè)算法的染色顏色自適應(yīng)歸一化（stain color adaptive normalization，SCAN）［9］，可用于血紅素毒素和伊紅染色的組織學(xué)切片全自動(dòng)染色分離和歸一化，可以在不改變管腔顏色和背景的情況下，提高組織與背景的對(duì)比度，保存局部結(jié)構(gòu)。由于SCAN是基于Macenko等［10］提出的方法，該方法需要獲取至少放大5倍的圖像，否則初步的染色分離可能會(huì)失敗。當(dāng)輸入圖像中不存在蘇木素和伊紅（hematoxylin-eosin，H&E）這兩種染色中的其中一種時(shí)也可能會(huì)分離失敗。所以，SCAN算法的局限性與輸入圖像的尺寸和染色內(nèi)容有關(guān)。

1.2 基于深度學(xué)習(xí)染色歸一化方法

常規(guī)染色歸一化圖像處理方法選擇參考模板時(shí)，嚴(yán)重依賴領(lǐng)域?qū)＜业膶I(yè)知識(shí)，而深度神經(jīng)網(wǎng)絡(luò)和生成模型的發(fā)展為染色歸一化提供了新的途徑。基于全局顏色匹配的直方圖規(guī)范和Reinhard等［3］的方法，染色無法正確分離會(huì)引入一些人工因素。Macenko等［10］使用監(jiān)督式的像素級(jí)染色分離的方法，需要在訓(xùn)練集中添加先驗(yàn)信息。全局染色歸一化Vahadane方法[11]和結(jié)構(gòu)保持染色歸一化（structure-preserving color normalization，SPCN）等無監(jiān)督染色分離方法不能保證源圖像的全部顏色信息?；贑ycleGAN［12］的深度學(xué)習(xí)方法能夠解決以上問題，但是，CycleGAN在實(shí)際環(huán)境中掩蓋了許多染色組織中的特征，模型泛化的可能性方面并不理想。因此，Jose等［1］總結(jié)了在保留源圖像內(nèi)容的情況下的新型生成對(duì)抗網(wǎng)絡(luò)（generative adversarial networks，GANs）方法，根據(jù)圖像風(fēng)格修改輸入圖像的顏色風(fēng)格。顏色轉(zhuǎn)移被認(rèn)為比傳統(tǒng)的染色正?；椒ǜ行В?3］。顏色轉(zhuǎn)移是在不同的數(shù)據(jù)集中轉(zhuǎn)移組織圖像的染色表觀，以避免批量效應(yīng)導(dǎo)致的顏色變化。而GANs是染色歸一化的一種完全不同的策略，GANs方法的有效性大大優(yōu)于經(jīng)典的染色正?；椒?，是最近幾年的首選方法。StainGAN［14］在無監(jiān)督設(shè)置下受CycleGAN［12］啟發(fā)，對(duì)染色表觀進(jìn)行轉(zhuǎn)移，獲得了與目標(biāo)域的高度視覺相似性。Kang等［15］提出了一種比StainGAN快40倍以上，可以在40 min內(nèi)歸一化10萬×10萬張幻燈片圖像的Stain-Net方法，在保留光源結(jié)構(gòu)的同時(shí)，根據(jù)參考圖像的顏色表觀改變?cè)磮D像染色矩陣的顏色表觀。參考圖像是由病理學(xué)家手工選擇的，不同的參考圖像可能會(huì)影響最終的歸一化結(jié)果，而StainNet避免了選擇參考圖像的困難。首先，StainGAN將源域到目標(biāo)域的圖像歸一化。然后，將StainGAN處理后的歸一化圖像設(shè)為Ground Truth來訓(xùn)練StainNet，源域的圖像通過StainGAN返回到目標(biāo)域，對(duì)于來自目標(biāo)域的圖像也執(zhí)行相同的反向處理。StainNet是一個(gè)1×1全卷積神經(jīng)網(wǎng)絡(luò)，它可以直接將圖像從源域映射到目標(biāo)域，其框架如圖1所示。因?yàn)镾tainGAN需要不同染色的成對(duì)圖像來學(xué)習(xí)染色分布之間的映射關(guān)系，所以Gutierrez等［16］基于Park等［17］的研究對(duì)該方法的修改提出了一種染色風(fēng)格轉(zhuǎn)移到另一種染色風(fēng)格的方法——StainCUT，可用于進(jìn)行無配對(duì)圖像到圖像的轉(zhuǎn)換。StainCUT使用對(duì)比學(xué)習(xí)方法進(jìn)行訓(xùn)練，不依賴于CycleGAN方法。

