Measurement First

先测量，再解释。

NucleoScope 的任务不是给出理论答案，而是把 SVS 图像转换为可检查、可导出、可重复的细胞核群体统计测量。

截至目前的观察显示，肿瘤/非肿瘤状态与 RSi 分布的一个统计特征（Tail Runaway / Tail Closed）存在对应关系——而这一对应关系无需预先指定物种、肿瘤类型或组织部位。

为什么这个观察反常识

为什么这个观察值得意外？

几十年来，病理学一直把核异型性视为恶性最基本的指征之一。但病理学历来是在任务特异性框架内评估核异型性的——不同物种、不同器官、不同肿瘤类型，各自有自己的分级体系或诊断标准。

我们的观察问的是一个不同的问题。我们问的不是"核异型性是否存在"，而是：一个预先定义的定量形态学变量，能否在无需预先指定物种、肿瘤类型或组织部位的情况下，反复表现出与肿瘤/非肿瘤状态相同的统计对应关系？截至目前，我们反复观察到这种对应关系。这是否代表一种真实的生物学规律，仍是一个需要独立验证的开放问题。

一个预先定义的统计测量 ↓ 无需任务特异性定标 ↓ 跨任务的统计对应关系
新意不在于核形态与癌症相关。新意在于：一个预先定义的统计测量，也许可以在无需任务特异性定标的情况下，跨越不同的病理背景保持成立。
Instrument Logic

从图像到统计谱

SVS
→
细胞核分割
→
单核 RSi
→
群体分布
→
Tail Readout
SVS → ≥10,000 nuclei → one RSi per nucleus → RSi distribution → Tail Closed / Tail Runaway
一个细胞核，如何变成一个数字？

R → S → RSi → Nuclear-State Spectrum

计算机首先看到的是一个细胞核，而不是"癌症"。随后计算两个结构量：R（Structural Field Fluctuation，结构场起伏）与S（Geometric Bending Deviation，几何弯曲偏离），按 RSi = R / S 合成每个细胞核唯一的一个数值。

R：Structure Field Fluctuation

  • 观察对象整个细胞核形成的二维结构场
  • 通俗理解细胞核内部结构起伏有多明显
  • 不是不是简单统计边缘粗糙度

S：Geometric Bending Deviation

  • 观察对象细胞核轮廓
  • 通俗理解边界偏离理想圆形多少
  • 不是不是材料真实刚度
R 看的是细胞核里面；S 看的是细胞核外面；RSi = R / S 把里面和外面的结构信息组合成一个数字。

每个细胞核还会得到第二个、完全独立的测量值：C（Concavity，凹陷计数）。本页描述的 Tail Closed / Tail Runaway 读出，目前只基于 RSi 分布；C 是单独记录的另一个单核测量值，目前还没有被用于 Tail 判定。

C：Concavity（凹陷计数）

  • 观察对象细胞核边界上有多少个明显向内凹陷的区域("坑")
  • 通俗理解细胞核表面有多少个"坑"——就像数一个球表面有多少个凹坑
  • 不是不是从 R 或 S 推算出来的——它是直接从边界形状独立测量的

RSi 与 C 的区别

  • RSi内部+外部结构，合成一个数字（R / S）——目前的 Tail Closed / Tail Runaway 读出就是基于它
  • C边界上有多少个坑，独立计数——已被记录，但目前还没有用于 Tail 判定
  • 两者每个细胞核都会测量，都属于这台仪器原则上可以读出的更完整的核态谱
C 统计细胞核表面有多少个"坑"——光滑的细胞核 C 值低，严重变形的细胞核 C 值高。目前的 Tail 读出还没有用到它。
NucleoScope 真正测量的是什么

它测量的是核态谱（Nuclear-State Spectrum）——Tail 只是谱中的一个可读特征

NucleoScope 测量的不是"Tail Status"。它测量的是细胞核群体的核态谱（Nuclear-State Spectrum）。Tail Closed / Tail Runaway 是从这个谱里读出的一种读出方式——不是谱本身，也不是这台仪器的定义。

