QIMR Berghofer 的科学家开发了一种人工智能筛查工具，借助尖端空间生物学分析技术，让病理学家拥有“火眼金睛”，能够在患者常规组织样本中发现隐藏的癌症遗传标记。

发表在《自然·通讯》上的新研究介绍了一种叫 STimage 的机器学习工具，它能精准预测乳腺癌、皮肤癌、肾癌以及一种肝脏免疫性疾病。研究显示，这工具既靠谱又便宜，出结果也快，病理学家很容易看懂。

这项突破可能让数字病理学和精准医疗进入新时代，以后诊断会更快更准，治疗也能更个性化，偏远地区的患者还能更容易找到专家看病，从而挽救更多生命。

“这就像让病理学家拥有了超人或女超人那样的超清晰视力，让他们能在微小的组织样本里扫一遍数百万个肉眼看不见的生物标志物，从中找出两三个有癌症迹象的标记。这种能力对早期发现、更精准诊断和更合理治疗决策非常关键，”Quan Nguyen副教授说。他与QIMR Berghofer的国家空间组织与人工智能研究中心（NCSTAR）共同领导了该工具的开发。

该团队希望，这个工具能让病理学家拿到目前只有专业研究中心才能获取的关键分子信息，帮助乡村、地区和大城市的病理学家应对高需求和工作量，提高诊断准确度，还能缩短筛查和分析样本的时间。

“STimage工具不会取代病理学家的经验和专业技能。相反，它能提供细胞类型和基因活动方面的额外信息，这些是病理学家肉眼看不到的，能帮他们完成重要且技术难度很高的工作，”Nguyen副教授说。

空间生物学是一个新领域，研究组织微环境中复杂的分子活动，以揭示癌症等疾病的病因。它能提供标准病理学方法无法获得的见解，即只能在显微镜下检查苏木精-伊红（H&E）染色玻片。

一个多世纪以来，H&E染色一直是全世界病理学家使用的常规、低成本方法。特有的蓝色和粉色染色能显示细胞特征和组织结构，帮助医生识别结构异常，但它无法直接揭示组织内潜在的分子活动。

Nguyen副教授说，STimage工具对H&E玻片做空间分析，根据组织中检测到的分子模式，从生物学角度生成疾病预测。

阮副教授说：“该工具能做出诊断性预测，还能用数学算出这个结果有多确定。它第一次把结果透明化，工具会显示出为什么会得出这个预测，比如特定的组织或细胞特征，以帮助病理学家评估检查结果。”

该工具还对预后和治疗反应做出了准确的预测，能正确把病人分成生存风险高或低两类，还能判断病人对现有的药物可能会有完全或部分缓解。这些功能目前尚处于早期阶段，正在进一步开发中。

研究人员用机器学习和统计算法来训练模型，让它从去标识化的数据里做空间学习，这些数据包括乳腺、皮肤、肾脏癌症，还有肝病——原发性硬化性胆管炎。

在这一开创性领域中，类似的工具寥寥无几，但该团队的研究表明，STimage 的性能优于这些模型，而且还增加了一些关键功能，让预测结果更可靠、更容易解释清楚。

科学家们还在继续改进这个工具。他们打算扩大能检测的癌症类型，提高准确度，同时整合更多数据，以便在早期阶段发现更罕见的癌细胞，以及识别出能决定癌症进展和药物反应的重要免疫细胞。

下一步就是在病理实验室里测试这个模型，研究团队希望 STimage 工具能在两年内投入临床应用。