QIMR Berghofer医学研究所的科学家开发了一种人工智能筛查工具，该工具利用尖端空间生物学分析技术赋予病理学家"超级视觉"，能够在标准患者组织样本中检测隐藏的癌症遗传标记。
发表在《自然通讯》上的新研究表明，这种名为STimage的机器学习工具能准确预测乳腺癌、皮肤癌和肾癌以及一种肝脏免疫疾病。研究发现，该工具可靠性高、成本低，能快速生成易于病理学家解读的结果。
这一突破有望推动数字病理学和精准医学进入新纪元，通过更快更准确的诊断、个性化治疗以及为偏远地区患者提供专家资源，挽救更多生命。
"这就像赋予病理学家超人或超级女侠的超分辨率视觉，让他们能够扫描微小组织样本中数百万看不见的生物标志物，找出其中两三个显示癌症迹象的标志物。这种能力对于早期检测、更精确诊断和做出更明智的治疗决策至关重要，"领导该工具开发的QIMR Berghofer空间组织与人工智能研究国家中心(NCSTAR)副教授Quan Nguyen表示。
研究团队希望这一工具能够帮助城乡各地区病理学家应对高需求和工作量，通过提供获取关键分子信息的途径——这些信息目前仅限于专业研究中心——从而提高诊断精确度并减少筛查和分析样本所需时间。
"STimage工具不会取代病理学家的经验和专业知识。相反，它通过提供他们肉眼无法看到的关于细胞类型和基因活性的额外信息，辅助他们完成重要且技术挑战性的工作，"Nguyen副教授说。
空间生物学是一个新领域，通过观察组织微环境中的复杂分子活动来帮助揭示癌症和其他疾病的成因。这种方法提供的洞见是使用常规病理学方法（即在显微镜下检查苏木精-伊红(H&E)染色切片）无法获取的。
H&E染色是全球病理学家使用了一个多世纪的常规低成本方法。其特有的蓝粉染色突出了细胞特征和组织结构，使医生能够识别结构异常，但并不能直接揭示组织内潜在的分子活动。
Nguyen副教授表示，STimage工具对H&E染色切片进行空间分析，基于检测到的组织分子模式生成生物学基础的疾病预测。
"它做出诊断预测并数学计算结果的确定程度。首次实现了结果透明化——该工具会显示导致预测的具体原因，如特定组织或细胞特征，帮助病理学家评估发现，"Nguyen副教授说。
该工具还对预后和治疗反应生成了准确预测，正确地将患者分类为生存风险高或低，并判断他们可能对现有药物产生完全或部分反应。这些功能尚处于早期阶段，正在进一步开发中。
研究人员使用机器学习和统计算法，通过从乳腺癌、皮肤癌、肾癌以及肝脏疾病原发性硬化性胆管炎的去识别数据集中进行空间学习来训练模型。
在这个开创性领域中，仅有少数类似工具存在，但研究团队的研究表明STimage优于那些模型，同时增加了关于模型预测可靠性和可解释性的关键功能。
科学家们正在通过扩大可检测的癌症类型、提高准确性以及整合更多数据集来继续改进该工具，以期在早期阶段识别更罕见的癌细胞和决定癌症进展及药物反应的重要免疫细胞类型。
下一阶段将在病理实验室对该模型进行试验，研究团队希望STimage工具能在两年内成为临床实践的一部分。
出版详情
Xiao Tan等人，《从空间转录组学数据预测基因标记和细胞类型的稳健且可解释方法》，《自然通讯》(2026)。DOI: 10.1038/s41467-026-68487-0
期刊信息：《自然通讯》
关键医学概念
原发性硬化性胆管炎
苏木精-伊红染色法
临床类别
肿瘤学
实验室医学
由QIMR Berghofer医学研究所提供
谁撰写了这篇报道？
Sadie Harley
生命科学与生态学学士。具有微生物学实验室背景，在石油、天然气和可再生能源行业拥有制药新闻经验。
Robert Egan
拥有数学生物学学士学位和创意写作硕士学位。阅历丰富，对科学和语言有独特见解。
【全文结束】