UCLAは、仮想染色結果の再現性を向上させる双方向ブラウン橋拡散モデルをリリースしました。
イメージング質量分析法（IMS）は、ラベルフリーであること、複数分子の同時イメージングが可能であること、そして空間局在と定量化を組み合わせることなどの利点から、生物学において広く利用されてきました。従来の質量分析法と比較して、IMSは生物組織中の分子種を非標的かつ高度に多重化された方法でマッピングし、組織、細胞、さらには細胞内レベルにおける複数の成分の分布を可視化することができます。IMSの高い空間分解能は、薬物標的の局在、代謝物の空間分布、そして薬物産生メカニズムの研究において大きな可能性を示しており、転移性癌、アルツハイマー病、パーキンソン病といった主要疾患の診断と検出を進歩させます。
IMSは分子を広範囲にカバーし、高い化学的特異性を持っていますが、ほとんどの IMS プラットフォームには顕微鏡レベルの空間分解能と細胞形態のコントラストが欠けており、追加情報なしで分子プロファイルを正確な細胞特性に直接結び付けることは困難です。この制限に対処するため、研究者らは、IMS データと光学顕微鏡法を組み合わせたマルチモーダル法を提案し、IMS データの空間的鮮明化、サンプル外分子分布の予測、顕微鏡法の特徴に基づく IMS 由来の分子スペクトルのマイニングを通じて IMS データの解釈可能性を高める IMS-顕微鏡法統合法を開発しました。
しかし、組織化学染色の明視野画像や免疫蛍光画像にマルチモーダル手法を依存すると、実験の複雑さが増します。UCLAの研究チームは、拡散モデルに基づく仮想組織染色法を提案しました。この手法は、空間分解能を向上させ、ラベルフリーのヒト組織の質量分析画像に細胞形態のコントラストをデジタル的に導入するものです。これにより、低解像度のIMSデータに基づいて高解像度の細胞組織病理構造を予測することが可能になり、分子組織学におけるIMSマルチモーダル法のワークフローが簡素化されます。さらに、この研究では、拡散モデルの推論プロセス中に最適化されたノイズサンプリングを使用して、再現可能な仮想カラーリングを実現しました。
関連の研究成果は、「イメージング質量分析におけるラベルフリー組織の仮想染色」というタイトルで Science Advances に掲載されました。
研究のハイライト:
* ブラウン橋拡散モデル (BBDM) が初めて IMS データに適用され、ラベルのない組織の低解像度のイオン画像から高解像度の仮想染色画像への変換が可能になりました。
* ノイズ サンプリング戦略を最適化し、逆拡散プロセスに決定論的平均サンプリング戦略を導入します。
* 信号対雑音比 (SNR) に基づくチャネル選択戦略を提案し、IMS 分子情報の冗長性と効率的な利用を検証しました。
用紙のアドレス:
公式アカウントをフォローし、「イメージング質量分析染色」と返信すると、完全なPDFが入手できます。
AIフロンティアに関するその他の論文:
ラベルフリー組織質量分析データセットの前処理
本研究で使用したデータセットには、非標識ヒト腎臓組織のイメージング質量分析イオン画像（イオン画像）と、同じ組織サンプルの高解像度明視野画像（明視野画像）が含まれています。各組織サンプルのIMSデータは、横方向間隔10μmのピクセルレベルラスタースキャンを用いて取得され、質量電荷比チャンネルを含む合計1,453枚の単一イオン画像が生成されました。
ピクセルレベルのラスタースキャンによって IMS データを取得した後、高解像度の組織サンプルの明視野画像が対応する IMS イオン画像に登録されます。登録を支援するために、研究チームは IMS データ取得の前後の組織切片の自己蛍光顕微鏡画像も取得しました。
この研究では、生の IMS データの前処理を 4 つのステップに分割しています。
* 生データをカスタムバイナリ形式にエクスポートし、疑似輪郭質量スペクトルに再構築します。
