QuPath 数字病理分析：WSI、IHC 定量、Ki-67 和细胞检测

QuPath 的点击机会在“病理图像分析”和“Ki-67/IHC 定量”

QuPath 已经有较好的平均排名但 0 点击，说明搜索摘要没有足够明确地回答任务。页面应把关键词落到 WSI、IHC、Ki-67、细胞检测、CSV 导出和病理复核。

• 典型流程：导入 WSI，圈定 ROI，设置染色/细胞检测，导出细胞级或区域级指标。
• 科研价值：把免疫组化和数字病理结果从“看起来更多”变成可统计的数据表。
• 边界：算法阈值和阳性判定必须由病理背景人员复核。

相关入口：3D Slicer 工具页、医学影像 AI 专题。

这个工具解决什么问题

病理科研最怕的不是没有图像，而是图像太大、指标太多、人工计数太慢。1张全切片WSI可能达到GB级，Ki-67、CD8、ER、PR这类免疫组化指标如果靠显微镜下逐个手数，几十张切片就会带来很高的人力成本和观察者差异。

QuPath的价值在于把病理图像从“看图”推进到“取数”。它能在本地打开全切片，完成区域标注、细胞检测、阳性率计算和CSV导出，适合把病理图像结果放进统计分析表，再与临床分组、预后指标、动物实验分组或生信结果做关联分析。

核心能力拆解

QuPath支持常见数字病理格式，如SVS、NDPI、SCN和TIFF。你可以在整张切片上标注肿瘤、间质、坏死、空白玻片或需要排除的折叠区域，再限定分析范围，避免把非目标组织算进结果。对于肿瘤微环境、免疫浸润、组织面积比例这类研究，先定义清楚ROI和排除规则非常关键。

IHC定量是它最常用的功能之一。Positive cell detection可以按核大小、DAB光密度、阳性阈值等参数识别细胞，输出阳性细胞数、总细胞数和阳性率。对Ki-67这类指标，建议先用3-5个代表区域调参，覆盖强阳性、弱阳性、阴性和背景区域，再在批量切片上运行，并保留人工复核记录。

另一个实用点是批处理脚本。QuPath支持Groovy脚本，同一套检测参数可以批量应用到多张切片，并把结果导出CSV。对多中心样本、组织芯片、动物实验或大批量IHC项目，统一流程通常比多人手动计数更容易复现，也便于在论文方法学中说明版本、参数和质控步骤。

• 价格：开源免费，无订阅费。
• 部署：Windows、macOS、Linux均可安装。
• 输出：常见结果可导出为CSV，便于进入R、Python、SPSS或GraphPad Prism。
• 硬件：建议使用较新的CPU、足够内存和SSD；大尺寸WSI批量分析对电脑配置更敏感。

和同类工具怎么选

如果你熟悉ImageJ/Fiji，会发现QuPath更像“面向病理全切片的项目系统”。ImageJ/Fiji适合局部图像、通用图像处理和灵活插件分析；QuPath更适合WSI管理、病理区域标注、细胞级测量和批量导出。

和HALO、Visiopharm这类商业平台相比，QuPath的优势是免费、透明、可脚本化，适合预算有限、愿意调参并且需要可复现流程的科研团队。它的短板也很明确：现成模型库、商业售后和复杂AI分析流程不如商业产品省心，遇到复杂组织结构分割时需要更多人工验证。

• 预算有限、愿意调参、重视可复现：优先试QuPath。
• 只处理少量局部显微照片：ImageJ/Fiji可能更轻量。
• 需要商业级算法包、合规部署和技术支持：考虑HALO、Visiopharm等平台。

哪些情况不适合用

QuPath不是自动诊断软件。它不能替代病理医师判断良恶性，也不应把未质控的自动检测结果直接写进论文或报告。染色批次差异、扫描质量、组织折叠、切片厚度和背景着色都会影响检测结果，特别是DAB阈值和颜色分离参数，不同批次之间往往需要重新检查。

如果团队没有人愿意学习阈值、颜色分离、ROI标注和脚本，前期会觉得麻烦。若项目只需要5张截图做简单面积测量，用ImageJ/Fiji可能更快；若目标是训练复杂深度学习模型，通常还需要Python、StarDist或其他机器学习工具配合。对临床诊断场景，QuPath更适合作为科研图像分析工具，而不是临床阅片系统。

给医学科研用户的使用建议

在正式批量分析前，建议先写一个简短的图像分析方案：纳入哪些区域、排除哪些伪影、阳性阈值如何确定、每批切片如何质控、由谁复核结果。论文投稿时，不仅要写“使用QuPath分析”，还应尽量报告软件版本、检测模块、关键参数、人工标注规则和导出指标。这样读者才有机会理解你的Ki-67指数、CD8阳性细胞密度或肿瘤面积比例是如何得到的。