夜雨聆风AI病理虚拟空间分析解码肿瘤微环境
期刊：Cell（细胞正刊，IF=45.5+，全球顶级三大综合性科学期刊之一）
发表时间：2026年6月16日（在线发表）
作者：Li Y, Li Z, Quinton R, Ji Y, Zhang X, Xiang J, Wang X, Yang S, Eweje F, Chen Y, Luo X, Li Y, Mulholland J, Chen S, Bergstrom C, Kim T, Maria Olguin F, Willens S, Lin SH, Nirschl JJ, West R, Neal J, Diehn M, Li R（斯坦福大学医学院放射肿瘤学系、病理学系、肿瘤内科，Broad Institute of MIT and Harvard，MD Anderson Cancer Center）
通讯作者：Ruijiang Li（斯坦福大学医学院，Stanford Institute for Human-Centered Artificial Intelligence）
DOI：10.1016/j.cell.2026.05.031
PMID：42302781
— — —
一、研究背景
肿瘤微环境（Tumor Microenvironment, TME）是决定癌症进展、转移和治疗响应的核心战场。肿瘤细胞并非孤立存在，而是与周围的免疫细胞、基质细胞、血管系统和信号分子形成一个复杂的生态系统 [1]。理解这一生态系统的空间组织规律——即不同细胞类型如何排列、互作和演化——是精准肿瘤学的核心命题。
近年来，空间蛋白组学（Spatial Proteomics）技术的突破使得研究者能够在单细胞分辨率下同时检测数十种蛋白质标志物的空间分布，为系统性解析TME提供了前所未有的工具 [2]。然而，这些技术面临两大根本性瓶颈：第一，成本高昂且通量有限——一次41-plex空间蛋白组学实验的成本可达数千美元，难以在临床规模推广；第二，数据解读复杂——从数百万细胞的空间坐标和蛋白表达谱中提取有临床意义的"生态学模式"仍缺乏标准化方法。
与此同时，苏木精-伊红（H&E）染色切片作为全球病理诊断的通用标准，几乎每个癌症患者都会产生。2024年，哈佛医学院的CHIEF模型（Nature, 2024）和UNI模型（Nature Medicine, 2024）展示了AI从H&E切片中提取丰富信息的潜力 [3,4]。2025年，斯坦福的CONCH模型（Nature Medicine, 2024）进一步将视觉-语言模型引入病理学 [5]。但一个关键问题始终悬而未决：能否从一张廉价的H&E切片中，推断出通常需要昂贵空间蛋白组学才能获取的肿瘤微环境空间结构信息？
2026年6月16日，斯坦福大学医学院Ruijiang Li教授领衔的多学科团队在 Cell 正刊发表了一项里程碑式研究——CANVAS（Cellular Architecture and Neighborhood-informed Virtual AI-driven Spatial profiling）[6]。该平台首次实现了从H&E病理切片到肿瘤微环境空间生态系统的"虚拟翻译"，在9种癌症类型、超过5,000名患者中验证了其预后预测和免疫治疗响应评估能力。
二、研究创新点
CANVAS的核心创新体现在以下五个方面：
1. 从H&E到空间蛋白组的"虚拟翻译"。 CANVAS不依赖昂贵的空间蛋白组学实验，而是通过多模态对齐和基础模型编码，从常规H&E切片中推断出细胞邻域（Cellular Neighborhoods, CNs）的空间分布——相当于用AI"看见"了病理医生肉眼无法识别的分子生态信息 [6]。
2. 首个跨癌种可复现的TME空间图谱。 基于457例非小细胞肺癌（NSCLC）患者的1,800万+细胞41-plex空间蛋白组学数据，CANVAS鉴定出10种可复现的细胞邻域（CNs），这些CNs在不同队列和癌种中保持高度一致的空间组织结构 [6]。
3. 9种癌症类型的跨癌种验证。 CANVAS不仅在NSCLC中表现优异，还在8种其他癌症类型（包括乳腺癌、结直肠癌、胃癌、肝癌、胰腺癌等）中验证了其空间生态分型能力，总计覆盖超过5,000名患者 [6]。
