夜雨聆风在病理诊断中，H&E 染色是最常见的组织形态学观察方式，而免疫组化（IHC）染色则进一步揭示蛋白表达和分子标志物信息，对肿瘤诊断、分型和治疗决策具有重要价值。然而，在实际临床场景中，受限于小活检样本组织量、实验成本和染色流程复杂度，往往难以对同一组织切片进行全面的多标志物 IHC 分析。
为探索更加高效、统一的虚拟染色方案，我们推出了 PGVMS 在线体验 Demo：用户只需上传一张 H&E 病理图像，即可选择目标 IHC 标志物，包括 PR、Ki67、HER2、ER，并由后端 PGVMS 模型自动生成对应的虚拟 IHC 染色结果。
什么是 PGVMS？
PGVMS 全称为 Prompt-Guided Virtual Multiplex IHC Staining with Pathological Semantic Learning，是一个面向虚拟多重 IHC 染色的统一生成框架。该方法旨在将传统“一个模型对应一种染色”的范式，推进到“一个统一模型支持多种 IHC 标志物生成”的新模式。
PGVMS 主要面向 H&E 到 IHC 的虚拟染色任务。相比传统物理染色，虚拟染色可以在不额外消耗组织样本的情况下，基于已有 H&E 图像生成多种 IHC 表征，为计算病理、多标志物分析和辅助诊断提供新的可能性。
Demo可以做什么？
功能 | 说明 |
上传 H&E 病理图像 | 用户可以直接上传本地 H&E 图像，作为虚拟染色输入。 |
选择目标 IHC 染色类型 | 当前支持 ER、PR、HER2、Ki67 四种常见乳腺癌相关 IHC 标志物。 |
自动生成虚拟 IHC 图像 | 后台 PGVMS 模型会根据用户选择的目标染色域，生成对应的虚拟 IHC 染色结果。 |
支持尺寸显示与推理设置 | 页面会显示输入图像和输出图像尺寸，并提供推理尺寸设置，方便可视化测试。 |
我们推荐使用 20× 放大倍率的 H&E 病理图像进行体验，以获得更稳定的可视化效果。
生成效果展示
Demo 页面会同时展示输入 H&E 图像和输出虚拟 IHC 图像，便于用户直观对比同一组织区域在形态学图像与目标 IHC 表征下的差异。以下示例展示了从 H&E 图像生成 ER 虚拟 IHC 结果的可视化效果。
PGVMS的核心特点
Prompt-guided：用病理语义提示引导多标志物虚拟染色，减少简单 one-hot 标签对不同 IHC 域表达能力的限制。
Unified framework：一个统一模型支持多种 IHC 标志物生成，用户只需切换目标染色类型即可获得不同虚拟 IHC 结果。
Protein-aware：关注蛋白表达分布的一致性，使生成图像不仅“看起来像 IHC”，也尽可能保留与标志物表达相关的病理语义。
Prototype-consistent：针对 H&E 与 IHC 相邻切片之间常见的空间错位问题，建立跨图像语义交互，从而提升训练与生成的稳定性。
如何使用Demo?
打开在线http://pgvms.qin-mixlab.cn/，按照以下步骤操作：
上传一张 H&E 病理图像；
选择目标 IHC 标志物，例如 ER、PR、HER2 或 Ki67；
检查或调整推理尺寸；
点击 Generate virtual IHC；
查看生成的虚拟 IHC 染色结果。
应用展望
PGVMS 在线 Demo 主要面向科研展示和方法验证。它展示了一个重要趋势：未来的病理 AI 系统不仅可以识别图像中的组织结构，还可以进一步模拟不同分子标志物的表达模式，从而为多标志物分析、辅助诊断、低资源病理场景和计算病理研究提供新的工具。
需要说明的是，当前 Demo 生成结果仅用于科研交流和方法展示，不能替代真实临床 IHC 检测或病理医生诊断。我们欢迎病理、医学影像、计算机视觉和医学 AI 方向的研究者试用，并提出宝贵反馈。项目信息
论文：PGVMS: A Prompt-Guided Unified Framework for Virtual Multiplex IHC Staining with Pathological Semantic Learning
在线 Demo：http://pgvms.qin-mixlab.cn/
GitHub 项目：可参考 PGVMS 官方实现页面获取代码、模型权重和使用说明。
欢迎大家体验 PGVMS 在线 Demo，一起探索 H&E 到虚拟多重 IHC 染色的更多可能。
