斯坦福CANVAS平台从病理切片中解码细胞社区，预测免疫疗效

yinfuhua

Cell论文利用AI“读图”识癌局：斯坦福CANVAS平台从病理切片中解码细胞社区，预测免疫疗效, y( Y: W1 G# R1 \
来源：生物谷原创 2026-07-17 12:19
5 H' Z) \# x9 S) H  }2 s斯坦福医学院的研究人员开发了一个人工智能平台，能够从含有薄片人肿瘤组织的显微镜载玻片中预测这些细胞邻域——将原本信息有限、粉色和紫色交织的二维“页面”，转化为色彩斑斓的“立体书”。8 N8 P- @% T9 H: g! ~
理解肿瘤内部及其周围细胞之间的相互作用，能提供有关癌症结构、患者对疾病的免疫应答，甚至癌症对不同治疗手段敏感程度的关键信息。但使用传统技术来推断这些细胞“邻域”既费时又昂贵。
0 ^- w& I6 H5 O* H( |7 g; H
8 S1 c" N& f7 @! |+ y2 e如今，斯坦福医学院的研究人员开发了一个人工智能平台，能够从含有薄片人肿瘤组织的显微镜载玻片中预测这些细胞邻域——将原本信息有限、粉色和紫色交织的二维“页面”，转化为色彩斑斓的“立体书”，其中满载着关于细胞在空间中动态关系和相互对话的信息。
7 A5 m. {2 T9 d5 F0 u利用该平台，研究人员在非小细胞肺癌中鉴定出10种不同的细胞邻域——这些邻域由癌细胞、免疫细胞和基质细胞之间的相互作用及分子对话共同定义。
& u2 R) }3 p% S1 H8 H7 Q这种显微镜载玻片被称为H&E染色切片（以用于突出细胞和细胞外结构的两种染色剂命名），一个多世纪以来一直是疾病诊断的“金标准”。本质上，每位接受过活检或手术切除的癌症患者，都会有肿瘤组织的H&E切片。
* L2 X: s( O  o3 t5 Q; |% O& v- b从现有切片中推断复杂的细胞关系和邻域，并将其与已知的患者预后相关联——这种能力为研究人员对抗多种癌症提供了一种强大的新学习工具。例如，研究人员发现，一种富含中性粒细胞（一种免疫细胞）的细胞邻域，在肺癌中与较差的总生存期和对免疫治疗的耐药性相关。! V7 y; L3 ^  b7 d$ }! g

) u5 S' Q4 T- Q3 O这一成就得益于斯坦福医学院病理学实验室开发的一项名为CODEX的技术（该实验室由病理学教授、Rachford and Carlota A. Harris讲席教授Garry Nolan博士领导）。CODEX能够在肿瘤内检测数十种蛋白质和细胞类型，从而生成前所未有的细胞关系和活动的空间图谱。但CODEX实验既慢又昂贵。& a) p. Y6 D4 v/ A. ^. f, r
“理解细胞如何在肿瘤内相互作用尤其重要，因为肿瘤是一个非常复杂的生态系统，”放射肿瘤学副教授Ruijiang Li博士说。“但时间和金钱限制了可通过实验技术分析的样本数量。我们想开发一种工具，能够从病理切片等现有资源中推断出这种空间复杂性。”1 Q% c6 _6 d5 H  j. O
Li是该研究的资深作者，该研究于6月16日发表于《Cell》期刊。博士后学者Yuchen Li和研究科学家Zhi Li是该研究的共同第一作者。7 I2 U; g. O* i+ b
Li及其同事构建了一个包含457名非小细胞肺癌患者、超过1,800万个细胞的图谱，并将这些样本的CODEX结果叠加到显微镜载玻片上，逐细胞匹配，以帮助AI学习载玻片上对应于CODEX分析所预测细胞邻域的模式。. G# n4 i7 `/ i1 K; P
他们受益于先前在Li实验室开发的一种名为MUSK的AI工具，该工具已在5,000万张标准病理切片医学图像和超过10亿条病理相关文本上进行了训练。) ^* q) y1 n& U! _# e
他们将这个新AI平台命名为CANVAS，即“细胞架构与邻域引导的虚拟AI驱动空间谱分析”（cellular architecture and neighborhood-informed virtual AI-driven spatial profiling）的缩写。
. \, ~3 c7 r; U% g  O/ `: H“MUSK特别擅长从切片中识别形态学模式，”Li说。“CANVAS利用这些模式来推断细胞邻域——复杂肿瘤生态系统中的多细胞模式。”
5 T, x- w& A" |  R" L8 }CANVAS鉴定的细胞邻域，其定义不仅在于样本中癌细胞和非癌细胞的数量和位置，还在于它们的活动——它们正在合成哪些蛋白质，以及向周围细胞发送什么信号。
& g% j! K6 P6 E- m; s# b" [8 P3 c( ]其中一些细胞邻域（或称为“栖息地”）显示出免疫抑制的迹象，即抑制免疫系统清除癌细胞的努力。另一些则位于肿瘤核心区域，或与免疫细胞簇或血管聚集在一起。
2 F% S# S: q2 E8 w5 T0 k" k! d在初始样本集上训练CANVAS后，Li及其同事将平台应用于来自超过5,000名、涵盖9种癌症类型的存档切片图像，以确认这10种细胞邻域的存在，并将其存在与否与患者预后及对免疫治疗的响应相关联。
1 N' B$ O3 d1 f6 Z8 |" S+ {: x他们发现，一种富含中性粒细胞（表达可能促进转移的蛋白质）的细胞邻域，与患者预后较差及对抗PD-1等免疫治疗药物的响应降低相关。
6 P4 M  b& r8 f0 i这种细胞邻域的存在，在预测免疫治疗响应方面比目前用于判断患者是否适合靶向治疗的方法更为准确，提示CANVAS可能成为指导临床决策的有价值工具。) c! J6 |9 H+ \/ i( k7 ^
“接下来，我们希望将CANVAS在临床试验中进行验证，以确认我们能够预测患者预后及对特定治疗方案的响应，”Li说。（生物谷Bioon.com）
. M1 e) U  n  E5 a, }& A1 r参考文献：" \8 J8 i2 m# o
Yuchen Li et al, Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology, Cell (2026). DOI: 10.1016/j.cell.2026.05.031.
  e/ l' ^# c# u0 D2 m. L, T1 h2 P1 A" l# j0 E