清华大学孔令杰等合作最新Cancer Cell

发布时间：2026-08-14来源：iNature

空间生物标志物对精准肿瘤学至关重要，但由于全切片图像的复杂性，系统性发现仍然具有挑战性。

2026年8月10日，德国德累斯顿工业大学‌Jakob Nikolas Kather、清华大学孔令杰共同通讯在

Cancer Cell（IF=56.1）

在线发表题为

Spatial biomarker discovery via interpretable semantic learning in histopathology

的研究论文。

该研究报告了PathPrism，这是一种将全切片图像转换为可解释的空间生物标记谱的框架，建立了组织结构的透明表示。这种方法能够以高性能对预后、分子改变和治疗反应进行透明的线性建模，同时将组织病理学转变为可解释的发现和扰动驱动的探索的平台。

组织病理学生物标志物是癌症诊断、预后评估和治疗选择的核心。鉴于其可及性和常规临床应用，组织病理学具有 substantial 转化潜力。然而，生物标志物发现仍然是劳动密集型且依赖专家解读，需要对大规模全切片图像进行细致审查和广泛验证。

空间生物标志物由TME内的多尺度和多模态模式定义，特别具有前景，但由于组织异质性、复杂的空间组织和微妙的视觉模式超出人类解读能力，因此难以发现。因此，只有少数空间生物标志物被临床验证，留下了癌症空间复杂性的大部分未被探索。

用于科学发现的人工智能以从复杂数据中提取模式并将其转化为可测试假说为中心，已在数学、基因组学和抗生素发现领域推动了进展。然而，在计算病理学中，大多数深度学习模型由于WSIs中嵌入的海量视觉信息和模型参数的高复杂性而仍然是黑箱，对其预测所基于的特征提供的见解有限。

机理模式图（图源自

Cancer Cell

）

该研究提出了PathPrism，一个可解释的AI框架，用于空间生物标志物发现和虚拟实验。与黑箱模型不同，PathPrism将组织结构编码为病理学可解释的空间特征，能够透明地建模预后、分子改变和治疗反应。

应用于来自11个队列的7,000名结直肠癌患者，PathPrism发现了数百种预测生存、MSI、BRAF和TP53突变的生物标志物，并对II/III期疾病中的化疗获益进行了分层。

在这些可解释发现的基础上，PathPrism使用大语言模型作为辅助工具，生成基于空间语义的假说。进一步引入了VirtualWSI，一个在可解释空间生物标志物图谱中进行语义扰动的平台。PathPrism为空间生物标志物发现提供了一个可扩展且可解释的框架。

参考消息：https://www.cell.com/cancer-cell/fulltext/S1535-6108(26)00259-X

转载说明：本文系转载内容，版权归原作者及原出处所有。转载目的在于传递更多行业信息，文章观点仅代表原作者本人，与本平台立场无关。若涉及作品版权问题，请原作者或相关权利人及时与本平台联系，我们将在第一时间核实后移除相关内容。