圖1 StainNet的框架［15］Fig.1 The framework of StainNet［15］

為解決輸入圖像的質(zhì)量敏感、不適應(yīng)海量病理數(shù)據(jù)智能處理的要求的問題，可添加一些新的技術(shù)集成到染色歸一化里面，從而實(shí)現(xiàn)更優(yōu)的歸一化效果。比如，在單生成網(wǎng)絡(luò)（single generative networks，SGNet）訓(xùn)練的染色模型［18］中引入僅使用基準(zhǔn)H&E圖像來訓(xùn)練染色模型的新組件，應(yīng)用基于清晰度-亮度-飽和度的預(yù)增強(qiáng)來削弱批處理效果和規(guī)范化染色顏色，在卷積層和上采樣層之間添加最大池化層和位置歸一化動(dòng)態(tài)矩捷徑（positional normalization dynamic moment shortcut，PONO-DMS）操作，以優(yōu)化網(wǎng)絡(luò)性能。MultiPathGAN［19］基于對(duì)抗學(xué)習(xí)的無監(jiān)督多域圖像平移網(wǎng)絡(luò)，以歸一化多個(gè)WSIs域之間的染色變化。而自我注意對(duì)抗性染色歸一化（selfattentive adversarial stain normalization，SAASN）［20］方法將多個(gè)染色表觀歸一化到一個(gè)共同的領(lǐng)域。這種無監(jiān)督生成式對(duì)抗方法包含自我注意機(jī)制，以更精細(xì)的細(xì)節(jié)合成圖像，同時(shí)在翻譯過程中保持活檢特征的結(jié)構(gòu)一致性。

2 虛擬染色

2.1 虛擬熒光染色成像

化學(xué)熒光染色具有耗時(shí)和需要標(biāo)記等缺點(diǎn)，虛擬熒光染色建立計(jì)算模型來學(xué)習(xí)未標(biāo)記的顯微鏡圖像和標(biāo)記的熒光圖像之間的關(guān)系，并推斷不包括物理染色過程的其他顯微鏡圖像的熒光標(biāo)記。Liu等［21］提出的全局像素變壓器層可產(chǎn)生任意維度的輸出，并可用于所有常規(guī)、下采樣和上采樣操作，并將全局像素轉(zhuǎn)換器層和密集塊結(jié)合起來，構(gòu)建一個(gè)類似U-Net的網(wǎng)絡(luò)，可用于未標(biāo)記顯微圖像的虛擬染色，對(duì)各種熒光圖像預(yù)測(cè)任務(wù)進(jìn)行評(píng)估，定性定量的評(píng)估結(jié)果都比現(xiàn)有模型［22］的準(zhǔn)確度更高。

熒光圖像顯示的信號(hào)強(qiáng)度與熒光分子的數(shù)量一般呈線性關(guān)系，而真正的H&E染色玻片的正常亮場(chǎng)成像本質(zhì)上是對(duì)測(cè)量染料分子的吸光度，且其吸光度與染料分子濃度呈對(duì)數(shù)關(guān)系。Simonson等［23］通過建模去調(diào)整輸入圖像的光亮度和光強(qiáng)度對(duì)輸出圖像的影響，產(chǎn)生的RGB通道形成最終的虛擬H&E映像，通過省略伊紅圖像（E），可以看到一個(gè)虛擬的僅蘇木素染色的圖像（H）。通過免疫染色組織切片進(jìn)行空間分辨分子分析是癌癥診斷、分型和治療的一個(gè)關(guān)鍵特征。Burlingame等［24］提出了一種基于深度學(xué)習(xí)的組織學(xué)到免疫熒光快速轉(zhuǎn)換（speedy histological-to-immunofluorescent translation，SHIFT）方法。該方法將H&E染色組織的組織學(xué)圖像作為輸入，然后在近實(shí)時(shí)返回中推斷出虛擬免疫熒光（immunofluorescence，IF）圖像，該圖像估計(jì)了腫瘤細(xì)胞標(biāo)記物泛細(xì)胞角蛋白（pan-cytokeratin，panCK）的潛在分布。與傳統(tǒng)IF相比，SHIFT模式的優(yōu)勢(shì)包括：1）無需昂貴的成像硬件、批量試劑和IF方案的技術(shù)負(fù)擔(dān)；2）近實(shí)時(shí)生成虛擬中頻圖像；3）SHIFT的可移植性允許它以最小的工作量集成到現(xiàn)有的成像工作流中。Rivenson等［25］在使用GAN進(jìn)行訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)能夠快速輸出幾乎與染色組織圖像無異的熒光圖像，繞過了組織學(xué)中使用的標(biāo)準(zhǔn)化學(xué)染色程序，如圖2所示。

