企业官网建设流程全解析

病理AI这股风，刮了好几年，大多数项目做的是分类、分割、预后生存分析，本质上是"看图说话"——从形态学找答案。但hist2RNA这个方向不一样，它试图做一件看起来有点"跨界"的事：直接用乳腺癌H&E染色切片，通过深度学习预测基因表达谱。我第一次看到这个设定时是有点怀疑的，一张染了色的组织切片，凭什么能推出一堆基因的表达量？但自己动手把完整流程跑下来之后，我承认这个思路确实有它的道理，而且在实际项目中相当能打。

这篇博文不聊虚的，把我做模拟项目X时的完整脉络梳理一遍：数据怎么配对、网络怎么搭、评估怎么做、部署时踩了哪些坑。不管是准备入门计算病理，还是想在自己数据集上复现类似方案，都有直接可抄的参考价值。

1. 让病理切片开口说话：hist2RNA想解决的问题，其实比基因预测更实际

1.1 形态学与转录组从来不是两套信息

很多人第一反应是：H&E切片只能看到细胞核、腺管、间质这些形态，基因表达是分子层面的东西，两者隔着十万八千里。但从病理学的角度来看，形态本身就是基因表达程序在显微镜下的投影。肿瘤区域细胞密度高、核异型明显，背后是增殖相关基因的高表达；间质区域疏松，是因为细胞外基质相关基因在起作用；淋巴细胞浸润区域，很自然对应免疫相关转录本的富集。

这意味着，组织形态和转录组之间不是无关的，而是一种多对一的复杂映射关系。hist2RNA要做的，就是用一个足够大的神经网络，把这种映射关系从数据里学出来。它不是从无到有创造信息，而是把形态中隐含的分子信息解码出来。这么说可能有点玄，但实际操作中你会发现，模型学到的attention权重，很多都落在肿瘤巢、免疫浸润边缘这些有明确生物学意义的区域。

1.2 湿实验成本与存量切片之间的死结

为什么不直接做空间转录组测序？因为贵，而且对样本要求高。新鲜冷冻样本才能做，很多医院存档的是甲醛固定、石蜡包埋的组织块，再往前翻，大量历史切片是只有H&E染色的玻片。这些切片没法回补测序，只能躺在档案室里。

如果模型能从已有H&E切片中直接预测基因表达，等于把这些存量数据盘活了。你可以对历史队列做回顾性表达谱分析，先做一次大规模"数字预筛"，筛出值得做昂贵测序的样本，再针对性地做湿实验验证。这个流程对药企靶点发现、biomarker回顾性研究特别有用，成本能降一个量级。当然，hist2RNA不是要替代测序金标准，它的定位是低成本预筛和批量评估，这一点在项目立项初期就要想清楚。

1.3 什么样的团队适合介入这个方向

我个人的看法是：纯算法团队做不转，纯病理团队也做不转，它需要形态学知识、分子生物学背景和深度学习工程能力的交叉。你不要指望单靠一个公开数据集跑个模型就能做出临床可用的东西，真实的落地场景里，数据配对、染色差异、标签噪声这些问题，比模型结构本身难处理得多。如果你有病理科的合作资源，或者能接触到按患者层级切分的大型肿瘤队列数据，这个方向非常值得投入。

2. 切片与表达谱的数据配对：建模前最容易被忽视的地基工程

2.1 从全切片到patch：尺寸、分辨率与组织占比

同一个患者的一张WSI可能有两个GB，直接丢进神经网络是肯定不行的。第一步必须切成patch。我在模拟项目X里的做法是：20倍物镜分辨率下切512×512的patch，保留组织占比超过70%的有效块。这个参数不是随手定的，我做过对比实验——256×256的patch纹理信息不够，模型容易学到局部噪声；1024×1024的patch虽然特征丰富，但训练速度和显存占用翻了几倍，收益却很有限。

切patch的时候有个容易忽略的细节：边缘的组织碎片和空白区域要先过滤。计算组织占比可以用Otsu阈值分割或者简单的亮度统计，把背景区域排除掉。这一步看起来不起眼，但如果不过滤，模型会花大量注意力在无意义的空白区域上，训练效率和最终表现都会受影响。实测下来，加入过滤之后，同样的训练轮数，验证集相关系数能提升2到3个百分点。