SVS 病理图像 ↓ 单核状态 (RSi, C) —— RSi = R / S，C = 凹陷计数（Concavity） ↓ 大量细胞核群体分布 ↓ Nuclear-State Spectrum 核态谱 ↓ 多个谱特征 / 谱读出

核心形态

主峰位置、谱宽

尾部行为

尾部宽度、尾部比例、Tail Closed / Tail Runaway、Spectral Cliff

群体结构

双峰或多峰结构、亚群分布、空间异质性、不同状态区域之间的转变带

癌症是目前发现的第一个谱关联，不是这台仪器的定义。在目前个人分析的数据中，谱的尾部状态显示出一个反复出现的关联：肿瘤/癌症样本通常呈现 Tail Runaway，非肿瘤样本通常呈现 Tail Closed。这种关联仍需独立验证。这台仪器不是"Tail detector"，也不是"cancer detector"——它是一台 Nuclear-State Spectrometer（细胞核状态谱仪）。谱的其他特征（主峰位置、谱宽、多峰结构、亚群、空间组织）未来可能用于研究别的问题——癌前变化、炎症、衰老、药物反应、发育、组织损伤与修复、不同物种的核状态、肿瘤内部异质性、正常组织之间的差异——这些目前都还没有测试过。
用"类温度变量"理解 RSi

RSi 本身不是温度，但 RSi 分布在功能上类似温度这一宏观量。

单个细胞核的 RSi，类似单个分子的动能——是微观量，不是温度。温度是宏观变量：它不是单个分子的属性，而是从大量分子的动能分布中统计涌现出来的量（这也是"有效温度"这类概念在非平衡系统中的常见用法）。同样，单个细胞核的 RSi 只是一个微观状态量；真正在功能上类似温度的，是至少 10,000 个细胞核的 RSi 分布——也就是 Nuclear-State Spectrum。

微观量

一个细胞核 → 一个 RSi，类似单个分子的动能。

宏观量

≥10,000 个细胞核的 RSi 分布 → Nuclear-State Spectrum，真正类似温度。

科学边界：这里说的"功能上类似温度"，成立的层面是 RSi 分布（Nuclear-State Spectrum），不是单个细胞核的 RSi 数值。这个分布不是摄氏温度，也不是已经建立的热力学温度或熵测量，更接近非平衡系统中"有效温度"这类推广概念。

温度计只输出一个标量数字（39.1°C）。NucleoScope 输出的是一整个分布——从结构上说，更接近光谱仪、质谱仪或流式细胞仪：一台给出完整谱的仪器，研究者可以从谱里读出峰的位置、谱宽、尾部行为、亚群结构，而不只是一个数字。

一个提议中的框架，不是已确立的学科

核态谱学（Nuclear-State Spectroscopy）——一个分三层的提议

成熟的谱学（光谱学、质谱、核磁共振谱、拉曼光谱）都把三件事分开：一种方法学（这个领域本身）、一个测量对象（谱本身——频谱、质谱），以及实现它的仪器——通常有很多台，由不同人做出来，输出的是同一类对象。我们提议把这套分层用在这里——这是一个提议，不是已确立的学科。

方法学

核态谱学（Nuclear-State Spectroscopy）——一个提议中的框架，用于把大规模细胞核群体表示为可重复的状态谱。

测量对象

核态谱（Nuclear-State Spectrum）——群体层面的分布本身，跟用什么软件算出来的无关。

仪器

NucleoScope——这个框架的一种实现，第一代仪器，不是框架本身。

为什么要提出一个术语，而不只是一套方法：现有词汇——histogram、distribution、density、KDE——描述的是数据的数学形状，但没有表达"这个形状代表被测量群体的一种真实状态"这层意思。而这恰恰是"谱（spectrum）"在成熟科学里的含义。

