当质谱成像遇见人工智能：从逐点扫描到自动读图

质谱成像正在越过一个拐点：过去十年，行业主要解决“能不能成像”；接下来的重心，会逐渐转向“成像出来的图怎么读”。而能承接这海量图数据的，正是人工智能。

痛点不在采，而在读

一次较高分辨率的成像，产生的是“空间像素 × m/z 通道”的三维数据，体量常达 GB 级。传统工作流里，研究人员要手动挑选感兴趣的 m/z、逐张比对、凭经验判断哪片区域“不一样”。这种方法在样本少时尚可，样本一多就成了瓶颈。

人工智能的切入点也正在于此——它不是去替代电离源，而是接手“读图”这后半程。

三个正在形成的方向

自动找差异。 用无监督学习方法对整个成像数据做降维与聚类，系统可以自动标出“分子组成明显不同的区域”，而不必依赖人工先猜一个 m/z。这把“从假设出发”变成“从数据出发”。

跨片配准。 同一组织不同切片、不同批次的成像，空间坐标常有漂移。图像配准算法能把它们对齐，使纵向比较成为可能，也让多组学融合更稳。

模态融合。 把质谱成像的分子信息与光学影像、病理标注放在一起训练，模型逐渐学会“看到分子图就联想到组织学意义”。这对肿瘤分型、药效评估等有直接的科研价值。

不能绕开的现实约束

一是数据标准。不同成像源、不同平台的谱图分辨率与坐标体系不一，若没有统一的预处理规范，模型很难跨设备泛化。二是可解释性。科研与临床场景往往要求“为什么这么判”，纯黑箱结论难以被采纳。三是算力与存储。GB 级数据要在合理时间内完成重建与推理，对本地算力提出要求。

新策源（Neo Source INSTRUMENT）的成像源在产品上把分辨率（DPI 20–200 μm、LDPI 2–3 μm）与兼容 Agilent、AB SCIEX、Thermo 平台作为基础能力提供，相当于把“干净、可复现”的成像数据交到用户手里——这恰恰是后续接 AI 流程的前提。

展望

短期看，AI 更多作为科研人员的“辅助读图器”，处理配准、降维、初筛；中期看，自动标注与跨模态关联会进入常规流程；更长远，成像—分析—判读可能压缩成一条近实时的链路。

但无论怎么智能化，“电离稳不稳、位置准不准、平台接得上接不上”仍是底座。AI 不会让成像源变多余，反而会让一套可靠、可复现的成像系统更有价值——因为好模型，永远需要好数据喂出来。