2.2 基因标签的配对逻辑：患者级还是区域级

这是整个数据工程里最关键的概念。一张WSI对应一套基因表达谱，但切片上的不同区域，真实表达是有差异的。如果只有患者级的表达谱，你就只能假设这张切片整体代表了这个患者的平均转录状态，然后把同一个标签复制给所有patch。这是一种强假设，但也是绝大多数公开数据集的现状。

如果手上有空间转录组配对数据，那就更理想——每个spot的表达谱可以对应到切片上的小块区域，训练标签的粒度更细，模型的信号也更强。但空间转录组数据量少，通常只能作为辅助训练集或者预训练来源。模拟项目X里用的是患者级标签来训练，区域级数据只用于最后的热力图验证，可以很好地平衡数据量和标签粒度问题。

2.3 数据划分的泄漏陷阱：必须按患者切分

这个坑我见过不少人踩过，而且踩了还不自知。如果做patch级随机切分，同一患者的patch会同时出现在训练集和验证集里，模型相当于见过"半个"验证样本再去做预测，指标会虚高得非常好看，但一上真实场景就崩。正确做法是先把患者列表按比例划分，再在患者内部切patch，保证验证集和测试集里的患者，在训练阶段完全不可见。

还有一个隐蔽的泄漏源：同一个患者在不同时间点、不同部位取的组织块，看起来是独立样本，但形态和表达模式高度相似。如果这些样本横跨训练集和测试集，也属于某种程度的泄漏。所以做划分时，最好用患者维度，而不是样本维度。宁可训练数据少一点，也要保证评估结论是可信的。

2.4 染色归一化与增强：把批次差异按下去

H&E染色的批次效应是绕不开的痛点。不同医院、不同染色批次、不同扫描仪，出来的颜色差异肉眼可见。模型要是把染色风格当作特征去学，泛化能力会很差。我用的方案是Macenko染色归一化，先把每张切片归一化到一个参考切片上，再加上随机的亮度、对比度扰动，作为增强手段。这里有个细节要提醒：归一化的参考切片要从训练集里选，而且要固定住，不能每次换，否则参考信息的泄漏会无声无息地渗进模型里。

增强策略上，随机翻转、旋转90度、小角度旋转都有效，但我建议不要做太强的颜色抖动——组织形态识别的核心是细胞核、腺管结构，颜色过度变化反而会破坏形态语义。经验是染色归一化加轻度几何增强，稳定性和效果最均衡。

3. 网络骨架设计：轻量编码器加注意力池化，如何扛起多基因回归

3.1 整体架构：编码、聚合、回归三段式

hist2RNA的完整流程可以拆成三个部分：patch编码器把每个patch变成特征向量，聚合模块把一张切片的所有patch特征合并成切片级表示，回归头输出一组基因的表达预测值。用伪代码来表达，大概是这个结构：

# 伪代码：hist2RNA 推理主流程 patches = extract_patches(wsi, size=512, mag=20) # [N, 3, 512, 512] patch_features = encoder(patches) # [N, D] agg_weight, agg_feature = attention_pooling(patch_features) # [N, 1], [D] gene_pred = regression_head(agg_feature) # [G]

这套设计的特点是：输入尺度可伸缩，N可以随切片大小变化，训练时可以从每张切片采样固定数量的patch组成batch，推理时则一次性处理整张切片的全部patch。因为每个patch编码时是独立的，前面那层的计算可以分批并行，整体吞吐很容易打上去。

3.2 为什么用轻量CNN做编码器，而不是直接上Transformer

我见过不少团队一上来就想着用视觉Transformer当特征提取主干，理由是基因预测任务复杂，模型越大越准。但真实数据量通常撑不起这种野心：公开的配对数据往往只有几百个患者，每个患者即使切成上千patch，有效信息量和独立样本数也就是几百的量级。在这种数据规模下，Vision Transformer很容易过拟合，而且训练成本和显存占用成倍增长。