这里有两个容易被混为一谈、但完全不同的问题：我们需不需要一个概念来描述自己的工作，以及这个概念以后会不会成为一门被公认的学科。第二个问题不是我们能决定的。"核态谱（Nuclear-State Spectrum）"的命名方式，跟"基因组（genome）""蛋白质组（proteome）""连接组（connectome）"是一类——给一个新近可定义的研究对象命名。"核态谱学（Nuclear-State Spectroscopy）"的命名方式，跟"信息论（information theory）""混沌理论（chaos theory）""系统生物学（systems biology）"是一类——提出一种组织知识的方式，提出者并不能决定它以后会不会成为教科书内容，那是后来由是否被采纳来决定的。

我们提出这个术语，是因为现有词汇难以准确描述对大规模细胞核群体状态谱的测量与分析。它旨在作为一种方法学框架，用于组织测量、现象学和解释，而不是宣称已经建立了一门新学科。这一框架未来是否会发展成为一个独立研究领域，将取决于科学共同体的验证、采用和发展，而不是由我们单方面决定。
阶段1 — 测量 核态谱这个测量对象本身是否存在、可重复？ （有稳定的统计结构，不是噪声——跟任何疾病标签无关） ↓ 阶段2 — 现象学 某个具体谱特征（比如 Tail Runaway） 是否和某个具体生物学状态（比如恶性肿瘤）经验上对应？ （可检验、可证伪——这正是目前公开邀请验证的那个假设） ↓ 阶段3 — 机制 这个对应关系背后是什么原因？ （未来的工作，前提是阶段2先经受住独立复现）

这跟其他学科的发展路径是一致的：天文学家先确立了旋臂的存在、描绘出它的特征，几十年后密度波理论才解释了旋臂为什么会形成；X射线衍射先确立了双螺旋结构，之后碱基配对化学才解释了为什么会是这个结构。存在先于解释。这份报告只做阶段1和阶段2的工作，阶段3不涉及。

阶段2不是一个单独的发现，而是一整个可能的条目空间，癌症只是第一个被填上的条目。一旦阶段1（谱本身）成立，很多独立的阶段2问题就可以被提出来，每一个都有自己未来的阶段3：

已填上（本报告）

  • Tail Runaway ↔ 癌症

开放——尚未探索

  • 主峰位移 ↔ 衰老？
  • 谱宽变化 ↔ 药物反应？
  • 亚群结构 ↔ 发育？
  • 空间异质性 ↔ 组织损伤/修复？
关于措辞的说明

测量的语言，不是定义的语言

在整个项目中，我们尽量保持一种特定的语言纪律：描述"测到了什么"，而不是断言"这是什么"。这一点在上面的阶段2（现象学）尤其重要，因为很容易不小心把一个观察到的关联，说成了一个定义。

我们使用的说法

  • 对应（corresponds to）
  • 与……关联（is associated with）
  • 反复一起出现（repeatedly appears together with）
  • 与……一起被观察到（is observed together with）
  • 存在一致的统计关系（shows a consistent statistical relationship with）

在这个阶段我们避免的说法

  • 是（is）
  • 定义（defines）
  • 证明（proves）
  • 导致（causes）
  • 决定（determines）
截至目前的观察显示，肿瘤/非肿瘤状态与 RSi 分布的一个统计特征（Tail Runaway / Tail Closed）存在对应关系——而这一对应关系无需预先指定物种、肿瘤类型或组织部位。
一对一比较 · 病理基础模型（Foundation Models）

不是"用不用 AI"的问题——而是通用性从哪里来。

病理基础模型（例如 UNI、Virchow、CONCH、Prov-GigaPath）通过在海量多器官全切片数据集上训练，学习一种不需要按器官重新训练就能跨任务泛化的表征。这里真正值得比较的，不是 NucleoScope 用不用 AI，而是这种通用性从哪里来。

