2
0本研究介绍了一项名为 CANVAS 的创新型人工智能平台，旨在通过常规的 H&E 染色病理切片 预测肿瘤的复杂空间生态。研究团队首先利用高维度的 CODEX 空间蛋白质组学 技术对数亿个细胞进行了分析，确立了 10 种具有生物学意义的细胞邻域（CNs），这些邻域揭示了非小细胞肺癌中肿瘤、免疫与间质成分的组织规律。依托于先进的病理基础模型，CANVAS 能够识别出病理切片中与临床预后密切相关的空间特征，有效弥补了昂贵的空间组学技术与普及的临床诊断之间的鸿沟。该系统在超过 5,000 名患者的大规模队列中验证了其效力，证明其不仅能精准预测免疫治疗的临床获益，还能识别出阻碍免疫细胞攻击肿瘤的空间屏障。通过整合多模态数据与机器学习算法，研究揭示了诸如中性粒细胞聚集和纤维化基质重构等影响生存率的关键空间表型。最终，这项工作为精准肿瘤学提供了一个可扩展的临床预测工具，将单细胞层面的空间洞察转化为能够指导患者个体化治疗的实用手段。
References:
Li Y, Li Z, Quinton R, et al. Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology[J]. Cell, 2026.
