← 返回首頁

讓AI讀懂腫瘤的細胞鄰里:EPFL開放空間蛋白質圖譜

spora整合逾五千名患者的組織影像,讓研究者比較不同細胞如何在腫瘤中相鄰、互動,也為癌症AI建立共同測試基礎。資料整合跨出一步,距離可靠的臨床預測仍有驗證工作。

By SURL BioNews

一塊腫瘤組織能透露的,不只有癌細胞的模樣。免疫細胞聚集在哪裡、哪些細胞彼此相鄰,也可能藏著疾病進展與治療反應的線索。洛桑聯邦理工學院(EPFL)10月28日公布空間蛋白質體學資源spora,將分散於不同研究的組織影像整理成共同格式,讓人工智慧有機會從更多樣的細胞「鄰里」中學習。

spora收錄來自35個研究群組、5,477名患者的13,546張多重標記影像;依EPFL公告與平台文件,涵蓋14種組織來源,以及IF、Orion、IMC、CODEX和MIBI五種影像技術。這些技術能在保留組織位置資訊的同時量測多種蛋白質,協助研究者辨認細胞身分,並描繪腫瘤與周圍免疫細胞的空間關係。

過去,這類資料往往難以放在一起分析:各實驗室使用的儀器、蛋白質標記組合、檔案格式與臨床註記不盡相同。spora團隊因此統整影像與蛋白質名稱,整理患者資料,並提供標示細胞及組織邊界的分割資訊。不過,格式統一並不代表實驗差異消失;圖譜仍保留原始研究的來源與註記,供使用者判斷哪些資料適合回答自己的問題。

圖譜也試著連接分子量測與日常病理判讀。平台文件列出的944,680個多重標記影像小區塊中,30.7%具有配對的蘇木精—伊紅染色(H&E)資料。這為「虛擬染色」提供訓練材料:研究者可測試,模型能否從常規病理影像推估特定蛋白質的分布。但配對資料只占部分區塊,不能將整套圖譜都視為具備相同程度的分子與病理對照。

隨圖譜推出的spora-io程式庫,協助研究者載入、切分影像與跨群組取樣;spora-bench則提供共同評估流程。10月15日公開於arXiv、標示已獲NeurIPS 2026接受的論文,描述了涵蓋12個研究群組的基準測試,包括細胞類型辨識、診斷與治療反應預測,以及虛擬染色,讓現有模型能在一致條件下與專門任務模型比較。

這套評估框架所面對的核心問題,是模型換了患者、實驗室或量測技術後,是否仍然可靠。在單一研究中表現良好,可能部分來自對特定資料特徵的熟悉;跨研究測試才能進一步檢查模型學到的規律能否延伸。圖譜擴大了檢驗這個問題的空間,但不同組織的資料量、可用蛋白質標記與臨床資訊仍不均一,使用時必須留意適用範圍。

目前,spora的成果是可供研究使用的資料與測試基礎,尚不能據此認定AI已能改善患者診斷或治療結果。若要將模型用於病理判讀或選擇療法,仍須針對實際用途,在獨立患者資料及臨床流程中驗證。資料開放也有使用條件:平台文件提醒,各群組資料的授權不盡相同,後續研究與商業應用都需逐項確認。

References

  1. EPFL
  2. arXiv
  3. EPFL — Bunne Lab
  4. BioImage Archive