HOPE：利用空间组学衍生特征进行可解释的组织病理学分析，以实现精准肿瘤学

苏木精-伊红（H&E）染色图像是疾病评估中的基础性临床工具。然而，即使采用先进的计算模型，其预后能力仍然有限。空间组学能够对肿瘤微环境（TME）进行细致表征，但由于成本高昂且流程复杂，尚难以在临床中普及。 在本研究中，我们提出了HOPE，这是一种轻量级框架：在训练过程中，它利用配对的H&E与空间组学数据学习TME特征，并在推理阶段仅基于H&E进行应用。借助H&E基础模型，HOPE在不同癌种和队列中，均持续优于在无空间组学引导下训练的相同架构。进一步地，HOPE能够在H&E区域上生成具有可解释性的TME特征注释，将患者分层为具有生物学一致性的不同群体，并表现出不同的预后结局。HOPE为将高信息量空间组学研究成果转化为可扩展、可临床部署的工具提供了一条切实可行的路径。

苏木精-伊红（H&E）染色图像是疾病评估的基础性临床工具。然而，即使借助先进的计算模型，其预后能力仍然有限。空间组学能够对肿瘤微环境（TME）进行细致表征，但由于成本高、流程复杂，仍难以在临床中广泛应用。

在本研究中，我们提出了HOPE，这是一种轻量级框架，在训练阶段利用配对的H&E与空间组学数据学习TME特征，在推理阶段则仅基于H&E进行应用。依托H&E基础模型，HOPE在多种癌症类型和不同队列中，均持续优于在缺乏空间组学引导条件下训练的相同架构。进一步地，该方法能够在H&E区域上生成具有可解释性的TME特征注释，将患者分层为具有生物学一致性的不同群体，并表现出不同的预后结局。HOPE为将高信息量空间组学发现转化为可扩展、可临床部署的工具提供了一条切实可行的路径。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.03.729847v1?rss=1

🏷️ 空间组学 组织病理学 肿瘤微环境 H&E图像 可解释人工智能 精准肿瘤学