Foundation Model

模型训练 ↓ 学习到的表征 ↓ 跨任务泛化

NucleoScope

固定测量 ↓ 统计分布 ↓ 测得的统计对应关系

基础模型

  • 通用性来源学习到的表征（learned representation）——在大规模数据上训练出的、能跨任务泛化的模型
  • 需要大规模训练语料、GPU 算力、模型权重
  • 通用性是训练过程涌现出的属性

NucleoScope 的观察

  • 通用性来源（如果成立）测得的统计对应关系（measured statistical correspondence）——一个固定的预定义统计量，不需要重新训练
  • 需要不需要训练、不需要标签、不需要按器官定标
  • 通用性是如果这一观察持续被复现，是细胞核群体本身的经验性质
我们提出的不是一种新的分类器。我们在问的是：病理学里是否存在一种从未被测量过的内在统计规律。基础模型是让模型从数据中学习跨任务的共性；这里描述的观察，问的是一个不同的问题：是否有一部分跨任务共性，可以不经训练、用一个固定的预定义统计量直接测量出来——是一种统计上的对应关系（correspondence），而不是统计上的收敛（convergence），因为"收敛"会暗示一种本报告并未声称观察到的过程。如果这一观察持续得到独立验证，它会成为一个值得进一步解释的经验现象——不是一种新的分类器，也不能替代基础模型方法，因为基础模型处理的任务范围，比本报告讨论的这一个读出（Tail Runaway/Closed）要广得多。如果这一现象被广泛复现，真正重要的问题将不再是"这个 AI 为什么这么准"，而会变成：为什么一个固定的统计测量，在不知道物种、癌种、组织部位的情况下，仍然能表现出一致的统计对应关系？
一对一比较 · QuPath

真正的区别不是"谁会算统计"——而是"谁把什么定义成了测量对象"。

几乎任何图像分析软件都能对分割出来的对象算统计——这本身不是一个有意义的比较点。QuPath、Python，甚至一张 Excel 表，都能算分布、直方图，或者 FFT。真正有意义的问题是另一个：这个领域是不是把某个特定的输出——比如信号处理里的频谱，或者质谱学里的质谱——当作一个被定义好的、可重复的测量对象本身，跟具体谁用什么软件算出来的无关？

QuPath

  • 主要任务通用病理图像分析、标注、分割与对象测量
  • 主要对象单个细胞、单个细胞核和组织区域
  • 统计导出后由研究者自行设计——QuPath 没有定义一个特定的群体级测量对象
  • 输出对象级测量表、标注和 CSV

NucleoScope

  • 主要任务提议一个特定的群体级测量对象：核态谱
  • 主要对象至少 10,000 个细胞核组成的群体，被表示为一个谱
  • 统计由这个框架本身定义——主峰位置、谱宽、尾部行为、亚群结构
  • 输出一个核态谱，Tail Closed / Tail Runaway 是它其中一个可读特征
QuPath 是一个用来算统计的工具。NucleoScope 提议了一个测量对象——核态谱——原则上其他工具也可以计算它。
一对一比较 · 氢光谱

不是相同物理机制，而是相同的测量逻辑。

氢光谱

  • 测量对象大量氢原子
  • 状态变量波长、频率或能量
  • 群体表示光谱
  • 最终读出特征谱线与谱型
  • 科学用途通过谱判断原子状态

NucleoScope 核态谱

  • 测量对象大量细胞核
  • 状态变量图像导出的结构变量 RSi
  • 群体表示RSi 统计分布
  • 最终读出Tail Closed / Tail Runaway
  • 科学用途通过分布观察核群体状态
一个对象无法形成谱；大量对象的状态分布，才产生可重复的群体读出。

它是什么

  • 研究用途的定量测量工具
  • 面向细胞核群体统计结构
  • 输出可复核的数值与分布

它不是什么

  • 不是临床诊断系统
  • 不是黑箱癌症概率模型
  • 不是一种癌症机制理论