人体组织错综复杂，当然也是三维的。但病理学家最常用于诊断疾病的薄组织切片是二维的，只能提供有限的信息来了解组织的真实复杂性。病理学领域越来越倾向于以三维形式检查组织。但 3D 病理学数据集包含的数据量比 2D 数据集多数百倍，因此无法进行手动检查。
在一项新研究中，麻省总医院布莱根分校的研究人员及其合作者提出了 Tripath：一种新的深度学习模型，可以使用 3D 病理数据集进行临床结果预测。研究团队与华盛顿大学合作，使用两种 3D 高分辨率成像技术对精选的前列腺癌标本进行成像。然后训练这些模型预测体积人体组织活检中前列腺癌的复发风险。通过从整个组织体积全面捕捉 3D 形态，Tripath 的表现优于病理学家，并且优于依赖 2D 形态和薄组织切片的深度学习模型。结果发表在《细胞》杂志上。
虽然新方法需要在更大的数据集中进行验证才能进一步开发用于临床，但研究人员对其帮助临床决策的潜力持乐观态度。
“我们的方法强调了全面分析整个组织样本体积以准确预测患者风险的重要性，这是我们开发的模型的标志，并且只有通过 3D 病理范式才有可能实现，”主要作者、麻省总医院布莱根分院病理学部计算病理学分部的 Andrew H. Song 博士说。
“利用人工智能和 3D 空间生物学技术的进步，Tripath 为临床决策支持提供了一个框架，并可能有助于揭示预后和治疗反应的新型生物标志物，”麻省总医院布莱根分院病理学系计算病理学分部的共同通讯作者 Faisal Mahmood 博士说。
“在我们之前在计算 3D 病理学方面的工作中，我们研究了前列腺网络等特定结构，但 Tripath 是我们首次尝试使用深度学习提取亚视觉 3D 特征进行风险分层，这显示出指导关键治疗决策的良好潜力，”华盛顿大学的共同通讯作者 Jonathan Liu 博士说。