* 内部識別ピークアライメントデータに基づいてスペクトルの不整合を修正します。
* 内部で識別されたピークの理論上の質量を使用してデータセットの質量軸を較正します。
* 総イオン電流法を使用して質量スペクトルとイオン画像を正規化し、すべてのピクセルに基づいて各データセットの平均質量スペクトルを計算するために、正規化補正係数が計算されました。
実験に使用したデータセットには、14人の患者の組織サンプル画像データが含まれています。そのうち、4人の患者のIMS-PAS顕微鏡画像ブロック712組をモデルの学習に使用し、残りの患者のIMS-PAS顕微鏡画像ブロック201組をモデルのテストに使用しました。
双方向ブラウン橋拡散モデルに基づく仮想組織学的染色
本研究では、研究チームは、ブラウン橋拡散モデル（BBDM）のコア生成フレームワークに基づいて、ラベルフリーイメージング質量分析データを仮想染色画像に変換しました。従来のブラウン橋設計とは異なり、拡散モデルは双方向ブラウンブリッジ設計を採用し、その順方向プロセスが従来のノイズ除去拡散確率モデルと逆になることを保証し、対象の高解像度明視野画像から低解像度の IMS 入力画像への劣化を実現します。逆プロセスでは、IMS 入力データに基づいてターゲット イメージを直接再構築できます。
また、ブラウン橋拡散モデルは、サンプリング段階で決定論的な平均サンプリング戦略を採用しており、これにより、生成される画像の一貫性と再現性が向上します。戦略が特定の時点に達すると、標準ランダムサンプリングプロセス中に導入された事後ノイズが除去されます。純粋なノイズで終了し、条件付きシグナルのみに依存するモデルと比較して、ブラウン橋拡散モデルはより安定した画像変換を実現します。推論プロセス全体に必要なのは、低解像度のIMSデータのみで、モデルはこれを徐々に除去し、高解像度の仮想染色画像を生成します。
トレーニング後、研究では、トレーニングと検証が行われていない独立した人間の腎臓組織のテスト データセットを使用してブラウン運動橋モデルを評価しました。低解像度の IMS データに基づいて拡散モデルによって生成された仮想染色画像は、実際の明視野染色画像と高い視覚的一貫性を示します。
同時に、主要な腎臓構造も、仮想染色画像と実際の染色画像で非常に類似した結果を示しました。低解像度の IMS データを仮想的にカラーリングする際のブラウンブリッジ フレームワークの堅牢性と優れた一般化能力が完全に検証されます。
仮想染色モデルの性能の定量評価
実験では、仮想染色モデルが空間スペクトルと色分布の分析を通じて優れた超解像機能を備えていることが確認されました。空間スペクトル解析の結果、入力された低分解能質量分析画像と比較して、高解像度画像は全周波数帯域にわたって空間スペクトルが比較的大きく増加しており、分解能が大幅に向上していることが明らかになりました。さらに、仮想染色画像の放射状平均パワースペクトルは高解像度実染色画像のものとほぼ一致しており、生物学的構造の空間周波数特性を正確に再現しています。
同時に、非対合高解像度画像の比較実験により、仮想染色モデルの特異性がさらに検証されました。実験では、非ペアサンプルのスペクトル特性がペア結果のスペクトル特性と大幅に異なり、低解像度と高解像度のペア画像の色ヒストグラムの類似性が非ペアサンプルよりも大幅に優れていることが示され、組織化学染色の固有の色特性を再現するモデルの能力が検証されました。
ラベルフリーIMSデータから生成された仮想染色PAS画像とそのHS対応物との定量的比較
質量分析画像チャンネル数
