99.5% 的灵敏度、90.9% 的阳性预测值：血液肿瘤分型有了能本地跑的模型，但它只敢标「仅供科研」

3分钟看懂

11 月 12 日，美国分子病理学会（AMP）2026 年会通稿发布了一项结果：一家叫 ALMA Genomics 的佛州小公司，用 DNA 甲基化训练出的基础模型 ALMA 3，在独立测试里以 99.5% 的灵敏度检出血液与淋巴系统肿瘤，指派具体亚型时阳性预测值 90.9%，覆盖 81 个亚型。

论文以会议摘要形式发在《The Journal of Molecular Diagnostics》（H071），11 月 13 日早上 7 点口头报告，11 月 14 日上午壁报，地点西雅图。台面上的阵容不止这家公司：宾夕法尼亚大学、MIT 以及多家学术与临床机构都在这份作者名单里。

真正值得写的不是那两个百分数，而是另一件事：这套分类器能下载、能离线跑。GitHub 上 `almagx/alma3` 从 8 月底建库，10 月 12 日发 v3.0.0，一路打到 v3.1.2；官方给的是 Docker 镜像、一份自家写的模型许可证、以及一句「x86-64 CPU、16GB 内存就能推理」的说明。在「甲基化分型」这个长期被少数商业实验室把持的方向上，这种开放程度不常见。

（本文基于多家媒体转述整理，事件与数字以 AMP 官方通稿、ecancer、Clinical Lab Products、MedLabPortal 等独立稿，以及官方仓库与官网口径为准。）

一句话先说结论

它到底做什么：把「甲基化指纹」当成一张可检索的地图

先说背景。血液肿瘤最难的地方不是「有没有癌」，而是「哪一种」。WHO 第 5 版和 ICC 2022 两套分类体系并行，亚型多到血液病理医生也要靠一组免疫组化、流式、染色体核型和融合基因拼图；拼错一步，治疗方案就差了很远。

DNA 甲基化提供的是另一条线索：不同细胞来源、不同分化阶段的肿瘤，甲基化图谱有稳定的差异。ALMA 这套东西就是从这儿切进去的。它最早叫 Acute Leukemia Methylome Atlas，2025 年 7 月发在 Nature Communications，用 3,314 例白血病样本、11 个统一处理的队列，把 27 个 WHO 亚型做了分类。

ALMA 3 是第三代。按官方仓库的说法，它按 WHO/ICC 对齐的层级做分类：肿瘤有无 → 5 个谱系 → 15 个家族 → 35 个型 → 107 个亚型，而且在亚型证据不足时会主动退回上一级，而不是硬给一个答案。这一点比单纯追准确率更实用——临床上「分不清」本身就是一个需要被明确输出的结果。

输出因此有三种状态：`fully_resolved`（分型完成）、`partially_resolved`（型定了、亚型没定）、`heme_tumor_not_detected`（没检出血液肿瘤信号）。

99.5% 和 90.9% 分别是什么

这两个数字经常被媒体写成一句话，其实是两个不同环节的指标，混着读会读错：

• 99.5% 灵敏度：判断「这是不是血液/淋巴系统肿瘤」这一层。也就是筛查层面，漏诊率低。
• 90.9% 阳性预测值：在已经判定为肿瘤之后，指派到具体亚型时，判对了的比例。这是分型层面。

换句话说，第一个数字说的是「能不能发现」，第二个说的是「分得准不准」。通稿没有给特异度，也没有给阴性预测值——这意味着现在还无法判断它把正常样本误判成肿瘤的概率。对筛查类工具来说，这恰恰是最该看的那个数。

训练规模是 >110,000 例患者样本，覆盖 81 个亚型；样本来源包括 ALMA Genomics、宾大、MIT 和多家临床机构。注意这里的口径差：研究覆盖 81 个亚型，模型本身支持 107 个。仓库里写的是 107，通稿写的是 81，两者不矛盾，但引用时别把 107 说成「已验证 107 个亚型」。

为什么「能本地跑」比百分数更重要

甲基化分型不是新东西。CNS 肿瘤那一支早就商业化了， Heidelberg Epignostix 的 CNS 分类器覆盖 184 个亚类，卖点是「在你自己实验室里跑」。血液肿瘤这一支一直缺一个同等开放度的选项。ALMA 3 的做法是把整条链做成一个容器：

