病理小白也能懂：用QuPath玩转HE和IHC双染色切片，从看懂颜色到做出报告
第一次拿到HE和IHC染色切片时，那些蓝色、粉色和棕色的斑块看起来就像抽象画。作为医学生或刚入门的科研人员，你可能既兴奋又困惑——这些颜色到底在说什么？别担心，今天我们就用QuPath这款开源工具，带你从颜色识别一路走到专业报告生成。
1. 染色原理：HE与IHC的视觉语言解码
1.1 HE染色：细胞世界的"基础地图"
想象HE染色（苏木精-伊红）是给细胞拍证件照：
- 苏木精：专染细胞核，呈现深蓝色，就像给每个细胞标注了身份证
- 伊红：着色细胞质，显示粉红色，勾勒出细胞的轮廓形态
这种染色能清晰展示：
核形态 → 判断细胞类型和病理变化 组织结构 → 观察组织层次和异常排列1.2 IHC染色：分子级别的"GPS定位"
DAB显色的IHC染色则是特异性的分子探测器：
- 棕色沉淀：标记目标蛋白的位置，就像在细胞地图上插满小旗
- 颜色深浅：反映抗原表达量，越深表示目标蛋白越多
关键区别：HE展示结构，IHC揭示功能。两者结合就像同时拥有地图和导航仪。
2. QuPath入门：零基础操作指南
2.1 软件准备与数据导入
- 从QuPath官网下载最新版本
- 获取示例数据：
- 推荐使用OpenSlide测试样本
- 或导入自己的
.ndpi、.svs等格式切片
// 基础导入代码示例 def imagePath = "/path/to/your/image.ndpi" def imageData = QuPathGUI.getInstance().getImageData() def server = ImageServerProvider.buildServer(imagePath, BufferedImage.class) imageData.setServer(server)2.2 界面导航速成
- 工具栏：画笔/矩形/椭圆工具用于区域标注
- 分析面板：设置检测参数和运行分析
- 层级管理：组织Annotations和Detections
3. HE切片分析：从识别到量化
3.1 细胞检测全流程
- 选择
Brightfield H&E预设 - 调整细胞检测参数：
- 核半径：7-15μm（对应约5-10像素）
- 强度阈值：根据染色深浅微调
| 参数 | 推荐值 | 作用 |
|---|---|---|
| Background Radius | 8 | 背景扣除强度 |
| Median Filter | 2 | 降噪程度 |
| Sigma | 1.5 | 边缘检测敏感度 |
- 运行
Cell Detection后：- 蓝色轮廓=核区域
- 可导出细胞密度、核质比等指标
3.2 高级技巧：区分不同细胞类型
- 上皮细胞：核大且圆，胞质丰富
- 间质细胞：核梭形，胞质少
- 炎症细胞：核分叶状，体积小
提示：先用
Annotations标注典型区域，再训练分类器批量识别
4. IHC分析：精准量化蛋白表达
4.1 DAB信号检测关键步骤
- 切换至
Brightfield DAB模式 - 设置阳性判断标准：
- 光学密度阈值：0.2-0.5（依抗体调整）
- 最小区域面积：10像素²
// 阳性细胞检测脚本片段 setColorDeconvolutionStains('{"Name" : "H-DAB default", "Stain 1" : "Hematoxylin", "Stain 2" : "DAB", "Stain 3" : "Null", "Background" : " 255 255 255"}') selectAnnotations() runPlugin('qupath.imagej.detect.cells.PositiveCellDetection', '{"detectionImageBrightfield": "Optical density sum", "requestedPixelSizeMicrons": 0.5, "backgroundRadiusMicrons": 8.0, "medianRadiusMicrons": 0.0, "sigmaMicrons": 1.5, "minAreaMicrons": 10.0, "maxAreaMicrons": 400.0, "threshold": 0.1, "maxBackground": 2.0, "splitByShape": false, "cellExpansionMicrons": 5.0, "includeNuclei": true, "smoothBoundaries": true, "makeMeasurements": true}')4.2 结果解读与验证
- H-Score计算：(1×弱阳性%) + (2×中度阳性%) + (3×强阳性%)
- 阳性率陷阱：避免忽略弱表达区域
- 对照检查：必须设置阴性对照切片
5. 双染色联合分析实战
5.1 共定位分析技巧
- 先分析HE结构确定感兴趣区域
- 在同一区域进行IHC量化
- 使用
TMA Dearrayer处理多切片数据
| 分析目标 | HE参数 | IHC参数 |
|---|---|---|
| 肿瘤区域 | 核异型性 | PD-L1表达 |
| 微环境 | 淋巴细胞浸润 | CD8+细胞密度 |
5.2 报告生成与可视化
- 动态图表：右键检测结果→
Show Detection Measurements - 导出格式：
- CSV表格：用于统计分析
- PNG截图：标注关键区域
- PDF报告：包含所有量化指标
// 自动生成报告脚本 import qupath.lib.exporters.PdfExporter def exporter = new PdfExporter() .imageData(imageData) .dpi(300) .outputPath("/path/to/report.pdf") exporter.run()6. 避坑指南与效率提升
刚开始用QuPath时，我总在细胞分割这一步卡壳。后来发现调整Sigma参数就像调显微镜焦距——数值太小会过度分割，太大又容易漏掉真实信号。另一个常见错误是直接套用别人的参数预设，其实每张切片的染色质量都不同，建议先用View→Show Brightfield Histogram检查染色分布。
对于批量处理，可以创建这样的工作流：
- 预处理：统一白平衡和背景校正
- 粗筛：低倍镜(10x)快速扫描全片
- 精析：高倍镜(40x)聚焦关键区域
- 复核：人工抽查10%结果确保准确性
最后分享一个冷知识：QuPath的Pixel Classifier其实能识别染色瑕疵区域，自动排除分析干扰。这功能在处理老旧切片时特别有用，能节省大量手动排除时间。