4. 免疫治疗响应预测。 CANVAS的空间生态分型（Spatial Ecotype）能够独立预测免疫检查点抑制剂（ICI）治疗响应，为临床免疫治疗决策提供了基于病理图像的新型生物标志物 [6]。
5. 临床可扩展性。 整个CANVAS流程仅需常规H&E切片作为输入，无需额外实验，可在现有病理工作流中直接部署，具备大规模临床推广的可行性 [6]。
三、技术原理
CANVAS的技术架构由三个核心模块组成：
模块一：空间蛋白组学驱动的细胞邻域发现。 研究团队利用41-plex空间蛋白组学（Co-detection by Indexing, CODEX）对457例NSCLC患者的肿瘤组织进行了系统分析，共获得超过1,800万个单细胞的空间坐标和蛋白表达数据。通过无监督聚类和空间邻域分析，研究团队鉴定出10种可复现的细胞邻域（CN1-CN10），每种CN代表一种特定的细胞组成和空间排列模式——例如CN1富集CD8+ T细胞和巨噬细胞，代表"免疫热"区域；CN8富集成纤维细胞和胶原蛋白，代表"基质屏障"区域 [6]。
模块二：多模态对齐与基础模型编码。 CANVAS通过多模态对齐（Multimodal Alignment）将空间蛋白组学定义的CN标签"投射"到对应的H&E图像区域，建立了"H&E形态特征 → CN类型"的映射关系。随后，研究团队利用病理基础模型（Foundation Model）对H&E切片进行形态学特征编码，将每个组织区域转化为高维特征向量，这些特征向量蕴含了细胞形态、组织结构和染色纹理等丰富信息 [6]。
模块三：虚拟空间分析预测。 基于基础模型编码的形态特征，CANVAS训练了一个轻量级预测器，能够从H&E切片中直接预测每个区域的CN类型和空间分布。最终，CANVAS输出整个肿瘤组织的"空间生态图谱"——包括CN组成比例、CN空间邻接关系和生态型（Ecotype）分类。这些特征被用于下游的预后建模和免疫治疗响应预测 [6]。
四、实验结果
CANVAS在多个独立队列中进行了系统验证，核心结果如下：
1. CN预测准确性。 在NSCLC内部验证集中，CANVAS从H&E切片预测CN类型的AUC达到0.85-0.94（不同CN类型），显著优于随机猜测（AUC=0.5）。在外部验证集中，跨队列的CN预测AUC保持在0.80-0.90之间，表明模型具有良好的泛化能力 [6]。
2. 预后预测性能。 在9种癌症类型、超过5,000名患者的汇总分析中，CANVAS衍生的空间生态分型在Cox回归分析中与总生存期（OS）显著相关。在NSCLC队列中，CANVAS高风险组与低风险组的中位OS差异达2.5倍以上（HR=2.3-4.1，不同队列），且独立于临床分期、病理分级等传统预后因素 [6]。
3. 免疫治疗响应预测。 在接受抗PD-1/PD-L1免疫治疗的NSCLC患者中，CANVAS预测的"免疫富集型"生态型患者的客观缓解率（ORR）为45.2%，而"免疫荒漠型"患者仅为8.7%。CANVAS的免疫治疗响应预测AUC达到了0.78，优于PD-L1免疫组化（AUC=0.62）和肿瘤突变负荷（TMB，AUC=0.65）[6]。
4. 跨癌种泛化。 在乳腺癌、结直肠癌、胃癌、肝癌、胰腺癌等8种非肺癌癌种中，CANVAS的CN结构保持一致，且空间生态分型在所有癌种中均与预后显著相关，证明了TME空间组织原则的跨癌种普适性 [6]。
五、技术优势
CANVAS相较于现有方法具有以下突出优势：
1. 低成本高通量。 传统空间蛋白组学每个样本成本数千美元，CANVAS仅需常规H&E切片即可实现虚拟空间分析，成本降低两个数量级，使大规模人群研究成为可能 [6]。
2. 标准化可复现。 10种CN在不同队列、不同癌种中高度一致，提供了可跨中心、跨癌种比较的标准化TME评估框架 [6]。
3. 多维度临床价值。 CANVAS同时提供预后评估、免疫治疗响应预测和空间生态分型三项临床决策支持功能，远超传统单一维度的生物标志物 [6]。
4. 无缝整合现有工作流。 基于H&E切片，CANVAS可直接嵌入现有病理科数字化流程，无需额外设备和试剂 [6]。
六、应用前景
CANVAS的临床转化潜力巨大：
1. 免疫治疗精准决策。 CANVAS有望成为免疫检查点抑制剂治疗的伴随诊断工具，帮助筛选最可能获益的患者，避免无效治疗带来的毒副作用和经济负担 [6]。
