在生物医学研究领域，尤其是空间生物学方向，一个绕不开的难题就是ROI的选择——也就是我们常说的感兴趣区域。你翻阅那些高影响力的学术论文，基本都能看到作者圈定ROI进行深入分析的通用方法。问题是，这个选择过程能否也交给人工智能来辅助完成？
ROI选择在空间分子病理分析以及诸多病理学任务中，始终是核心环节，直接影响研究的可重复性和生物学可解释性。传统做法依赖人工判断和专家经验，但这种方式的短板相当明显——评估者之间存在显著差异、容易受主观偏差影响、难以实现规模化应用，再加上病理医生本就稀缺，这无疑让困境雪上加霜。更棘手的是，不同平台拥有各自独特的捕获区域，不同检测手段和生物学问题也千差万别，想要找到一套放之四海而皆准的通用选择规则，几乎不现实。
研究人员基于MD Anderson Patient Mosaic数据库中1,116个人工精心挑选的ROI——这个数据集覆盖了55种癌症类型，被归类为癌、黑色素瘤、肉瘤及其他四大类——结合GeoMx DSP空间蛋白组学和多重免疫荧光（mIF）数据，将每个ROI分割成肿瘤区室（PanCK⁺/S100B⁺）和TME区室（PanCK⁻/S100B⁻），进行了区室特异性的深入分析。结果发现，癌和黑色素瘤的免疫活性明显高于肉瘤，黑色素瘤在肿瘤区室的PD-1/PD-L1表达水平最高、免疫逃逸现象也最为突出，而在TME中，癌的PD-1表达反而比黑色素瘤更高。与此同时，PD-L1与增殖标志物Ki-67在所有癌种中都呈现显著正相关（相关系数范围0.36–0.78），这意味着免疫逃逸与肿瘤增殖之间存在密切关联。基于mIF的单细胞免疫评分（mIF-scIS，以CD45细胞为指标）与DSP蛋白组学数据显著相关（癌的CD45相关系数r=0.44，黑色素瘤r=0.50；CD8在癌中r=0.36，黑色素瘤r=0.51），这验证了免疫评分的可靠性。不过，mIF-scIS与肿瘤区室PD-L1的相关性仅在黑色素瘤中观察到（r=0.41），提示这种关联具有癌种特异性。人工ROI免疫评分与全切片水平的评分显著相关（r=0.753，ICC=0.75），且没有明显的固定偏差，但个体一致性界限较宽（-16.25~18.19），说明ROI在群体水平上能较好地代表全切片，但个体差异依然存在。
研究目标与整体框架
基于人工ROI的这些生物学洞见，研究团队的目标非常明确：开发一套自动化的ROI选择流程。他们采用了通才-专才混合框架（GFM + ASTROS），旨在实现跨癌种的可重复大规模分析。整个流程分为三个阶段，采用从粗到细（coarse-to-fine）的策略来处理mIF全切片图像。
基于网格的自动化免疫评分（mIF-aIS）
首先，利用快速像素级CD45表达估算，计算网格级别的自动化免疫评分。结果令人振奋：这个自动化评分（mIF-aIS）与两位病理医生独立给出的人工评分（mIF-mIS）均显著相关——与医生1的相关系数r=0.744，与医生2的r=0.717，这与医生之间的一致性（r=0.735）几乎持平。再看分类免疫评分的一致性，Light"s κ系数为0.688，也与病理医生间一致性（κ=0.672）高度吻合。结论非常清晰：图像免疫评分是可靠的，完全有资格作为自动化ROI选择的关键组件。
阶段二：代表性网格筛选
接下来，按照全切片中各免疫类别网格的比例，为每个样本分配可用的ROI数量（N=6），这样能确保对全切片具有良好的代表性。研究人员将人工ROI边界扩展到网格大小，构建了一个免疫分层参考网格集。随后利用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。结果显示，选定网格的余弦相似度显著高于被淘汰的网格（Wilcoxon检验，p = 1.3×10⁻³⁰³）。在此基础上，他们开发了两个版本：Hybrid.v1仅基于GFM相似度选择网格；Hybrid.v2则额外使用ASTROS对每个候选网格打分，并动态整合SGFM和SAST的权重——权重的确定依据是各评分分布在全切片中的判别离散度，实现了自适应协同。
阶段三：ASTROS模型开发与应用
ASTROS是一个专为ROI选择设计的AI专才任务导向模型。训练数据方面，包含了606个人工标注ROI（来自57例样本），外加222个由两位病理医生额外标注的ROI，这样就把评估者间变异也纳入了考虑范围。验证数据涉及128张WSI，共768个ROI，覆盖癌、肉瘤、黑色素瘤等多种类型。最终输出的ROI尺寸为1,649×1,961像素，与人工DSP ROI的平均尺寸保持一致。
更有意思的是，研究团队还开发了一个虚拟支持框架，用于从H&E染色切片预可视化ROI选择。为什么要做这个？因为H&E染色比mIF更常规、成本也更低。他们利用生成式AI从H&E合成虚拟mIF（vmIF），然后在这个基础上运行混合ROI选择框架。这样一来，仅凭H&E染色就能提前预判ROI选择的大致效果，大大加速了框架的实际落地应用。
这个混合框架还被适配到了10x Genomics的空间转录组平台（Visium和Visium HD）。回顾性数据涉及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）和上尿路尿路上皮癌（UTUC）。研究团队设计了三种应用场景来展示框架面对不同需求时的灵活性，并最终在前瞻性CCA样本（4例）中用于Visium HD实验的ROI输入。这三种场景清晰地展示了单一模型的优缺点，以及模块化框架灵活适配的能力——这恰恰是模块化设计最精妙之处。