• 输入一：Illumina 甲基化芯片（450K / EPIC / EPICv2），CSV 每行一个样本，`sample_id` 打头，后面是 CpG ID（`cg00000029` 这种），值是 0–1 的 beta 值；原始 IDAT 要先过 SeSAMe。
• 输入二：Oxford Nanopore，用 Modkit v0.6.3 固定版本做 pileup，必须同时合并 5mC 与 5hmC（芯片区分不了这两个，长读长可以）。
• 输入三：PacBio HiFi，只能取 5mC，不能把 5hmC 的概率加进去——官方 README 明确写了「永远不要相加或归一化」。
• 最低门槛：每个样本至少命中 5,000 个 ALMA3 认得的 CpG，低于这个数直接拒。

工程参数也说得很直白：镜像 4.45GB，x86-64 CPU、至少 16GB 内存即可，不要求 GPU。对一个县级医院或小型实验室来说，这个门槛意味着「不需要买卡、不需要上云」就能跑一遍。

顺带说一句容易忽略的细节：模型对输入的一致性极其敏感。芯片的 5mC+5hmC、ONT 的合并信号、PacBio 的纯 5mC，是三种不同分布。官方把每种输入的转换命令都写死在 README 里，还点名 MethBat 未经验证——这类「预处理决定结论」的坑，比自己写脚本省下的时间值钱得多。

怎么用：四步跑通一个样本

如果你想实际试一遍，最省事的路径是这样：

• 第一步，先跑 demo。`docker pull ghcr.io/almagx/alma3:3.1.2`，然后 `docker run --rm -v "$PWD:/work" --workdir /work ghcr.io/almagx/alma3:3.1.2 demo`，会生成一个 `alma3-demo.csv`，先确认容器在你机器上能起来。
• 第二步，把原始数据转成它认的格式。芯片数据直接整理成 CSV（或先用 SeSAMe 处理 IDAT）；ONT 走 README 里那条 Modkit 命令导出 bedMethyl；PacBio 走 pb-CpG-tools 再按目标 CpG 列表过滤。这一步错了，后面全错。
• 第三步，推理。`infer -i sample.bed -o sample.alma3.jsonl` 拿完整结构化结果，或者输出 CSV 给人看。
• 第四步，读结果要读「状态」。看到 `partially_resolved` 不要当成失败，那是模型在说「型定了、亚型证据不够」，正对应临床上该补做免疫组化或融合基因检测的场景。

如果要批量、要图形化，官方还有一个网页平台 app.almagx.com，做预处理、分类、诊断图谱和整合报告。官网首页挂着「已处理 875 例」的计数器，报告里除了表观诊断，还包含小变异、结构变异、拷贝数变化和药物基因组——也就是说它想卖的不只是一个分类器，而是一条从测序到报告的流水线。

许可与合规：这是全文最该看清的一段

仓库顶部挂着一个橙色徽章：Research Use Only。许可证不是 MIT、不是 Apache，是自家的「ALMA3 License 1.0」，条款可以概括成四句：

• 科研、教学、评测、非商业、以及医院/实验室/公司内部使用，免费。
• 对外提供的产品或服务，必须显著标注「Powered by ALMA3」；对外分享的报告必须写「Analysis performed using ALMA3」。
• 分发衍生模型必须声明基于 ALMA3；学术发表必须引用它给的摘要。
• 想对外提供商业诊断或模型服务（包括诊断分类、托管推理、微调），必须另签书面协议。

翻成大白话：自己实验室里用，随便用；拿它给别人出报告赚钱，得找他们谈。没有任何 FDA clearance、没有 CLIA 验证声明，通稿自己也写着「additional clinical validation is under way」。这一点必须写在最前面，因为「99.5%」这种数字最容易被读成「可以上临床了」。

适用场景

• 血液病理的第二意见：免疫组化 + 流式 + 核型拼完仍有分歧的病例，用甲基化图谱做一个独立维度的交叉验证。
• 疑难亚型排序：把 107 个亚型的概率分布当成线索清单，指导该补哪个融合基因、哪个标记。
• 科研队列分层：回顾性队列里先做一轮表观分型，把「诊断不一致」的样本挑出来再人工复核。
• 方法学与基准研究：这是目前少有的、能拿到权重和推理镜像的血液肿瘤甲基化分类器，适合做对比基线。
• 本地数据不出域的场景：医院内网、涉及患者基因数据不能上云的机构。

不适用场景（避坑）

• 不能当诊断结论：RUO 标注、无监管许可、无独立第三方复现。任何对外报告都不能只凭它。
• 不能用于筛查健康人群：特异度和阴性预测值未公布，误报率未知，用错场景代价很大。
• 不能跨平台随手混数据：芯片、ONT、PacBio 三种输入分布不同，官方明确禁止混算 5mC 与 5hmC 的概率。
• 不要在 CpG 覆盖不足的样本上强行跑：低于 5,000 个可识别 CpG 会被拒，硬凑数据只会得到看似合理但无意义的分类。
• 不要把 107 当成「已验证 107 个亚型」：验证覆盖是 81 个，其余是靠层级回退机制兜住的。
• 别把「几个月前的模型」当今天发布：ALMA 一代 2025 年 7 月就发了 Nature Communications，ALMA3 的代码 2026 年 8 月底就已公开，这次新增的是 >11 万例数据的测试结果 + 会议报告。

