作者从CANVAS推断结果中提取262项空间特征，包括邻域组成、多样性、离散度、细胞互作、空间距离和转变熵，最终构建了包含13项特征的免疫治疗PFS预测签名。
在Stanford ICB发现队列中，模型对6、12和24个月PFS的时间依赖AUC分别为0.75、0.73和0.71，而PD-L1单独预测24个月结局的AUC为0.54。模型在Cancer Moonshot Biobank外部队列中仍保持一定分层能力。
高风险模式主要与CN01肿瘤核心、CN04纤维化基质及CN06中性粒细胞富集有关；相对有利的空间特征则包括B细胞、T细胞和免疫组织化结构。
PD-L1提供的是分子表达信息，CANVAS进一步描述了免疫细胞是否进入肿瘤、如何组织，以及它们是否形成有利于治疗反应的空间生态。
从这项研究可以迁移什么
方法借鉴：
如果研究目标是构建可解释的病理AI模型，可以先寻找与疾病进展或治疗反应相关的空间单元，再将这些单元转化为H&E可识别的形态标签。这样，模型输出会更容易回到具体组织区域，而不是停留在一个无法解释的风险分数。
可迁移路线：
空间组学建立参考图谱，配对H&E完成跨模态训练，外部病理队列进行空间生态重建，最后将空间组成、距离和互作特征送入预后或疗效模型。这套流程同样适用于乳腺癌、结直肠癌、肝癌、纤维化和慢性炎症疾病。
临床落点：
CANVAS的优势在于H&E的可获得性。医院已有大量常规病理切片，如果模型经过多中心验证和染色标准化，未来可以在不额外开展空间蛋白组检测的情况下，初步评估患者的肿瘤空间生态类型。
需要守住的边界：
模型推断结果不等同于真实的细胞测量或蛋白检测；免疫治疗外部验证队列规模仍然有限。因此，后续还需要更大规模、多中心、前瞻性队列验证模型在不同扫描仪、染色流程和病理亚型中的稳定性。
总结
CANVAS提供了一条清晰的转化路径：先用空间蛋白组回答"哪些细胞在什么位置形成了怎样的组织结构"，再用H&E把这些空间信息扩展到大规模临床样本，最后用于预后和免疫治疗分层。
这篇工作的落点，是把病理切片从形态记录提升为一种可推断肿瘤空间生态位的临床数据入口。
参考文献
Cell | CANVAS：从H&E重建肺癌空间生态位并预测ICB获益
研究主线：CANVAS把41重空间蛋白组定义的细胞邻域映射回普通H&E切片，使病理图像能够承担空间生态分型、预后评估和免疫治疗获益预测任务。
文献信息
项目 内容
标题 Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology
中文理解 本文通过整合41重空间蛋白组、H&E病理图像和基础模型，建立肺癌细胞邻域参考图谱，并进一步从常规病理切片推断空间生态位，用于预后及免疫检查点抑制剂疗效分层。
期刊 Cell
发表时间 2026年7月9日
研究方向 数字病理、空间蛋白组、病理人工智能、肿瘤免疫微环境
核心方法 CANVAS、CODEX空间蛋白组、H&E病理图像、MUSK病理视觉-语言基础模型
样本量/数据规模 457例NSCLC空间蛋白组样本，超过1800万细胞；临床验证队列超过5000例
DOI https://doi.org/10.1016/j.cell.2026.05.031
PubMed https://pubmed.ncbi.nlm.nih.gov/42302781/
数据/代码 https://zenodo.org/records/20263843；https://github.com/lilabstanford/CANVAS
这篇文章解决了什么问题
H&E切片便宜、普及、适合大规模回顾性研究，但它主要提供形态信息，不能直接告诉我们某个区域有哪些免疫细胞、这些细胞是否形成组织化结构，也不能直接读取空间蛋白表达。