2. 肿瘤空间生态学基础研究。 10种CN构成了一个可量化的TME空间组织"语言"，可用于研究肿瘤演化、耐药机制和转移过程中的空间生态学动态变化 [6]。
3. 药物靶点发现。 通过关联特定CN与临床结局，CANVAS可揭示驱动肿瘤进展和免疫逃逸的关键空间生态学特征，为新型治疗靶点（如靶向基质屏障、重编程免疫荒漠）提供线索 [6]。
4. 多癌种推广应用。 9种癌症类型的验证结果提示CANVAS的空间生态学框架具有跨癌种普适性，未来可扩展至更多实体瘤类型 [6]。
七、研究局限性与未来方向
尽管CANVAS展现了强大的潜力，但研究仍存在一些局限性：首先，空间蛋白组学训练数据主要来自NSCLC，未来需纳入更多癌种的原发性空间蛋白组学数据以进一步提升跨癌种预测精度 [6]。其次，CANVAS目前仅支持10种CN的分类，可能无法完全捕捉TME的全部异质性，未来可探索更高分辨率的CN分类方案 [6]。第三，免疫治疗响应预测的验证样本量相对有限，需要在前瞻性临床试验中进一步验证 [6]。第四，CANVAS在稀有癌症类型和特殊组织学亚型中的表现尚需评估 [6]。
未来方向包括：整合基因组学和转录组学数据，构建"基因组-空间生态-临床结局"的多层次关联模型；开发三维组织重建算法，实现立体TME空间分析；以及开展前瞻性临床试验，验证CANVAS指导治疗决策的临床效用 [6]。
八、结论
CANVAS是首个从常规H&E病理切片中推断肿瘤微环境空间生态系统的人工智能平台。通过将廉价的组织病理图像"翻译"为高内涵的空间蛋白组学信息，CANVAS在9种癌症类型、超过5,000名患者中展示了强大的预后预测和免疫治疗响应评估能力。这一工作不仅为精准肿瘤学提供了一种低成本、可扩展的新型生物标志物，更重要的是，它证明了肿瘤微环境的空间组织原则具有跨癌种的普适性——这一发现可能从根本上改变我们对肿瘤生态学的认知 [6]。
参考文献
[1] Binnewies M, Roberts EW, Kersten K, et al. Understanding the tumor immune microenvironment (TIME) for effective therapy. Nature Medicine, 2018; 24(5): 541-550. PMID: 29686425.
[2] Black S, Phillips D, Hickey JW, et al. CODEX multiplexed tissue imaging with DNA-conjugated antibodies. Nature Protocols, 2021; 16(8): 3802-3835. PMID: 34215862.
[3] Wang X, Yang S, Zhang J, et al. A pathology foundation model for cancer diagnosis and prognosis prediction. Nature, 2024; 633: 181-188. PMID: 38778098.
[4] Chen RJ, Ding T, Lu MY, et al. Towards a general-purpose foundation model for computational pathology. Nature Medicine, 2024; 30(3): 850-862. PMID: 38504018.
[5] Lu MY, Chen B, Williamson DFK, et al. A visual-language foundation model for computational pathology. Nature Medicine, 2024; 30(3): 863-874. PMID: 38504017.
[6] Li Y, Li Z, Quinton R, et al. Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology. Cell, 2026; DOI: 10.1016/j.cell.2026.05.031. PMID: 42302781.
