biology · us
從病理切片讀出腫瘤社區,Stanford AI讓舊玻片有了新問題
CANVAS試圖把日常H&E病理影像轉譯成腫瘤微環境地圖;它的價值不在取代病理醫師,而在於讓大量既有切片重新回答免疫治療與預後的問題。
一張腫瘤切片原本已能告訴醫師癌細胞長什麼樣、侵犯到哪裡;但真正左右疾病走向的,往往還包括癌細胞旁邊住著誰、免疫細胞如何聚集、哪些細胞群彼此靠近。Stanford Medicine近日介紹的AI平台CANVAS,正是把這層「細胞鄰里」從例行病理影像中推估出來,讓傳統玻片可能多出一種臨床與研究用途。
CANVAS的核心做法,是先用空間蛋白體資料與常規H&E染色切片共同訓練模型。前者能標示不同細胞與蛋白表現的位置關係,後者則是醫院每天都會產生的標準病理影像。經過這樣的對照學習後,系統嘗試只靠H&E切片,推論腫瘤裡由多種細胞組成的局部微環境。
Stanford團隊先在非小細胞肺癌情境中測試這套方法,並進一步分析九種癌症、超過5,000名患者的封存切片。研究所凸顯的訊號之一,是富含嗜中性球的腫瘤鄰里與較差預後相關,也與免疫治療反應較低相連。這個結果使CANVAS不只是影像分類工具,而像是一種把病理影像轉成微環境假說的引擎。
這點在腫瘤免疫學中有現實意義。免疫檢查點抑制劑能讓部分患者得到長期控制,卻也有許多人無法受益;臨床上仍需要更細緻的線索,判斷哪些腫瘤環境可能支持或阻擋免疫攻擊。若常規切片能提供這類資訊,研究者便可在既有病理資料庫中追溯治療結果,而不必每次都依賴昂貴、耗時且不一定可取得的新鮮組織檢測。
不過,這類AI推論與直接量測仍有距離。CANVAS從H&E影像推估細胞鄰里,並不等同於在每一張切片上實際完成空間蛋白體檢測;模型能否跨醫院、掃描儀、染色流程與不同族群穩定運作,也需要更廣泛的外部驗證。對臨床而言,與其把它看成即刻可決定治療的檢驗,不如先視為可加速病理研究與風險分層假說生成的工具。
監管與工作流程同樣是下一道門檻。若CANVAS未來要進入診斷或治療決策,它需要清楚界定用途:是輔助病理醫師描述腫瘤微環境、預測免疫治療反應,還是協助臨床試驗挑選患者。不同定位會牽涉不同的驗證標準、責任歸屬與可解釋性要求。
這項進展的耐人尋味之處,在於它沒有要求醫院先全面更換檢測平台,而是回到最普遍的病理切片,挖掘其中尚未被系統化閱讀的空間資訊。若後續研究能證明這些AI推估的細胞鄰里在多中心資料中仍然可靠,腫瘤切片或許會從診斷終點,變成通往腫瘤生態的一扇更大的入口。