空间蛋白组正好能够补足这些信息，却受到成本、通量和临床样本可及性的限制。本文的思路是先用空间蛋白组建立"参考答案"，再让模型从H&E形态中学习这些空间结构。
CANVAS的核心价值不是把H&E变成真正的空间蛋白组，而是建立一个可解释的空间生态位推断层。模型输出的不是简单的高风险或低风险标签，而是肿瘤核心、纤维化基质区、B细胞区、T细胞区和中性粒细胞区等更接近组织生物学的问题答案。
文章摘要
研究团队首先对457例非小细胞肺癌样本开展41重CODEX空间蛋白组检测，覆盖超过1800万细胞。基于细胞类型、细胞表型和局部空间共现关系，作者定义了10类具有重复性的细胞邻域。
随后，研究将配对H&E与CODEX图像进行配准，并利用MUSK病理视觉-语言基础模型提取病理形态特征，训练CANVAS从H&E切片推断空间邻域标签。模型在独立测试集上获得超过0.83的准确率、超过0.79的macro-F1和超过0.80的Cohen's kappa。
在TCGA、PLCO、NLST及泛癌队列中，CANVAS推断的空间生态位与患者生存存在稳定关联。进一步在免疫检查点抑制剂治疗队列中，基于空间组成、距离、离散度和细胞互作构建的预测签名能够对无进展生存期进行分层，其表现优于单独使用PD-L1指标。
文章最重要的推进，是将空间组学发现转化为H&E可读取的组织生态信息，并将这种信息扩展到大规模临床病理队列。
方法设计亮点
从单细胞走向细胞邻域：不只统计免疫细胞数量，还考虑细胞在局部组织中的共现关系和空间组织方式。
用配对数据完成跨模态学习：CODEX提供空间蛋白组标签，H&E提供可规模化的形态输入，二者共同训练空间生态位预测模型。
从病理分类走向临床分层：模型输出进一步用于预后、空间生态分型和免疫治疗获益预测。
材料与方法
模块 内容
研究对象 非小细胞肺癌，包括LUAD和LUSC样本
空间平台 41重CODEX空间蛋白组
空间数据规模 457例样本，超过1800万细胞，15类主要细胞类型和64类细胞表型单元
细胞邻域 定义10类cellular neighborhoods，覆盖肿瘤、免疫、基质、血管等空间结构
病理图像 配对H&E切片及全切片图像，病理块大小为224 × 224像素
基础模型 MUSK病理视觉-语言基础模型
临床队列 TCGA、PLCO、NLST、Stanford ICB及Cancer Moonshot Biobank
验证策略 独立TMA测试、跨队列生存验证、免疫治疗外部验证及PD-L1分层比较
研究结果
41重空间蛋白组建立肺癌生态位参考图谱
研究首先在大规模NSCLC空间蛋白组中识别细胞类型、细胞表型和局部组织结构，最终归纳出10类细胞邻域。
这10类邻域包括肿瘤核心区、巨噬细胞富集区、B细胞生态位、纤维化基质区、浆细胞簇、中性粒细胞富集区、肿瘤-免疫交界区、T细胞区、泛免疫活化区和血管生态位。
其中，CN03、CN05、CN07和CN08等富含B细胞、浆细胞或T细胞组织化结构的邻域与更好预后相关；CN01、CN04和CN06则更多与不良结局相关。
真正具有临床意义的不是免疫细胞数量本身，而是这些细胞是否形成了有组织的局部空间结构。
LUAD和LUSC呈现不同的空间重塑路线
肺腺癌和肺鳞癌在疾病进展过程中并非共享同一种肿瘤微环境变化模式。
LUAD进展更多表现为B细胞和细胞毒性T细胞浸润的协调变化；LUSC则更常见角化相关肿瘤状态、CAF/M2样巨噬细胞和中性粒细胞富集，同时伴随淋巴细胞生态位减少。
这说明组织学亚型背后对应着不同的免疫-基质-肿瘤细胞空间组织逻辑。后续构建亚型预后模型或免疫治疗预测模型时，不能只把LUAD和LUSC作为普通临床协变量。
细胞邻域将复杂微环境压缩为可解释单元
基于细胞共现、邻近关系和局部组织结构，作者将单细胞信息进一步组织为10类空间邻域。