質量分析イメージングチャンネル数が仮想染色モデルの性能に与える影響を調査するため、本研究ではチャンネル数を変化させた染色戦略を比較しました。研究チームは、固定のテストデータセットに基づき、IMSチャンネル数を変化させた一連の仮想染色モデルを評価しました。各モデルのIMSチャンネル数は363、91、23で、元の1,453チャンネルと比較してそれぞれ4倍、16倍、64倍の削減となりました。チャンネル削減ごとに、以下の3つの異なる選択戦略を評価しました。
* 信号対雑音比優先戦略: 1,453 個のチャネルを信号対雑音比に基づいて降順に並べ替え、最もランクの高いチャネルを選択します。
信号対雑音比: チャネル内のすべてのピクセルの平均/標準偏差。
* 周波数優先戦略：各チャンネルのイオン画像に対して2次元フーリエ変換を実行し、高周波成分と低周波成分の平均パワーの比を計算し、この比に基づいて降順にチャンネルを選択します。
* 均一サンプリング戦略：最初のチャネルから開始し、固定間隔でチャネルが選択されます。例えば、4倍削減の場合は4チャネルごと、16倍削減の場合は16チャネルごと、64倍削減の場合は64チャネルごとなどです。各戦略で選択されるチャネルセットは、対応するモデルの学習およびテストプロセス全体を通じて一貫しています。
評価結果によると、使用される IMS チャネルの数が 1,453 から 23 に減少したため、3 つの戦略における仮想染色モデルのパフォーマンスが低下し、核形態などの重要な特徴が大幅に失われました。この研究では、ピーク信号対雑音比、学習知覚画像パッチ類似度（LPIPS）、ピアソン相関係数を用いてテストセットの定量分析を実施し、仮想染色モデルの忠実度は、チャネル数に応じて大幅に向上します。
3つの異なる選択戦略によって得られた仮想染色画像の視覚的比較
さらに、3つのチャネル選択戦略のうち、信号対雑音比優先戦略と比較すると、周波数優先戦略と均一サンプリング戦略はいずれもパフォーマンス上の大きな利点を示します。仮想染色モデルは、チャネル数が少ない場合に重要な分子情報をより効果的に保存できることが検証されました。
仮想カラーリングモデルの出力変動を低減するためのノイズサンプリング
拡散モデルに基づく仮想染色では、逆拡散過程におけるノイズサンプリングのランダム性が、出力結果の変動の主な原因となる。出力結果の変動に対処するため、本研究では、モデルの微調整を必要としないノイズサンプリングエンジニアリング戦略を提案した。逆拡散終了時のノイズ分散の急増を回避することで、同一の非標識組織視野における仮想染色結果の一貫性が向上する。研究チームは、学習済みブラウン橋モデルに基づく3つのサンプリング手法を比較した。
* バニラサンプリング：標準的な逆拡散プロセス。
* 平均サンプリング: エンジニアリングされた出口ポイント後のノイズ パスを平均化します。
* スキップ サンプリング: プロジェクト終了ポイントの後に、ノイズ除去ネットワークを介して高解像度の明視野画像の対象画像領域を直接予測します。
エンジニアリング出口点とは、拡散モデルの逆生成プロセスにおいて人為的に設定される重要な時間閾値です。これは、ノイズサンプリングパスにおいてランダムサンプリングと決定論的計算戦略を切り替えることで、出力結果のランダム変動を抑制するために使用されます。
本研究では、3つのサンプリング法を5回繰り返し、繰り返した仮想染色プロセス間のピクセル分散係数を計算することで、それらの一貫性を評価しました。元の方法と比較して、平均サンプリングとジャンプサンプリングのどちらの戦略も、サンプリングされた仮想染色画像の分散を効果的に低減しました。
さらに、研究者らは、テスト画像のラベルなし組織領域における全ピクセルの平均ピクセル分散値も計算した。その結果、元のサンプルと比較して、平均サンプリング戦略とジャンプ サンプリング戦略の両方で、出力の分散を効果的に低減でき、この戦略に基づく拡散ベースの仮想染色プロセスが再現可能であることが証明されています。