圖2 利用未染色組織的自體熒光進(jìn)行基于深度學(xué)習(xí)的虛擬組織學(xué)染色［25］Fig.2 Deep learning-based virtual histology staining using auto-fluorescence of unstained tissue［25］

2.2 特定功能染色

傳統(tǒng)的組織病理學(xué)工作流程需要漫長(zhǎng)而費(fèi)力的樣品制備以獲得薄的組織切片，導(dǎo)致產(chǎn)生準(zhǔn)確診斷報(bào)告的時(shí)間延遲約1周。Chen等［26］應(yīng)用一種無監(jiān)督生成對(duì)抗網(wǎng)絡(luò)框架，將彩色的紫外表面激發(fā)顯微鏡技術(shù)（microscopy with UV surface excitation，MUSE）圖像轉(zhuǎn)換為Deep-MUSE圖像，使其高度類似H&E染色，可以在5 min內(nèi)獲得典型腦活檢的亞細(xì)胞分辨率MUSE圖像（5 mm×5 mm），并在40 s內(nèi)進(jìn)一步轉(zhuǎn)換為Deep-MUSE圖像。皮膚腫瘤病理診斷的基準(zhǔn)是有創(chuàng)活檢和組織學(xué)染色。Li等［27］使用卷積神經(jīng)網(wǎng)絡(luò)快速將未染色皮膚的活體反射共聚焦顯微鏡（reflectance confocal microscopy，RCM）圖像轉(zhuǎn)換為具有顯微分辨率的虛擬H&E染色樣式的圖像，從而實(shí)現(xiàn)了表皮、真皮-表皮連接層和真皮淺層的可視化。虛擬組織染色程序見圖3。

圖3 常規(guī)皮膚病理（a）和無活檢的虛擬組織染色程序（b）示意圖［27］Fig.3 The schematic diagram demonstrating the conventional (a) and biopsy-free virtual (b) histological staining procedures for skin pathology［27］

臨床實(shí)踐中更常用的是連續(xù)切片，這會(huì)導(dǎo)致不同染色組織切片之間不可避免的錯(cuò)位。Zhang等［28］采用的多框架MVFStain可以通過H&E染色圖像同時(shí)生成多個(gè)虛擬染色組織學(xué)圖像，解決了一對(duì)一的組織病理學(xué)圖像生成網(wǎng)絡(luò)需要反復(fù)訓(xùn)練的問題。MVFStain網(wǎng)絡(luò)結(jié)構(gòu)由兩個(gè)編碼器和一個(gè)解碼器組成，編碼器負(fù)責(zé)編碼內(nèi)容和風(fēng)格，解碼器負(fù)責(zé)解碼H&E染色的結(jié)構(gòu)和目標(biāo)功能染色的顏色空間，綜合利用了多種染色信息，并直接生成了三張?zhí)摂M功能性染色圖像。雖然H&E染色最常用，但特殊的染色劑可以為不同的組織成分提供額外的對(duì)比。Haan等［29］基于監(jiān)督學(xué)習(xí)的染色轉(zhuǎn)換，使用腎針穿刺活檢組織切片，從H&E染色到特殊染色。這對(duì)一些緊急的醫(yī)療條件特別有用，如新月體性腎小球腎炎或移植排斥反應(yīng)，快速和準(zhǔn)確地診斷后迅速開始治療可能會(huì)使臨床結(jié)果得到顯著改善。

