病理科医生的数字助手：如何用QuPath免费软件高效标注与分析WSI切片（实战分享）-平芜编程栈

病理科医生的数字助手：如何用QuPath免费软件高效标注与分析WSI切片（实战分享）

第一次打开一张全切片数字图像（WSI）时，我被它的数据量震惊了——单个文件往往超过1GB，放大后可以看到比传统显微镜更丰富的细节。但随之而来的问题是：如何在这样高分辨率的图像上快速定位病灶区域？如何准确统计肿瘤细胞数量？传统方法需要反复切换放大倍数，在显微镜下手工标记，效率极低且容易遗漏微小病灶。

这就是QuPath的价值所在。这款由英国爱丁堡大学开发的免费开源软件，已经成为我们病理科日常工作的"数字显微镜"。它不仅解决了WSI标注的效率问题，还通过内置的AI算法实现了半自动化的细胞识别与定量分析。更重要的是，它完全免费，对预算有限的基层医院和科研团队特别友好。

1. 从零开始：QuPath的安装与基础配置

1.1 系统要求与安装步骤

QuPath基于Java开发，支持Windows、macOS和Linux三大平台。建议配置：

内存：至少8GB，处理大WSI文件推荐16GB以上
显卡：支持OpenGL 3.3及以上（大多数现代显卡都满足）
存储：SSD硬盘能显著提升大文件读取速度

安装过程非常简单：

访问QuPath官网下载对应系统的安装包
Windows用户直接运行.exe安装程序，macOS用户拖拽应用到Applications文件夹
首次启动时会提示创建项目目录，建议放在剩余空间大于100GB的驱动器

提示：如果遇到Java环境问题，官网提供了包含Java运行时的完整版本下载。

1.2 初识界面：病理医生的数字工作台

QuPath的界面布局经过精心设计，主要分为五个功能区：

区域	功能	病理工作对应场景
图像浏览器	显示WSI全貌和当前视野	相当于显微镜的低倍镜
标注工具栏	提供各种标注和测量工具	替代传统标记笔和计数器
对象分析面板	显示检测到的细胞和组织结构	自动化的细胞计数板
脚本控制台	运行自动化分析脚本	定制化分析流水线
项目浏览器	管理多个WSI文件和病例	数字化的玻片存档柜

初次使用时，建议先通过File → Open...导入几个测试WSI文件熟悉操作。QuPath支持常见的WSI格式包括：

.ndpi (Hamamatsu)
.svs (Aperio)
.scn (Leica)
.mrxs (3DHistech)

2. WSI标注实战：从手工到智能辅助

2.1 基础标注技巧：肿瘤区域的精准勾勒

面对一张乳腺肿瘤的WSI，我们需要先标记出肿瘤边界。QuPath提供了多种标注工具：

// 常用标注工具对应的快捷键 Shift + D : 画笔工具（自由绘制） Shift + P : 多边形工具（精准边界） Shift + L : 直线工具（测量距离） Shift + E : 椭圆工具（标记圆形区域）

高效标注的工作流程：

先用1-2倍放大倍数浏览全片，确定肿瘤大致区域
切换到10-20倍放大，使用多边形工具沿肿瘤边界逐点标记
遇到不确定区域，可临时添加"疑问点"注释（Ctrl+Shift+M）
完成标注后右键选择"Set classification"，赋予"Tumor"分类

注意：标注时建议关闭"Snap to pixels"选项（在工具栏齿轮设置中），这样可以绘制更平滑的边界线。

2.2 智能辅助：基于AI的自动检测

QuPath内置了基于机器学习的细胞检测算法，特别适合淋巴瘤等细胞密集的病例：

选择Analyze → Cell Detection → Cell Detection
调整关键参数：
- Detection image：通常选择Hematoxylin OD（突出细胞核）
- Background radius：10-15μm（过滤间质区域）
- Median filter：2μm（平滑噪声）
- Sigma：1.5-2μm（控制检测灵敏度）
点击"Run"运行检测，完成后会自动生成细胞中心点

检测结果可以通过热图可视化：

// 生成细胞密度热图的脚本片段 runPlugin('qupath.lib.algorithms.DistanceToAnnotationsPlugin', '{"maxDistance": 100, "pixelSize": 2, "distanceTo": "Centroids", "heatmapRadius": 20}')

3. 定量分析：从标注到统计报告

3.1 区域统计：肿瘤占比与异质性分析

完成肿瘤区域标注后，我们可以获取定量数据：

选中标注区域，右键选择Measure → Add shape measurements
在弹出的窗口勾选需要测量的参数：
- Area：区域面积（μm²）
- Perimeter：边界周长
- Circularity：圆形度（1=完美圆）
- Hematoxylin OD mean：嗜碱程度
数据会自动导出到"Results"面板，支持CSV格式导出

对于肿瘤异质性分析，可以使用多区域采样法：

用"Grid"工具在肿瘤区域创建5×5的采样网格
在每个小格子中进行细胞检测
通过Analyze → Calculate → Classification counts比较各区域细胞组成差异

3.2 免疫组化评分：H-score自动化计算

对于免疫组化染色的WSI，QuPath可以半自动化计算H-score：

先通过颜色反卷积（Analyze → Color Deconvolution）分离DAB染色
设置强度阈值：
- 0+：无染色或微弱染色
- 1+：轻度染色
- 2+：中度染色
- 3+：强染色
运行以下脚本自动计算H-score：

// H-score计算脚本 def cells = getCellObjects() def score = cells.sum {cell -> def intensity = cell.getPathClass()?.toString()?.replaceAll(/\\D/, '')?.toInteger() ?: 0 intensity } / cells.size() * 100 println "H-score: " + score

4. 高级技巧与实战经验分享

4.1 批处理：自动化多切片分析

当需要分析数十张WSI时，可以使用批处理功能：

创建新脚本（Automate → Show script editor）
录制单张切片的分析步骤（Tools → Record command history）
添加循环遍历项目中的所有图像：

// 批处理脚本框架 def project = getProject() for (entry in project.getImageList()) { def imageData = entry.readImageData() // 在此处插入分析步骤 entry.saveImageData(imageData) }

4.2 常见问题解决手册

在实际使用中，我们整理了几个典型问题的解决方案：

问题1：WSI加载缓慢
- 解决方案：在Edit → Preferences → Image中调整"Tile cache size"（建议设为内存的25%）
问题2：细胞检测漏掉小细胞
- 调整参数：减小"Background radius"和增加"Sigma"
问题3：染色差异影响分析
- 预处理：先用Color Deconvolution标准化染色强度