空间转录组学（Spatial Transcriptomics, ST）为组织结构提供了分子层面的丰富描述，使得研究人员能够发现“组织微环境”——这些是具有独特细胞类型组成和功能的空间连贯区域，对于生物学研究和临床解读都至关重要。然而，空间转录组技术目前仍面临成本高昂和数据稀缺的挑战。与此同时，H&E染色病理图像虽然随处可见，但其携带的信号粒度相对较低，难以直接提供分子层面的精细信息。
为克服这一瓶颈，研究团队提出了一种创新方法：通过跨模态知识蒸馏（cross-modal distillation），利用配对的空间转录组数据和H&E图像，将空间转录组学衍生的组织微环境结构知识迁移到仅依赖H&E图像的模型中。这一框架在训练阶段充分利用了两种数据的互补性。
实验结果表明，在多种组织类型和疾病背景下，经过知识蒸馏的模型在识别微环境结构方面，与空间转录组学所得结果的一致性显著高于仅基于形态学特征训练的无监督基线模型。此外，该模型还能准确恢复具有生物学意义的邻域细胞组成，这一点已通过细胞类型分析得到证实。这项技术的关键优势在于，一旦模型完成训练，它便能够仅凭H&E病理图像对新的组织区域进行分析和预测，无需在推断时提供任何空间转录组学输入，从而大大提高了分子级组织分析的可及性和效率。