2.3 紫外光聲遙感

H&E是最常用的組織學(xué)染色介質(zhì)，蘇木精可將DNA染成紫色，伊紅可將細(xì)胞質(zhì)染成粉紅色。Bell等［30］將250 nm圖像的像素強(qiáng)度映射為紫色，以模擬蘇木精染色，將420 nm圖像映射為粉紅色，模擬伊紅染色；將紫外線光聲顯微鏡（ultraviolet photoacoustic microscopy，UV-PAM）與深度學(xué)習(xí)相結(jié)合，可以為薄切片和厚的新鮮組織標(biāo)本生成虛擬染色的組織學(xué)圖像（稱為Deep-PAM）。由于UV-PAM的組織非破壞性，成像完整的標(biāo)本可以重復(fù)用于其他輔助試驗(yàn)。Kang等［31］對(duì)在傳統(tǒng)組織學(xué)中的福爾馬林固定石蠟包埋切片（7 μm厚）和冷凍切片（7 μm厚）使用Deep-PAM，能快速評(píng)估完整的新鮮組織（15 min內(nèi)，約2 mm厚，表面積為5 mm × 5 mm的組織）。Martell等［32］采用 CycleGAN［12］用作骨干模型，在訓(xùn)練過程中，對(duì)前向路徑和反向路徑進(jìn)行迭代更新，在測(cè)試過程中，使用訓(xùn)練有素的Generator A2B翻譯出高度逼真的虛擬組織圖像。光學(xué)相干層析成像（optical coherance tomography，OCT）和RCM就是這樣兩種具有較高空間分辨率和靈敏度的光學(xué)成像方式，但由于光的散射，其分子特異性較低［33-34］。Restall等［35］使用盲染色分離算法，從真實(shí)的H&E參考圖像中提取H&E的顏色圖譜，在與上述參考圖像進(jìn)行直方圖匹配之前，將獲得的光聲遙感（photoacoustic remote sensing，PARS）和散射數(shù)據(jù)歸一化到0到1之間的值。隨后對(duì)兩個(gè)數(shù)據(jù)集應(yīng)用中值濾波，對(duì)虛擬蘇木素圖像應(yīng)用10%的alpha閾值，然后將其疊加到虛擬伊紅圖像上，并應(yīng)用虛擬彩色圖。該方法具有在3.5 min內(nèi)獲得10 mm ×5 mm的虛擬H&E圖像的能力，允許外科醫(yī)生在手術(shù)過程中選擇進(jìn)行多個(gè)組織切除。

3 病理圖像數(shù)據(jù)增強(qiáng)