相同数量的CD8 T细胞，若位于肿瘤-免疫交界区、B细胞生态位或T细胞组织化区域，其临床含义可能完全不同。空间邻域因此成为连接"细胞组成"和"组织功能"的中间层。
从生信设计角度看，这种聚合方式比直接堆叠几十种细胞比例更容易解释，也更适合进入后续的生存模型、治疗反应模型和空间生态分型。
CANVAS从H&E推断空间生态位
CANVAS利用配对的H&E-CODEX数据训练跨模态模型，让H&E形态特征与10类空间邻域标签建立对应关系。
模型在独立TMA2测试集上表现稳定，准确率超过0.83，macro-F1超过0.79，Cohen's kappa超过0.80。模型还可以在整张H&E切片上生成空间邻域分布图，将病理形态重新组织为肿瘤核心、纤维化区、免疫活跃区和血管相关区域等空间标签。
这里需要准确理解：CANVAS并不是通过H&E直接检测蛋白，而是根据形态特征推断与空间蛋白组邻域相对应的组织结构。
空间互作特征提升免疫治疗获益预测
作者从CANVAS推断结果中提取262项空间特征，包括邻域组成、多样性、离散度、细胞互作、空间距离和转变熵，最终构建了包含13项特征的免疫治疗PFS预测签名。
在Stanford ICB发现队列中，模型对6、12和24个月PFS的时间依赖AUC分别为0.75、0.73和0.71，而PD-L1单独预测24个月结局的AUC为0.54。模型在Cancer Moonshot Biobank外部队列中仍保持一定分层能力。
高风险模式主要与CN01肿瘤核心、CN04纤维化基质及CN06中性粒细胞富集有关；相对有利的空间特征则包括B细胞、T细胞和免疫组织化结构。
PD-L1提供的是分子表达信息，CANVAS进一步描述了免疫细胞是否进入肿瘤、如何组织，以及它们是否形成有利于治疗反应的空间生态。
从这项研究可以迁移什么
方法借鉴：
如果研究目标是构建可解释的病理AI模型，可以先寻找与疾病进展或治疗反应相关的空间单元，再将这些单元转化为H&E可识别的形态标签。这样，模型输出会更容易回到具体组织区域，而不是停留在一个无法解释的风险分数。
可迁移路线：
空间组学建立参考图谱，配对H&E完成跨模态训练，外部病理队列进行空间生态重建，最后将空间组成、距离和互作特征送入预后或疗效模型。这套流程同样适用于乳腺癌、结直肠癌、肝癌、纤维化和慢性炎症疾病。
临床落点：
CANVAS的优势在于H&E的可获得性。医院已有大量常规病理切片，如果模型经过多中心验证和染色标准化，未来可以在不额外开展空间蛋白组检测的情况下，初步评估患者的肿瘤空间生态类型。
需要守住的边界：
模型推断结果不等同于真实的细胞测量或蛋白检测；免疫治疗外部验证队列规模仍然有限。因此，后续还需要更大规模、多中心、前瞻性队列验证模型在不同扫描仪、染色流程和病理亚型中的稳定性。
总结
CANVAS提供了一条清晰的转化路径：先用空间蛋白组回答"哪些细胞在什么位置形成了怎样的组织结构"，再用H&E把这些空间信息扩展到大规模临床样本，最后用于预后和免疫治疗分层。
这篇工作的落点，是把病理切片从形态记录提升为一种可推断肿瘤空间生态位的临床数据入口。
参考文献
Li Y, Li Z, Quinton R, et al. Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology. Cell. 2026;189(14):4241-4259.e9.
PubMed: https://pubmed.ncbi.nlm.nih.gov/42302781/
PMC全文: https://pmc.ncbi.nlm.nih.gov/articles/PMC13345706/
DOI: https://doi.org/10.1016/j.cell.2026.05.031