CenSegNet：AI 揭示乳腺癌中心体异常新模式

英国南安普顿大学的研究团队开发出一款名为 CenSegNet 的人工智能平台，能够在肿瘤样本中识别此前难以观测的中心体微观异常，从而更准确地预测乳腺癌的进展轨迹，并为个性化治疗提供新线索。该研究发表于《自然·通讯》（Nature Communications）。

研究背景：百年未解的中心体难题

中心体是细胞分裂过程中保证 DNA 均匀分配的关键微结构。一个多世纪以来，中心体异常一直被学界视为癌症的「标志性特征」之一。然而，由于中心体体积微小、形态多变，在患者组织样本中对其进行系统分析长期被视为「极具挑战性的工作」。

在癌组织中，中心体常出现过度复制的情况，进而推动肿瘤的发展。但过去的观察手段难以在单细胞层面、整块肿瘤范围内对中心体形态进行量化分析。

CenSegNet 的核心发现

CenSegNet 是一个面向中心体分割与分析的深度学习平台。研究团队对 127 名在 Southampton 大学医院接受治疗的乳腺癌患者的组织样本进行了分析，累计处理超过 33 万个中心体。

平台揭示出两种此前被混为一谈、实际却相互独立的异常类型：

• 数量型异常：细胞获得过多中心体；
• 形态型异常：中心体异常增大。

两者在空间分布上可占据肿瘤的不同区域，且具有各自独立的临床关联。

研究负责人、南安普顿大学生物科学学院及生命科学研究所的 Salah Elias 博士表示：「CenSegNet 让我们能以单细胞分辨率分析整块肿瘤中的中心体缺陷，揭示出此前不可能观察到的模式。我们的研究表明，中心体异常并非单一现象，而是具有不同空间分布和临床关联的独立生物学状态。」

与预后和治疗的关联

进一步分析显示，含有高水平「增大型中心体」的肿瘤侵袭性更强，而相关细胞水平较低的患者生存率更高。这意味着不同类型的中心体缺陷可能影响肿瘤生长、组织侵犯及治疗反应的方式。

Elias 博士指出：「特定的缺陷组合可能影响肿瘤如何生长、侵袭周围组织以及对药物的反应。这为开发新型生物标志物、最终实现更个性化的治疗策略打开了大门。」

下一步计划

研究团队希望未来能够借助 AI，通过分析细胞结构的行为来追踪疾病演进。下一步计划将 CenSegNet 与更多数据结合，探索其是否能够直接辅助临床治疗决策。