Nature Methods
LazySlide：基于scverse生态的全切片图像多模态整合分析框架

小赛推荐：

该研究为计算病理学与单细胞组学的无缝整合提供了标准化分析路径，显著降低了多组学数据联合分析的技术壁垒，对肿瘤微环境研究具有直接指导意义。

 

文献概述

本文《LazySlide: accessible and interoperable whole-slide image analysis》，发表于《Nature Methods》杂志，系统探讨了如何将数字病理学中的全切片图像（WSI）与现代单细胞和多组学分析流程高效整合。作者提出LazySlide——一个基于scverse生态的开源Python工具包，通过引入视觉-语言基础模型和标准化数据结构，实现了从图像预处理到跨模态查询、零样本分类的全流程自动化。该方法不仅提升了计算病理学的可及性，还为组织空间组学研究提供了可扩展、可重复的分析框架。

背景知识

目前，组织病理学仍是癌症、心血管疾病等重大疾病诊断与研究的核心手段，其高分辨率图像承载着丰富的空间组织架构与细胞形态信息。然而，传统WSI分析工具如QuPath、CLAM等常受限于碎片化数据结构、平台依赖性强及与单细胞分析流程不兼容等问题，导致难以与转录组、表观组等多组学数据进行系统性整合。尤其在肿瘤异质性研究中，缺乏统一的数据标准阻碍了从形态到分子机制的系统解析。LazySlide通过构建WSIData数据结构，解决了WSI与scverse生态系统的互操作性瓶颈，填补了从图像到多组学联合建模的技术空白。其引入的零样本学习与自然语言查询功能，使非深度学习背景的研究者也能高效挖掘图像语义信息，显著降低了AI辅助病理分析的应用门槛。

 

针对心血管疾病研究，赛业生物提供靶点人源化小鼠模型，如hPCSK9、hLPA等，支持高胆固醇血症、动脉粥样硬化等疾病的精准建模与药物评价。结合LazySlide的钙化评分分析，可系统评估基因治疗或小分子药物在血管病理改善中的效果，助力从机制研究到临床前验证的全流程推进。

了解更多

 

研究方法与核心实验

作者基于scverse生态系统开发了LazySlide，采用WSIData作为核心数据结构，继承自SpatialData但优化以支持多种WSI格式（如.svs、.ndpi、.mrxs）的直接读取，避免了传统方法中因格式转换导致的存储膨胀问题。框架集成了OpenSlide、bioformats等后端，确保跨平台兼容性。在预处理阶段，LazySlide实现了自动化组织区域分割，支持基于OpenCV的传统图像处理与基于GrandQC的深度学习模型两种策略，显著提升分割速度与精度。

为实现多模态整合，LazySlide支持将组织切片划分为规则图块，并通过预训练视觉模型（如UNI2、Virchow2）提取高维特征。这些特征可进一步用于无监督聚类，识别出如小肠中的黏膜层、黏膜下层、肌层及淋巴组织等微解剖结构。同时，框架整合了Instanseg、Cellpose等细胞分割工具，支持细胞实例识别与分类，量化组织微环境中的免疫细胞空间分布。

关键创新在于引入视觉-语言模型（如PLIP、CONCH），实现自然语言查询功能。例如，输入“lymphocyte”即可生成全切片相似性热图，定位富含淋巴细胞的区域。该功能被应用于动脉钙化研究，通过“calcification”文本查询生成钙化评分，成功区分健康与病变组织。此外，LazySlide实现了与RNA-seq数据的联合分析，通过MOFA等多组学整合方法，揭示了钙化相关通路（如IL-18信号通路）在图像与转录组中的协同变化。

关键结论与观点

• LazySlide通过WSIData结构实现了WSI与scverse生态的无缝互操作，解决了传统工具中因格式转换导致的存储与性能瓶颈，为空间组学研究提供了标准化数据容器。
• 框架支持多种预训练视觉模型（包括UNI2、TITAN等）进行特征提取，在乳腺癌肺转移模型中，LazySlide提取的特征显著优于QuPath，表明其在保留生物语义信息方面更具优势。
• 自然语言查询功能使研究人员可通过文本如“apoptosis”或“vascular niche”直接定位组织区域，实现了无需标注的语义搜索，极大提升了病理图像探索效率，适用于免疫浸润分析等复杂场景。
• LazySlide在GTEx动脉数据中成功构建“钙化评分”，并与RNA-seq联合分析，揭示了IL-18信号通路在钙化组织中的富集，表明其具备从形态到机制解析的多模态推断能力。
• 零样本器官分类实验中，LazySlide在九个器官WSI上实现高准确度识别，证明其无需训练即可泛化到新组织类型，为罕见病病理筛查提供了新思路。

研究意义与展望

LazySlide的发布标志着计算病理学正式进入多组学整合时代。其对scRNA-seq与WSI的联合分析支持，为构建“形态-基因”关联网络提供了可操作工具，有望加速生物标志物发现与药物靶点验证。未来，随着更多视觉-语言模型的集成，LazySlide可进一步实现自动病理报告生成，辅助临床决策。

在药物开发领域，该工具可用于药效评估中组织响应的量化分析，例如在抗纤维化或抗炎药物研究中，通过文本查询“fibrosis”或“inflammatory infiltrate”动态监测治疗前后变化。此外，其开放架构支持用户自定义模型，便于整合空间转录组数据，推动构建更高分辨率的组织图谱。

 

在肿瘤微环境研究中，免疫系统人源化小鼠模型可重建人类免疫系统，用于评估免疫检查点抑制剂、CAR-T等疗法的体内药效。结合LazySlide的细胞分割与空间分析功能，可精准量化治疗前后肿瘤内T细胞、巨噬细胞的空间分布变化，深入解析免疫治疗响应机制，为新药开发提供可靠体内模型支持。

了解更多

 

结语

LazySlide不仅是一个工具，更是一种新的分析范式。它将全切片图像从静态观察对象转变为可计算、可查询、可整合的数据源，真正实现了“图像即数据”的愿景。对于癌症、心血管疾病和神经退行性疾病等依赖组织病理诊断的领域，LazySlide为研究者提供了从形态到分子机制的桥梁。其与scverse生态的深度集成，使得单细胞与空间数据的联合分析成为标准流程，极大提升了研究的可重复性与可扩展性。未来，随着更多机构采用这一框架，我们有望建立统一的病理数据标准，推动精准医学从“观察驱动”向“数据驱动”转型。该工具的开源性质也鼓励社区贡献，将进一步加速AI在病理学中的落地，最终提升疾病诊断与治疗的精准度。

 

Yimin Zheng, Ernesto Abila, Eva Chrenková, Juliane Winkler, and André F Rendeiro. LazySlide: accessible and interoperable whole-slide image analysis. Nature Methods.