课前准备--通用-专用AI框架，用于空间分析流程中的感兴趣区域（ROI）选择

作者，Evil Genius

大家一定要珍惜学生时代，尤其硕士博士阶段，对于生物学、医学方向而言，一篇好的文章意味着什么，我相信大家比我更深有体会。

学生时代年轻，有精力，只要有时间，能学习的技能尽量学，能发多高的文章尽量发，工作了以后，尤其是进入了社会，想着再发文章，难如登天，且年纪越大精力越不够，很多时候，好的阶段过去就是过去了，再也不会有第二次机会。

高精度空转一个很重要的问题就是选择ROI，大家看文章的话，几乎都是圈选ROI进行深入分析。

那么AI能否在其中起到作用，帮助我们选择关键区域呢？

感兴趣区域（ROI）的选择在空间分子病理分析和许多病理学任务中通常是关键一步，对研究可重复性和生物学可解释性具有重要影响。

传统ROI选择依赖于人工和专家经验，存在评估者间差异大、易受偏差影响、难以规模化等问题，而病理医生短缺进一步加剧了这一困境。更复杂的是，不同平台捕获区域、检测手段和生物学问题各不相同，没有一套固定的选择规则能通用所有场景。

基于MD Anderson Patient Mosaic数据库中1,116个人工精选ROI（涵盖55种癌症类型，分为癌、黑色素瘤、肉瘤及其他四大类），利用GeoMx DSP空间蛋白组学和多重免疫荧光（mIF）数据，将每个ROI分割为肿瘤区室（PanCK⁺/S100B⁺）和TME区室（PanCK⁻/S100B⁻）进行区室特异性分析。研究发现癌和黑色素瘤的免疫活性高于肉瘤，黑色素瘤在肿瘤区室的PD-1/PD-L1表达最高且免疫逃逸最为显著，而TME中癌的PD-1表达反而高于黑色素瘤；同时PD-L1与增殖标志物Ki-67在所有癌种中均呈显著正相关（r范围0.36–0.78），提示免疫逃逸与肿瘤增殖密切关联。基于mIF的单细胞免疫评分（mIF-scIS，%CD45细胞）与DSP蛋白组学数据显著相关（CD45：癌r=0.44，黑色素瘤r=0.50；CD8：癌r=0.36，黑色素瘤r=0.51），验证了评分的可靠性，而mIF-scIS与肿瘤区室PD-L1的相关性仅见于黑色素瘤（r=0.41），提示癌种特异性关联。人工ROI免疫评分与全切片水平显著相关（r=0.753，ICC=0.75）且无明显固定偏差，但个体一致性界限较宽（-16.25~18.19），表明ROI在群体水平上能较好代表全切片而个体差异仍存。

研究目标与整体框架

目标：基于人工ROI的生物学见解，开发自动化ROI选择流程

采用通才-专才混合框架（GFM + ASTROS），实现跨癌种可重复的大规模分析

流程分为三个阶段，从粗到细（coarse-to-fine）处理mIF全切片图像

基于网格的自动化免疫评分（mIF-aIS）

利用快速像素级CD45表达估算，计算网格级自动化免疫评分

与两位病理医生独立人工评分（mIF-mIS）显著相关：

mIF-aIS vs 病理医生1：r = 0.74

mIF-aIS vs 病理医生2：r = 0.72

与病理医生间一致性相当（r = 0.74）

分类免疫评分的一致性（Light's κ = 0.688）与病理医生间一致性（κ = 0.672）高度吻合

结论：图像免疫评分可靠，可作为自动化ROI选择的关键组件

阶段二：代表性网格筛选

按全切片中各免疫类别网格的比例，分配每样本可用ROI数量（N=6），维持全切片代表性

将人工ROI边界扩展至网格大小，构建免疫分层参考网格集

使用PLIP（GFM）提取参考网格和候选网格的嵌入向量，计算GFM相似度评分（SGFM）（最大余弦相似度）

选定网格的余弦相似度显著高于淘汰网格（Wilcoxon检验，p = 1.3×10⁻³⁰³）

Hybrid.v1：仅基于GFM相似度进行网格选择

Hybrid.v2：额外应用ASTROS对每个候选网格打分（SAST，最大检测置信度），动态整合SGFM和SAST权重（基于各评分分布在全切片的判别离散度），实现自适应协同

阶段三：ASTROS模型开发与应用

ASTROS：面向ROI选择的AI专才任务导向模型

训练数据：606个人工标注ROI（57例）+ 额外222个ROI（2位病理医生，以纳入评估者间变异）

验证数据：128张WSI，含768个ROI（覆盖癌、肉瘤、黑色素瘤等）

输出ROI尺寸：1,649×1,961像素（匹配人工DSP ROI平均尺寸）

开发一个虚拟支持框架，用于预览来自H&E的ROI选择

由于H&E染色比mIF更常规、成本更低，研究利用生成式AI从H&E合成虚拟mIF（vmIF），在此基础上运行混合ROI选择框架

目标：实现仅凭H&E即可预可视化ROI选择，加速框架落地应用

将混合框架适配到10x Genomics空间转录组平台（Visium和Visium HD）

回顾性数据：4种肿瘤类型的H&E染色WSI——胶质母细胞瘤（GBM）、胆管癌（CCA）、肺腺癌（LUNG）、上尿路尿路上皮癌（UTUC）

设计三种应用场景，展示框架应对不同需求的灵活性

最终在前瞻性CCA样本（N=4）中用于Visium HD实验的ROI输入

三种场景展示了单一模型的优缺点及模块化框架的灵活适配能力

生活很好，有你更好。