我的选择是ResNet-18或者更轻量的MobileNet类主干，输出512维特征就足够了。病理patch内部的形态识别，本质上是纹理和细胞结构特征，浅层CNN完全可以胜任。Transformer类模型可以在聚合阶段使用——用一两个self-attention层对patch特征交互建模，能带来一点收益，但数据量不够时收益很小，我最后也没有保留。记住"efficient"这个定位：结构上够用即可，没必要为了复杂度牺牲可复现性。

3.3 聚合层的取舍：平均池化、注意力池化还是排序池化

聚合层选择很影响最终效果。平均池化把所有patch平等对待，简单稳定，但关键patch的信息会被大量无信息patch稀释；最大池化只关注最显著的patch，容易丢掉分布在多个patch上的联合信号；注意力池化是最好的折中——让模型自己学会给每个patch分配权重。

我实现在聚合层用了一个门控注意力机制，给每个patch生成一个0到1之间的分数，然后对所有patch特征做加权求和。项目X里做了一个小消融：平均池化的基因级相关系数大概0.44左右，最大池化还更低一点，门控注意力能到0.58。差距很显著，而且注意力分数后续还能用来做热力图可视化，一举两得。你如果自己实现，DeepMIL那套attention pooling代码改一改就能直接用。

3.4 回归头与损失设计：防止模型坍缩到均值

基因表达回归任务和一般分类任务最大的不同在于：输出维度很多，而且标签是长尾分布。如果直接套用MSE损失，模型很快会发现一个"聪明"的作弊方式——所有基因都预测训练集的均值，MSE已经很低了，但相关系数几乎是0。这是我在第一次实验里踩到的坑，损失曲线看着一路下降，实际预测结果却毫无用处。

解决办法是组合损失：MSE保证数值准确性，再加上一个Pearson相关损失，鼓励预测谱和真实谱的形状一致。对标签做log1p变换也能显著改善长尾问题——高表达基因和低表达基因的差异达到几个数量级，直接回归原始值会完全被高表达主导。最后，加了一点L2正则让输出控制在合理范围，整体效果比单用MSE强很多。

4. 结果评估的正确姿势：相关系数之外，还要盯住误差与生物学可解释性

4.1 评估协议：按基因算还是按样本算，要分开看

hist2RNA的结果评估，业界没有统一标准，我的建议是双线并行：一是按样本评估，对每个患者，计算预测表达谱和真实表达谱之间的Spearman相关，反映整张切片的预测质量；二是按基因评估，对每个基因，跨患者计算预测值和真实值的相关，反映单个基因的可预测性。

这两个指标会给出完全不同的视角。按样本看，平均相关系数能做到0.6左右，说明整体表达趋势预测得不错；按基因拆开看，会发现大多数基因相关系数在0.3到0.5之间，只有少数标志性基因能上0.7。所以发布结果时，不能只报一个全局漂亮数字，要拆开报告，让读者知道模型的真实能力边界在哪。最好再加一个"top-K高表达基因命中率"——预测出的高表达基因里，有多少真的在真实谱中高表达，这对实际筛选场景更重要。

4.2 哪些基因学得会，哪些基因天生学不会

做误差分析时，把基因按功能分组统计相关系数，能得到一张很有信息量的表。增殖相关基因、免疫标志物基因（比如淋巴细胞标志物）、激素受体相关基因，预测效果都很好，因为这些基因的表达会直接体现在形态上——增殖活跃意味着核分裂象多，免疫浸润意味着淋巴细胞密集。结构性表达基因，比如细胞角蛋白这类管家基因，本身变异不大，相关系数不高但不代表失败。

最难预测的是突变驱动的基因和低表达基因。突变状态在形态上的投影极其微弱，甚至没有投影，模型最多只能学到一些间接关联，相关系数低是正常的。低表达基因因为测量噪声大，预测值和真实值都稳定不到哪里去，相关自然就低。分析这组基因时，你会对"模型上限在哪里"有清醒认识——它学的是组织形态与表达程序的映射，不是基因调控的全过程。

