斯坦福大学医学院的研究人员近日开发出一种名为CANVAS的人工智能平台，该平台能够从标准的H&E染色病理切片中，推断出肿瘤组织内部的细胞邻域及其相互作用。这一成果为癌症研究提供了一个强大的新工具，有望改善患者的预后评估和治疗方案选择。
肿瘤并非孤立存在的细胞团块，而是由癌细胞、免疫细胞、基质细胞等多种细胞类型组成的复杂生态系统。这些细胞之间的相互作用对于了解肿瘤的结构、患者免疫应答以及治疗敏感性至关重要。然而，传统的空间分析方法（例如CODEX）虽然能提供高分辨率的细胞图谱，但耗时且成本高昂，限制了其广泛应用。
为了解决这一难题，由放射肿瘤学副教授Ruijiang Li博士领导的团队，构建了一个包含超过1800万个细胞的图谱，这些细胞来自457名非小细胞肺癌患者的样本。他们将CODEX实验获得的细胞邻域信息与对应H&E切片进行逐细胞匹配，训练AI学习切片上的形态学模式与细胞邻域的对应关系。
这一过程受益于团队此前开发的MUSK人工智能工具，该工具已在5000万张病理图像和超过10亿条病理文本数据上进行了预训练，擅长识别切片中的形态模式。CANVAS则在此基础上，进一步推断出复杂的多细胞模式。
利用CANVAS，研究人员在非小细胞肺癌中识别出了10种不同的细胞邻域，这些邻域不仅由细胞类型和位置定义，还包含了它们的分子活动信息。其中一个富含中性粒细胞的邻域引起了特别关注，因为它与患者较差的总体预后以及对PD-1抑制剂等免疫治疗药物的耐药性显著相关。
研究还发现，CANVAS预测的免疫治疗响应比目前临床常用的生物标志物方法更为准确，这表明该平台有潜力指导临床决策。该平台已在超过5000名患者、涵盖9种癌症类型的档案切片中进行了验证，证实了这些细胞邻域的普遍性。
Li博士表示，下一步计划在临床试验中验证CANVAS，以确认其预测患者预后和治疗反应的能力。该研究于2026年6月16日发表在《细胞》杂志上，由Broad研究所、哈佛医学院和MD安德森癌症中心的研究人员共同参与。