Cell：开发基于H&E病理图像预测肿瘤空间栖息地人工智能方案—CANVAS

2026




年



6



月



16



日，斯坦福大学




Ruijiang Li




团队在




Cell




期刊发表了文章

Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology

，

开发了





CANVAS





（





Cellular Architecture and Neighborhood-informed Virtual AI-driven Spatial Profiling





）


框架，旨在连接高维空间蛋白组学与常规组织病理学，为肿瘤微环境的空间解析和临床转化提供新的人工智能方案。

肿瘤并不是由癌细胞孤立构成的简单组织，而是一个由肿瘤细胞、免疫细胞、基质细胞和血管等多种成分共同组成的复杂生态系统。越来越多的研究表明，肿瘤微环境不仅取决于




“




有哪些细胞




”




，更取决于这些细胞在空间中如何排列、如何相互接近、如何形成局部生态位。对于实体肿瘤而言，解析这种多细胞空间结构，有望为理解疾病进展、治疗反应和精准分层提供新的视角。然而，如何在大规模临床样本中系统刻画这些空间生态结构，仍然是肿瘤空间生物学和计算病理学面临的重要挑战。

图一：






C





ANVAS





图形摘要

空间蛋白组学技术为观察肿瘤组织中的细胞状态、空间层级和功能程序提供了强有力的工具，但其成本、技术复杂度和样本规模限制了其在常规临床场景中的推广。相比之下，苏木精



-



伊红染色病理切片是肿瘤诊断中最广泛使用、最容易获得的组织图像资源。



H&E



图像保留了丰富的组织形态和空间结构信息，却无法直接测量蛋白表达或精细分子状态。因此，一个关键问题是：

能否将高维空间蛋白组学中获得的生物学知识转化到常规





H&E





病理图像中，从而让传统病理切片具备






“






虚拟空间组学






”






解读和人群转化能力，推动空间生物学走向精准医学应用？

图二






:




CANVAS






基于





H&E





病理图像预测肿瘤空间栖息地的工作流程

针对这一挑战，



CANVAS




以空间定义的


细胞邻域




作为生物学锚点，结合多模态图像配准、空间建模和病理基础模型，从




H&E



图像中推断肿瘤生态栖息地。

该框架不仅为理解肿瘤微环境的空间组织方式提供了新的研究方案，也为将空间生物学发现扩展到更大规模的临床病理队列提供了可推广路径。

通过把空间信息转译为可在常规病理图像中读取的空间特征，



CANVAS



有望推动空间组学、人工智能病理和精准肿瘤学之间的深度融合。

原文链接：

https://www.cell.com/cell/fulltext/S0092-8674(26)00590-8