深度學(xué)習(xí)方法在分割組織病理學(xué)圖像方面取得了前所未有的高性能。然而，這種方法需要醫(yī)學(xué)專家進(jìn)行注釋，推廣性受到阻礙。由于注釋有限，深度學(xué)習(xí)模型訓(xùn)練通常只覆蓋組織病理學(xué)數(shù)據(jù)空間的有限部分，有標(biāo)簽的數(shù)據(jù)組和沒有標(biāo)簽的數(shù)據(jù)組之間可能存在相當(dāng)大的差異（在表觀上）。Hollandi等［36］通過使用圖像樣式轉(zhuǎn)移，從不包括在訓(xùn)練集中的源圖像中創(chuàng)建具有紋理、顏色和模式元素的逼真的人工樣本圖像，自動(dòng)將該樣式模型適應(yīng)于未知和未標(biāo)記的數(shù)據(jù)，自動(dòng)生成增強(qiáng)訓(xùn)練樣本。這允許模型在新的和不同的試驗(yàn)中有效地識(shí)別細(xì)胞核而不需要專家注釋，使得細(xì)胞核分割的深度學(xué)習(xí)較為簡(jiǎn)單。多模態(tài)無監(jiān)督圖像到圖像的轉(zhuǎn)換框架（multimodal unsupervised image-to-image translation，MUNIT）［37］將圖像表示分解為內(nèi)容和風(fēng)格，并對(duì)提取的潛在圖像內(nèi)容提供一定程度的解釋，不過源域和目標(biāo)域重疊時(shí)不適用。兩幅圖像都來自同一個(gè)數(shù)據(jù)集時(shí)，MUNIT不能將一幅圖像的樣式轉(zhuǎn)移到另一幅圖像上。Wang等［38］設(shè)計(jì)了一個(gè)圖像生成模塊，圖像內(nèi)容和樣式被分離并嵌入到一個(gè)對(duì)集群友好的空間中，通過內(nèi)容和樣式的采樣和交叉組合合成新圖像。相比交叉組合，Yamashita等［39］隨機(jī)選擇的非醫(yī)學(xué)圖像的無信息風(fēng)格取代了組織病理學(xué)圖像的風(fēng)格（包括紋理、顏色和對(duì)比度），以藝術(shù)繪畫、自然成像和組織病理成像作為風(fēng)格來源（前兩者采用與醫(yī)學(xué)無關(guān)的風(fēng)格轉(zhuǎn)移，而后者采用與醫(yī)學(xué)相關(guān)的風(fēng)格轉(zhuǎn)移），研究風(fēng)格來源的差異對(duì)風(fēng)格轉(zhuǎn)移增強(qiáng)術(shù)（style transfer augmentation for histopathology，STRAP）性能的影響，以及風(fēng)格系數(shù)的差異對(duì)STRAP性能的影響，使STRAP取得了更好的性能和泛化能力。Liu等［40］研究了CycleGAN和病理表征網(wǎng)絡(luò)的使用，以克服CycleGAN的弱點(diǎn)，并幫助模型學(xué)習(xí)病理特征，不僅可以處理不同的細(xì)胞分析類型、光照條件和不同的成像方式，還能在增強(qiáng)過程中改變其樣式的同時(shí)保留原始圖像的結(jié)構(gòu)。但是，這些模型只考慮一張圖像作為參考圖像，對(duì)染色向量的數(shù)量或分布進(jìn)行假設(shè)。Moghadam等［41］利用神經(jīng)網(wǎng)絡(luò)提取顏色相關(guān)特征和結(jié)構(gòu)特征。該方法通過利用GAN，不需要參考圖像作為染色轉(zhuǎn)移，也不需要特定的標(biāo)簽來保持結(jié)構(gòu)，只需要目標(biāo)樣式的標(biāo)簽，可以進(jìn)行多對(duì)一的染色轉(zhuǎn)換，且不丟失顏色信息。

4 總結(jié)與展望

組織病理學(xué)圖像被廣泛認(rèn)為是人類癌癥診斷和預(yù)后的黃金標(biāo)準(zhǔn)。深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域的發(fā)展促進(jìn)了人們對(duì)數(shù)字病理分析的研究。本文旨在就深度學(xué)習(xí)方法對(duì)數(shù)字H&E染色病理圖像分析中的應(yīng)用（包括染色歸一化、虛擬染色、數(shù)據(jù)增強(qiáng)等）方面進(jìn)行總結(jié)。之后的研究可以更加關(guān)注以下幾個(gè)方面：1）基于深度學(xué)習(xí)相關(guān)特征的感知染色歸一化，預(yù)處理后圖像相關(guān)性增加，從而可能降低后續(xù)模型的泛化能力，研究顏色和紋理細(xì)節(jié)結(jié)合的生成對(duì)抗網(wǎng)絡(luò)更具優(yōu)勢(shì)，結(jié)合注意機(jī)制、損失函數(shù)、色彩增強(qiáng)去優(yōu)化模型的泛化能力。2）組織虛擬染色可以消除化學(xué)組織染色的不確定性，可作為快檢輔助方法縮短樣本的制作時(shí)間。由于虛擬染色容易引起誤診和分類錯(cuò)誤，需要將虛擬染色技術(shù)應(yīng)用于臨床實(shí)踐，對(duì)其有效性進(jìn)行大規(guī)模的徹底的驗(yàn)證。3）組織病理圖像的生成數(shù)據(jù)是基于某個(gè)特征進(jìn)行生成的，合成的數(shù)據(jù)對(duì)任務(wù)的性能不一定有上升的效果，且采用醫(yī)學(xué)無關(guān)數(shù)據(jù)進(jìn)行風(fēng)格轉(zhuǎn)移可能會(huì)影響數(shù)據(jù)的真實(shí)性。因此，生成足夠數(shù)量的高質(zhì)量標(biāo)簽仍然需要病理學(xué)家付出巨大的努力。