成本与时间

软件侧成本几乎为零：镜像免费下载，CPU 推理，不租 GPU。真正的成本在三处：

• 测序/芯片成本：甲基化芯片或长读长测序本身的开销，远高于推理开销；这是落地的实际门槛。
• 预处理人力：ONT 的 Modkit、PacBio 的 pb-CpG-tools 都要按版本钉死，跑错版本结果会漂，需要有人守着。
• 合规成本：要拿它对外出报告，得走 LDT 验证或另谈商业授权，这部分的时间和钱比软件贵得多。

商业授权价格官方没有公开，只能走 [email protected] 谈。这一点别自己折算——没有任何公开价目表。

它在整条链路里的位置

把甲基化分型放进现有流程，合理的顺序是：形态学 + 免疫组化先定大方向 → 流式与核型/ FISH 补关键易位 → 分子检测（融合基因、突变）定亚型 → 仍有分歧的，才交给甲基化分类器当独立一票。

这个顺序不是保守，是成本决定的：甲基化检测比前几步贵，只有在前几步打结的时候才值得上。反过来说，如果一家实验室每天都有大量「分型不清」的病例，把这一步前置到流程中段，反而能省下反复补做免疫组化的时间——UF 那篇校方报道里提到的「从一周压到一个工作日内」，指的就是这条路径的潜力。

接下来该看什么

• 特异度与阴性预测值：这是目前最大的空白，也是判断它能不能碰筛查场景的唯一依据。
• 完整论文：会议摘要只有 1 页，队列构成、留出集划分方式、各亚型的混淆矩阵都还没公开。
• 第三方复现：现在所有数字都来自作者方，独立实验室用自己队列跑一遍才算数。
• 监管路径：RUO 到 LDT 再到 IVD，每一步都需要前瞻性验证，通稿只说「在进行中」。
• 与商业甲基化分类器的正面对比：CNS 那一支已经有成熟商业化产品，血液这一支的对照数据还没有。

行动建议

如果你在血液病理或分子诊断岗位：第一步，去 GitHub 把 demo 跑通，确认你们现有的芯片平台或测序平台能产出合规输入；第二步，翻出 20–30 例「当年分型有争议、最后靠临床随访定案」的旧病例，用模型盲跑一遍，看它能不能把争议点指出来——这比看任何百分数都有用；第三步，只有在自己的队列上也站得住，才谈要不要进流程。

如果你只是关心 AI 在生物医学的进展：这次值得记的不是 99.5%，而是「一个只有几个人的公司，把 107 个亚型的分类器做成了 4.45GB 的容器，挂上自家许可证让所有人下载」。模型开放到这个程度，在临床诊断领域仍然罕见，它带来的讨论会比数字本身更持久。

参考来源

AMP 官方通稿《AMP 2026: AI in molecular diagnostics》（2026-11-12）：https://www.amp.org/about/newsroom/press-releases/2026/amp-2026-ai-tipsheet/

ecancer（2026-11-13）：https://ecancer.org/en/news/29189-ai-model-accurately-classifies-dozens-of-blood-cancer-subtypes

Clinical Lab Products（2026-11-13）：https://clpmag.com/diagnostic-technologies/digital-pathology/ai-tools-cancer-classification-reporting-amp-2026/

MedLabPortal（2026-11-13）：https://medlabportal.com/amp-2026-ai-in-molecular-diagnostics-what-works-what-doesnt/

Mirage News（2026-11-12）：https://www.miragenews.com/ai-in-molecular-diagnostics-1776584/

官方仓库 almagx/alma3（v3.1.2，2026-10-13）：https://github.com/almagx/alma3

ALMA Genomics 官网（含 ALMA3 Atlas、875 例计数器）：https://almagx.com/

会议页 H071（2026-11-13 07:00–07:15 PST）：https://amp2026.eventscribe.net/fsPopup.asp?PresentationID=1905330&mode=presInfo

前代研究：Epigenomic diagnosis and prognosis of Acute Myeloid Leukemia（Nature Communications，2025-07-29）：https://www.nature.com/articles/s41467-025-62005-4

背景：佛罗里达大学对创始人 Francisco Marchi 的报道（2026-09-08）：https://pharmacy.ufl.edu/2026/09/08/time-is-of-the-essence/