约翰斯·霍普金斯 AstroPath 技术入选 Anthropic AI for Science 项目

约翰斯·霍普金斯大学公布，该校用于癌细胞成像的 AstroPath 技术已被 Anthropic 选中，纳入其 AI for Science 项目。该项目向从事高影响力科研的团队提供 Claude 使用额度，让研究者可以直接调用前沿模型，而不必先解决算力与采购问题。

对约翰斯·霍普金斯而言，这次入选把一个为癌症免疫研究打造的工具，放进了 AI 公司的科学支持名单里。真正值得追问的是：一个已经能产出海量细胞级测量数据的工作流，还能从大模型身上得到什么。

AstroPath 由一位病理学家和一位天体物理学家共同搭建，两人分别来自 Mark Foundation Center for Advanced Genomics and Imaging 与 Bloomberg~Kimmel Institute for Cancer Immunotherapy。这种组合纸面上有些奇怪，实践中却相当自洽：两个学科都要从图像里提取可量化的信号，也都在几十年里反复处理同一个麻烦——如何让不同来源的测量彼此可比。

它的核心方法借自天文巡天。天文台必须把不同夜晚、不同仪器、不同天气条件下拍到的图像，换算到同一套亮度尺度上，否则一颗星的亮度根本无法跨巡天比较。AstroPath 把同样的定标逻辑搬到病理切片上，使肿瘤细胞的逐细胞测量在不同玻片、不同实验室之间保持一致。

这种一致性正是关键所在。癌症免疫研究越来越依赖跨机构汇总组织样本，样本在不同站点采集、染色、扫描；如果同一块组织因为扫描者不同而读出不同数值，下游的任何比较都会变模糊。对需要跨机构汇总数据的癌症免疫研究来说，这种一致性比单张图片的清晰度更关键。

它同样是机器学习能否在病理图像上真正好用的前提。用不一致的测量训练出来的模型，学到的东西里既有生物学，也有扫描仪和染色流程；只有经过校准的干净输入，才能让模型在从未见过的切片上依然站得住。

更宏观的信号是，AI 实验室正在把算力和模型访问权直接投进学术科研，生命科学是最早接住这类支持的方向之一。接下来要看两件事：约翰斯·霍普金斯团队究竟把额度花在图像分析、数据标注还是假设生成上；以及 AstroPath 的标准化测量能否随项目沉淀为可复用的数据集或开源工具。在这些变成结果之前，入选只是一个起点，而不是结论。