AI与医学的深度融合，为健康领域的进步创造了前所未有的机遇。
近日，微软团队发布了GigaTIME，这是第一个能以极低成本、大规模地获得肿瘤微环境（TME）数据的AI模型。
简单而言，GigaTIME学习了4000万细胞数据，能够将5~10美元的肿瘤病理切片，一键转化为价值高达几千美元肿瘤免疫数据（mIF）。
这将使得医生深入洞察肿瘤的免疫特性，识别出患者肿瘤免疫组成、癌症阶段、患者存活率、潜在用药方案等，并生成个性化的治疗方案！
该成果以“Multimodal AI generates virtual population for tumor microenvironment modeling”为题，发表在了Cell上。
与此同时，微软将GigaTIME在Hugging Face、GitHub和Microsoft Foundry等平台上开源。
链接：https://github.com/prov-gigatime/GigaTIME
团队表示，该成果有望极大地推动精准免疫肿瘤学研究。
仅几美元成本，一键生成肿瘤免疫数据
当前，癌症治疗已经从研究肿瘤细胞转向了“肿瘤免疫学”。
其中重中之重，就是“肿瘤微环境”（TME），带来了癌症治疗观念和理念的革新。
“肿瘤微环境”，即肿瘤的生长、转移和治疗响应，并非仅由癌细胞决定，而是由其与周围免疫细胞、基质细胞、血管、神经及信号分子动态相互作用的结果。
也就是说，科学家们从杀死癌细胞，转向了治理滋生癌细胞的生态系统。
无论是药物研发，还是临床治疗都依赖肿瘤微环境研究。尤其是，几乎所有靶向疗法都会面临耐药，TME研究是解开耐药谜题的关键钥匙。
这其中，多重免疫荧光（mIF）技术，又是解析肿瘤微环境最核心的空间成像技术之一。
它可以揭示肿瘤微环境中蛋白质表达的关键信息，帮助医生判断免疫细胞是否积极对抗癌细胞。
但mIF不仅价格昂贵，且非常耗时。仅仅一个样本花费数千美元，耗时数天，导致难以在临床推广。
研究人员绞尽脑汁：有没有什么低成本的方式，实现患者肿瘤免疫研究？
于是微软联合华盛顿大学研究团队，以及普罗维登斯医疗机构，共同开发了GigaTIME模型。
它仅仅用标准病理学切片（H&E），一键生成高分辨率的mIF数据。
图：GigaTIME工作流示意图
要知道，病理切片已成为癌症治疗中常规手段，每张售价仅5至10美元，有望极大地节省了肿瘤免疫研究成本。
首先，研究人员整理了清洗了大量数据，该数据集包含4000万个细胞，配对的病理学切片和mIF图像，跨21个蛋白质通道。
基于这些珍贵的数据集训练了GigaTIME模型，只需输入一张新的、从未见过的H&E切片，就能在几秒钟内预测并生成对应的高分辨率虚拟mIF图像，展示多种免疫细胞在肿瘤中的空间分布。
随后，研究团队将GigaTIME应用于普罗维登斯医疗系统内51家医院和1000多家诊所中14,256名癌症患者的病理样本。
最终，生成了覆盖 24 种癌症类型和 306 种亚型的约30万张虚拟mIF切片，从而构建了一个大规模、多样化的虚拟数据。
等于说，GigaTIME实现对数十种癌症类型和数百种亚型肿瘤微环境的群体尺度分析。
未来展望：变革癌症诊疗方式
微软称，这是历史上首个大规模的多模态AI用于生成肿瘤微环境数据的模型。
那么问题来了，耗费大量的时间进行建模，生成一堆mIF数据有什么好处？
研究人员表示，它将极大地推动精准免疫肿瘤学的发展。
例如，该模型能够从种群尺度上预测关键生物标志物，实现精准肿瘤分诊。
利用这个庞大的虚拟数据集，研究人员发现了1,234个具有统计学显著性的新关联，揭示了不同蛋白质表达与临床生物标志物（如基因突变、肿瘤突变负荷等）之间的关系，这些发现往往因成本限制而难以实现。
图：GigaTIME识别出泛癌、癌症类型、癌症亚型等层面上TIME蛋白与生物标志物的新关联
不仅如此，研究人员还10,200名患者上进行了独立的外部验证，将癌症基因组图谱（TCGA）数据集与生成虚拟mIF相比较。
最终观察到显著一致性，癌症亚型间虚拟蛋白激活的Spearman相关系数为0.88。
也就是说，生成的虚拟数据与真实世界数据高度一致，证明了其可靠性和普适性。
也就是说，科学家们和医生有望精准地识别出患者肿瘤免疫组成、癌症阶段、患者存活率、潜在用药方案等……
不止如此，团队还有一个更大的目标——构建强大的“虚拟患者”。
未来，它可以融合患者个人的病理、基因组、影像学等多维度数据，构建个性化的患者“数字孪生”模型，用于预测疾病进展和治疗反应，变革临床诊疗一刀切的方式。
它将极大地协助药物研究，从而降低当前将新癌症治疗推向市场所需的巨大成本和时间。
文章来自于“智药局”，作者 “王苏”。