Cancer Cell | 从潜在表征到空间生物标志物表征：孔令杰团队与合作者提出全新病理人工智能框架PathPrism，开启可解释病理AI新范式|人工智能框架|免疫性疾病|孔令杰|生物学|病理学|科学

当前主流病理AI系统大多依赖深度学习自动学习得到的潜在表征（latent representations）进行预测。这些表征能够有效捕获病理图像中的复杂信息，因此具有强大的预测能力。然而，由于其缺乏明确的病理学含义，人们往往难以理解模型究竟学到了什么，也难以将这些表征直接转化为可验证的生物学知识。因此，尽管病理AI的预测性能持续提升，其科学发现能力却并未同步发展。如何构建既具有预测能力、又能够支持生物学理解的病理信息表征，成为计算病理学领域的重要挑战。

2026年6月11日，清华大学精密仪器系孔令杰课题组联合德国德累斯顿工业大学（TU Dresden）Jakob Kather教授团队等单位，在Cancer Cell发表题为Spatial Biomarker Discovery via Interpretable Semantic Learning in Histopathology的研究论文。研究团队提出了一种全新的病理人工智能框架——PathPrism，通过将病理图像转化为由空间生物标志物（Spatial Biomarkers）构成的可解释表征（Interpretable Representation），建立了一种透明、可量化且具有明确病理学意义的新型表征方式。

与传统病理AI关注如何从潜在表征中获得更高预测性能不同，PathPrism关注一个更加基础的问题：应该如何利用AI表征病理信息？

在PathPrism框架中，病理图像不再被编码为难以解释的潜在表征，而是首先被解析为具有明确病理学意义的组织语义，例如肿瘤细胞、癌相关基质、淋巴细胞、黏液、脂肪组织以及正常组织等关键组织成分。随后，研究团队进一步量化这些组织类型之间的空间关系、组织复杂度和拓扑结构，最终构建出由数百个空间生物标志物组成的“空间生物标志物谱（Spatial Biomarker Spectrum）”。

这种空间生物标志物谱构成了一种新的病理信息表征。与传统潜在表征不同，每一个特征都对应具体的组织结构或空间组织模式，既能够被人工智能模型利用，也能够被病理学家直接理解、验证和研究。因此，PathPrism建立了一种AI与病理学家共享的病理信息表征语言，使病理图像能够在统一框架下同时支持预测、解释、生物标志物发现以及机制探索。

图1 PathPrism流程

为了验证这一表征体系的有效性，研究团队分析了来自11个国际队列、7000例结直肠癌患者的病理数据。结果表明，基于空间生物标志物表征构建的透明模型，在患者预后预测方面达到了与当前先进Foundation Models和深度学习模型相当的性能水平。同时，研究团队系统发现了大量与患者生存、微卫星不稳定性（MSI）、BRAF和TP53基因突变以及辅助化疗反应相关的空间生物标志物。

值得强调的是，这些发现不再隐藏于黑盒模型内部，而能够被直接量化和研究。例如，研究发现肿瘤细胞、黏液区域以及免疫细胞之间的空间组织模式与患者治疗获益存在显著关联。这表明，肿瘤微环境中的空间结构不仅携带重要的生物学信息，也可能成为未来精准治疗的重要依据。

在此基础上，研究团队进一步开发了VirtualWSI（Virtual Whole Slide Image）框架，使研究人员能够在数字病理空间中对组织结构进行可控扰动，并观察空间生物标志物如何随之变化。通过这种方式，病理图像不再只是观察疾病的窗口，而成为开展“虚拟实验”的平台。与此同时，由于所有空间生物标志物均具有明确的病理学含义，PathPrism还能够与大语言模型结合，自动提出与发现的空间生物标志物相关的潜在科学假说，从而进一步推动AI辅助科学发现。

过去十年，病理AI的发展主要围绕如何获得更强的预测能力展开；而PathPrism则展示了另一种可能——通过构建可解释表征，使AI不仅能够预测病理信息，还能够帮助研究人员理解病理信息背后的组织学规律。从潜在表征到空间生物标志物表征，从黑盒预测到透明发现，从结果输出到机制探索，PathPrism展示了一种新的计算病理学范式。它并非在已有潜在表征之上增加解释，而是用空间生物标志物表征替代潜在表征本身，使预测、发现、假设生成和虚拟实验能够建立在同一种可解释表征之上。

未来，研究团队计划将PathPrism扩展至更多癌种，并进一步结合空间多组学、三维病理学以及多模态数据分析技术。研究人员希望，通过建立统一且可解释的病理信息表征体系，让人工智能不仅成为预测工具，更成为推动生物医学科学发现的重要基础设施。

该研究是孔令杰课题组在病理AI生物标志物发现方向上的又一项重要成果。此前，团队在Nature Machine Intelligence发表PathFinder研究，基于病理图像的语义分割信息学习和挖掘与患者预后相关的空间组织特征，展示了从可解释组织语义中发现病理生物标志物的潜力。此次发表于Cancer Cell的PathPrism研究，在PathFinder工作的基础上进一步深化和拓展：从特定任务中的空间特征挖掘，推进到系统构建由数百个空间生物标志物组成的可解释表征体系。PathPrism进一步将组织语义、空间拓扑、透明建模、机制假设生成和虚拟实验探索整合到统一框架中，使病理AI不仅能够发现与临床结局相关的空间模式，也能够以可量化、可解释和可验证的方式支持生物标志物发现和机制研究，为可解释病理AI的发展提供了新的研究范式。

原文链接：https://www.cell.com/cancer-cell/fulltext/S1535-6108(26)00259-X

制版人：十一

学术合作组织

（*排名不分先后）