4.3 误差来源与热力图：让模型告诉你它看到了什么

真实切片中，取样位置本身就是误差来源。同一个肿瘤，取材区域不同，切片上的组织构成就不同，配对的表达谱自然不同。如果你有多张重复切片，可以算一下重复样本本身的一致性，这个一致性就是你的标签噪声下限。模型表现是不可能超过标签噪声上限的，这一点在团队对齐预期时一定要讲清楚。

为了验证模型学到的确实是生物学信号，而不是什么伪相关的纹理特征，我会把门控注意力分数映射回切片坐标，叠加到原始病理图像上做热力图。做的结果很有意思：模型对肿瘤巢区域和免疫浸润边缘分配了很高的权重，间质区域的权重相对低。这种可解释性分析很能提高团队和合作方对模型的信任度，远比你拿着一张correlation的散点图去汇报有效果。

5. 从离线实验到真实部署：复现hist2RNA时反复踩过的坑

5.1 三种隐蔽的数据泄漏，比想象中更容易混进实验

第一种是patch级随机切分，前面已经说过了。第二种是染色归一化的参考切片选择不当——如果归一化是在全数据集范围内做的，参考切片的统计信息会隐式参与训练集和测试集，造成信息泄漏。解决办法是先划分训练集，再从训练集内部确定参考切片和统计参数，固定后应用到所有划分。第三种更隐蔽：预处理阶段如果用了全切片级的统计特征（比如全局亮度、对比度，或者全片标准化），这些统计量同样会携带测试集信息。凡是在切片级别做的任何统计计算，都要保证它只来自训练集。

还有一种非常隐蔽的泄漏形式：如果训练集和测试集来自同一个扫描平台、同一个实验室，并且切片的扫描批次非常接近，模型可能学到"仪器指纹"。快速验证方法是把测试集换到另一个来源的数据上，指标如果断崖式下跌，说明你的模型多半学了批次特征而不是生物特征。

5.2 显存与吞吐优化：一张全切片怎么才能跑得动

一张40倍放大的完整WSI，patch数量可能达到数万个，一次性全部进GPU显存是不现实的。我的做法是流水线式推理：先在CPU上用slide读取库切patch，按批次送回GPU做前向，特征存到内存，最后统一做attention聚合和回归。推理吞吐瓶颈常常不在GPU，而在硬盘I/O和图像解码。解决方案是提前把WSI转成金字塔格式的tiles并缓存到本地，或者用高效的tifffile读取。实测单张肠癌级别大小的WSI，在单个消费级显卡上十几分钟能出结果，优化后可以压进十分钟以内。

训练阶段的显存问题，主要是patch采样策略解决的。每次迭代从每张切片随机采样一定数量的patch进入batch，而不是把一整张切片的全部patch塞进去。这样能把batch size控制在合理范围，同时保留切片内随机性，也算一种隐式的数据增强。

5.3 落地部署时的临床信任问题

离线评测和实际使用之间，还隔着"信任"这道坎。如果只是做科研筛选，全局相关0.6已经能用了；但真要辅助临床决策或者回顾性队列分析，只给一个预测值是不够的，得给不确定性。我的建议是在回归头基础上加一个简单的MC Dropout，推理时多次前向取均值和方差，输出一个置信区间。表达量预测方差大的样本，可以便宜地标记为"低置信度"，交给湿实验验证。

另一个自检方法是做所谓的"数字免疫组化"验证：选择一批有明确形态对应关系的基因（比如淋巴细胞标志物），预测它们的表达量，再用真实的免疫组化染色切片做对比评分。虽然不能完全对齐，但趋势一致就能说明模型学到的特征有生物学基础。这个过程会比较繁琐，但对推动项目进入实际应用是值得的。

多说一句我自己的体会：真正让项目效果出现质变的，往往不是网络结构换了什么新模块，而是数据配对够不够严格、标签噪声有没有控住、泄漏通道有没有堵死。把地基做扎实，再用一个简单的编码器加注意力池化的架构，已经能在乳腺癌基因表达预测任务上打出一个很可用的成绩。hist2RNA这个方向，胜在思路清晰，输在容易把问题复杂化——保持简单，盯紧数据，反而能走得更远。