從標準病理切片推斷腫瘤中的多細胞相互作用

斯坦福大學醫學院的研究人員近日開發出一種名為CANVAS的人工智慧平臺，該平臺能夠從標準的H&E染色病理切片中，推斷出腫瘤組織內部的細胞鄰域及其相互作用。這一成果為癌症研究提供了一個強大的新工具，有望改善患者的預後評估和治療方案選擇。

腫瘤並非孤立存在的細胞團塊，而是由癌細胞、免疫細胞、基質細胞等多種細胞型別組成的複雜生態系統。這些細胞之間的相互作用對於瞭解腫瘤的結構、患者免疫應答以及治療敏感性至關重要。然而，傳統的空間分析方法（例如CODEX）雖然能提供高解析度的細胞圖譜，但耗時且成本高昂，限制了其廣泛應用。

為了解決這一難題，由放射腫瘤學副教授Ruijiang Li博士領導的團隊，構建了一個包含超過1800萬個細胞的圖譜，這些細胞來自457名非小細胞肺癌患者的樣本。他們將CODEX實驗獲得的細胞鄰域資訊與對應H&E切片進行逐細胞匹配，訓練AI學習切片上的形態學模式與細胞鄰域的對應關係。

這一過程受益於團隊此前開發的MUSK人工智慧工具，該工具已在5000萬張病理影像和超過10億條病理文本資料上進行了預訓練，擅長識別切片中的形態模式。CANVAS則在此基礎上，進一步推斷出複雜的多細胞模式。

利用CANVAS，研究人員在非小細胞肺癌中識別出了10種不同的細胞鄰域，這些鄰域不僅由細胞型別和位置定義，還包含了它們的分子活動資訊。其中一個富含中性粒細胞的鄰域引起了特別關注，因為它與患者較差的總體預後以及對PD-1抑制劑等免疫治療藥物的耐藥性顯著相關。

研究還發現，CANVAS預測的免疫治療響應比目前臨床常用的生物標誌物方法更為準確，這表明該平臺有潛力指導臨床決策。該平臺已在超過5000名患者、涵蓋9種癌症型別的檔案切片中進行了驗證，證實了這些細胞鄰域的普遍性。

Li博士表示，下一步計劃在臨床試驗中驗證CANVAS，以確認其預測患者預後和治療反應的能力。該研究於2026年6月16日發表在《細胞》雜誌上，由Broad研究所、哈佛醫學院和MD安德森癌症中心的研究人員共同參與。