多色免疫荧光（mIF）图像分析中的阳性判定长期受限于传统阈值法，难以应对跨平台、跨组织的复杂情况。Nimbus模型另辟蹊径，让AI直接学习“病理医生式”的视觉判读逻辑，为mIF分析提供了更稳定、可泛化的解决方案，是其从实验室走向临床的关键一步。
智能速览
传统阈值法在mIF分析中泛化能力差，依赖人工调参。
Nimbus模型通过学习视觉模式判定阳性，而非依赖信号强度。
研究团队构建了包含1.97亿标注的Pan-M数据集用于训练。
Nimbus在多个平台测试中F1分数稳定在0.86-0.93，鲁棒性强。
其输出能更清晰地区分细胞群体，提升下游生物学分析准确性。
精华内容
Nimbus模型的革新之处在于，它不再纠结于信号强度的数值，而是转向学习视觉特征，实现了从“数值计算”到“视觉感知”的跨越，从而解决了传统方法的核心痛点。
传统方法瓶颈
多色免疫荧光（mIF）分析的常规流程是先分割细胞核，再通过形态学膨胀推断细胞质区域，然后为每个蛋白标志物设定强度阈值来判定阴阳。这种方法在处理不同实验的曝光、背景或染色条件时，阈值极易失效，导致结果泛化性能极差。膜定位信号容易“溢出”到相邻细胞，核膨胀法无法还原真实边界，最终往往需要依赖人工反复调整参数，限制了其在大规模临床研究中的应用。
视觉判阳新路径
Nimbus模型彻底改变了判定的依据。它不再计算细胞内的平均信号强度，而是采用改进的Residual U-Net网络，直接从图像中学习视觉模式。输入一张单marker通道图像和细胞分割掩膜，Nimbus就能输出每个细胞对该marker的阳性概率。它学习的是阳性信号在细胞中的空间分布特征，如环形、点状或膜边缘强化，这种逻辑更接近病理医生的视觉判读，规避了均值阈值法的弱点。
海量数据支撑
为了让模型学会“像人一样看图”，研究团队构建了规模与异质性极强的Pan-M（Pan-Multiplex）数据集。该数据集包含1.97亿次marker-cell标注、1500万细胞、54种蛋白、10个细胞谱系、4类组织和3种主流成像平台。其双层标注体系尤为关键：用半自动流程生成海量的“银标准”数据用于训练，再由专家人工校正形成高质量的“金标准”数据用于验证，这是迄今规模最大的手工校正多标记细胞注释集。
卓越的泛化性能
在MIBI-TOF、CODEX和Vectra等多个平台的五个不同来源数据集上，Nimbus的F1分数稳定在0.86–0.93之间。当模型在一个平台上训练、在另一个平台上测试时，其F1值下降不到2%，性能远超其他传统方法。在模拟panel差异的实验中，随机移除部分marker，Nimbus的性能几乎不变。运行效率上，处理一块中等大小的全切片约需340秒/通道，速度在可接受范围内。
Nimbus模型为mIF分析的临床落地提供了关键一环，它用更鲁棒的“视觉感知”替代了脆弱的“阈值规则”，确保了分析结果的一致性与可复现性。当基础模型探索、视觉判阳定性与空间统计整合这三条路径联动时，mIF走向临床应用的图景将更加清晰。
