《Nature Methods》：LazySlide: accessible and interoperable whole-slide image analysis
编辑推荐：
这篇研究针对计算病理学中全切片图像（WSI）分析与现代多模态、单细胞组学工作流分离的瓶颈，开发了开源框架LazySlide。它通过结合视觉-语言基础模型与scverse生态，实现了从预处理、量化到多模态查询、零样本分类的高效分析，并能与转录组学等数据进行整合，从而显著降低了技术门槛，提升了组织病理学在基础研究与临床诊断中的可及性与可解释性。
在生物医学研究和临床诊断领域，组织病理学是探究疾病本质的基石。随着数字病理学的进步，海量的高分辨率全切片图像（WSI）被保存下来，为在组织层面理解人类健康与疾病提供了前所未有的机会。然而，对WSI进行计算分析仍然充满挑战。一方面，现有的大量工具（如QuPath、CLAM、TIAToolbox等）往往存在数据结构碎片化、平台依赖性强、技术门槛高等问题；另一方面，这些工具与现代生物学中日益标准化的多模态、单细胞组学工作流程之间存在鸿沟，使得宝贵的病理学数据与基因组、转录组等其他维度的数据难以有效整合与分析。这极大地阻碍了科研人员从多维度、多模态数据中挖掘生物学新见解的能力。为了解决这些问题，研究人员在《自然-方法》（Nature Methods）上发表了一项研究，介绍了他们开发的LazySlide框架，旨在为全切片图像分析建立一座可访问、可互操作的桥梁。
为了开展这项研究，团队构建了LazySlide，这是一个构建在广泛使用的scverse生态系统之上的开源Python框架。其核心创新是引入了WSIData数据结构，它继承自SpatialData，但针对WSI的多样格式和大规模特性进行了优化，能够高效、直接地读取标准WSI格式，而无需进行可能导致5-10倍磁盘开销的数据序列化。LazySlide整合了先进的基础模型，实现了一整套从组织分割、分块、特征提取、可视化到多组学整合的分析流程，并支持零样本学习、自然语言查询等高级功能。在方法学上，研究主要应用了以下几个关键技术：1. 基于WSIData数据结构的图像高效存取与管理；2. 利用OpenCV或深度学习模型（如GrandQC）进行组织分割；3. 通过预训练视觉模型（包括通用模型如ResNet和病理学专用基础模型如UNI2、TITAN等）进行特征提取；4. 使用PLIP、CONCH等视觉-语言模型实现自然语言查询；5. 通过Leiden算法进行无监督空间域检测；6. 利用RNALinker类整合匹配的转录组测序（RNA-seq）数据；7. 应用Segment Anything Model 2 (SAM2)等技术进行零样本分割。研究使用了来自GTEx项目的人体动脉切片等数据集进行功能验证和性能评估。
研究结果
LazySlide框架概览
LazySlide通过其WSIData结构，支持对全切片图像进行高效预处理，量化细胞、形态和组织微解剖特征，并与深度学习框架进行多模态整合。其框架遵循scverse中AnnData、Scanpy和Squidpy等工具熟悉的API（应用程序编程接口）惯例，显著降低了计算病理学家和基因组学研究人员的入门门槛。
应用展示与基准测试
研究通过三个代表性应用展示了LazySlide将WSI数据与其他模态结合的能力。首先，在零样本视觉-语言查询中，利用来自GTEx项目的人体动脉（包括健康和钙化组织）切片，仅用几行代码即可计算文本到图像的相似性图谱。与“钙化”相关的术语在钙化样本中显示出更高的富集度，而解剖学术语在健康组织中占主导。基于此计算的“钙化评分”能显著区分健康与钙化组织。其次，在多模态整合方面，研究将WSI衍生的特征与匹配的RNA-seq（RNA测序）数据进行整合。分析显示，图像特征在UMAP（Uniform Manifold Approximation and Projection，均匀流形逼近与投影）空间中比单独的RNA-seq数据更能清晰地区分健康组和钙化组。通过MOFA（multi-omics factor analysis，多组学因子分析）进行的整合也捕捉到了这一模式。与仅使用RNA数据相比，WSI与RNA的联合分析能识别出更多与钙化相关的关键通路，如IL-18信号通路。最后，在零样本器官分类中，LazySlide利用视觉-语言模型，仅用一行代码就正确识别了来自九个不同人体器官的大部分WSI来源，并在动脉钙化数据集上也取得了高分类性能，展示了其无需特定训练即可提取有价值见解的能力。
在可用性和性能基准测试中，LazySlide在标准预处理流程（组织分割、分块、为PyTorch准备分块数据集、特征提取）上所需的代码行数、令牌数更少，API更简洁。在分类任务中，除了未在组织图像上训练的ResNet50外，LazySlide使用其他视觉模型（如h0-mini、UNI2、TITAN）提取的特征，其分类性能 consistently outperforms（持续优于）QuPath。此外，LazySlide的组织分割速度也显著快于QuPath的自动或手动工作流程。
结论与意义
总而言之，LazySlide代表了人工智能赋能的组织病理学和组织生物学领域的重大进步。它通过一个模块化、用户友好且开源的框架，在计算病理学与多模态组学之间架起了桥梁。该框架严格采用Zarr格式以最大化互操作性，并通过支持多种后端（如OpenSlide, tiffslide）确保与广泛的图像格式兼容。尽管其分布式文件结构在某些计算环境中可能受限，但其优势是显而易见的。LazySlide支持多种基础模型，并确保与scverse生态系统的无缝互操作，实现了对WSI的整合性、可扩展性和可解释性分析。它赋能计算病理学家和基因组学研究人员，帮助他们从组织生物学和疾病中发现新见解，加速了数据驱动的、具有临床意义模型的发展。这项研究为解决病理学数据孤岛问题、推动多模态整合分析提供了强大而高效的工具，有望深刻改变生物医学研究的实践方式。