同時に、ジャンプ サンプリング戦略では、平均サンプリング方法と比較して、平均変動係数の値が低くなります。ただし、平均サンプリング戦略では、染色された組織切片の高解像度画像に対してより高い知覚的類似性を示す結果が生成され、望ましいより低い平均学習知覚パッチ類似性が達成されます。
本研究では、同じ組織領域における異なる推論テストの結果を平均化し、平均サンプリング戦略の性能をさらに評価しました。その結果、平均サンプリング戦略は、画像コントラストよりも高い一貫性が優先されるシナリオにおいてのみ、より優れた性能を示すことが示されました。
3つのサンプリング戦略を使用してすべてのテスト画像フィールドについて計算された平均変動係数
仮想染色分析の新しいパラダイム
拡散モデルに基づく仮想染色技術は、ラベルフリー組織形態解析における新たなパラダイムとして台頭しています。UCLAのAydogan Ozcan教授率いるチームは、これまで拡散モデルと組織染色の統合において数々のブレークスルーを達成してきました。2025年5月には、ブラウン橋拡散モデルを用いてラベルフリー仮想組織染色の空間分解能と忠実度を向上させ、ラベルフリー組織のピクセル単位の超解像仮想染色を実現し、従来のディープラーニングに基づく手法の限界を克服しました。
研究チームは、拡散モデルに基づく画像推論プロセスにサンプリング技術を統合することで、生成された仮想染色画像の分散を大幅に低減しました。研究チームがピクセル超解像仮想染色モデルを、ラベルなしのヒト肺組織サンプルの低解像度自己蛍光画像に盲検適用したところ、解像度、構造類似性、知覚精度の点で、従来の手法を一貫して上回る性能を示すことが示されました。そして4～5倍のピクセル超解像を実現することに成功しました。この研究は、臨床診断の分野における研究に大きな可能性を秘めた新たな道を提供します。
拡散モデリングに基づく非標識組織切片の超解像仮想染色
研究結果は「拡散モデルを用いたラベルフリー組織のピクセル超解像仮想染色」というタイトルで『ネイチャー・コミュニケーションズ』誌に掲載されました。
用紙のアドレス:
https://www.nature.com/articles/s41467-025-60387-z
仮想組織染色技術におけるAIの継続的な進歩により、従来の組織化学染色に伴う煩雑な手順が削減されました。これらの仮想染色された組織画像における幻覚やアーティファクトの可能性に対処するため、Aydogan Ozcan氏のチームは、仮想組織染色とデジタルパソロジーのための自律的な品質および幻覚評価モデル（AQuA）を提案しました。
AQuA は、組織化学染色の真の値を取得する必要なく、組織化学染色の真の値を検出することができます。このシステムは、許容可能な仮想染色組織画像と許容不可能な仮想染色組織画像の検出において 99.81 TP3T の自律精度を達成し、認定病理学者による手動評価結果との 98.51 TP3T 一致を達成しました。さまざまな仮想および組織化学的に染色された人間の組織画像にわたって、幅広い適応性を示します。
このフレームワークは、仮想組織染色の信頼性を高め、デジタル病理学および計算イメージングにおける画像生成・変換タスクの自律的な品質保証を提供します。「仮想組織染色およびデジタル病理学における幻覚検出のための堅牢でスケーラブルなフレームワーク」と題されたこの研究成果は、Nature Biomedical Engineering誌に掲載されました。
用紙のアドレス:
https://www.nature.com/articles/s41551-025-01421-9
仮想染色技術にとどまらず、臨床診断におけるAIの応用はかつてない規模と深さで拡大しています。膨大な医療データを効率的に統合するAIモデルは、がんなどの主要疾患の早期リスク予測の精度向上に貢献しています。AIは臨床効率を向上させるだけでなく、従来の医療評価、意思決定、そして治療モデルにも徐々に変革をもたらしています。