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组织薄片是二维的，只能有限地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 病理数据集包含的数据比 2D 病理数据集多数百倍，这使得手动检查变得不可行。
在一项新研究中，来自麻省总医院的研究人员及其合作者提出了 Tripath：新的深度学习模型，可以使用 3D 病理数据集来进行临床结果预测。 研究小组与华盛顿大学合作，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。 然后训练模型来预测人体组织活检中前列腺癌的复发风险。 通过从整个组织成交量中全面捕获 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中心化进行验证，然后才能进一步开发用于临床，但研究人员对其帮助临床决策提供信息的潜力持乐观态度。
主要作者 Andrew H. Song 博士表示：“我们的方法强调了全面分析整个组织样本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 病理学范式才能实现” ，麻省总医院病理学系计算病理学部。
“利用人工智能和 3D 空间生物学技术的进步，Tripath 提供了一个临床决策支持框架，并可能有助于揭示用于预后和治疗反应的新生物标志物，”计算病理学部门的共同通讯作者 Faisal Mahmood 博士说。麻省总医院病理科。
“在我们之前的计算 3D 病理学工作中，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来提取亚视觉 3D 特征以进行风险分层，这显示了指导关键疾病的巨大潜力。治疗决定，”华盛顿大学的共同通讯作者乔纳森·刘博士说。
披露：Song 和 Mahmood 是一项临时专利的发明人，该专利与本研究的技术和方法方面相对应。 Liu 是 Alpenglow Biosciences, Inc. 的联合创始人兼董事会成员，该公司已获得他在华盛顿大学实验室开发的 OTLS 显微镜产品组合的许可。
资助：作者报告了来自布莱根妇女医院 (BWH) 院长基金、麻省总医院 (MGH) 病理学、国家普通医学科学研究所 (R35GM138216)、国防部 (DoD) 前列腺癌研究计划 (W81WH-) 的资助18-10358 和 W81XWH-20-1-0851）、国家癌症研究所 (R01CA268207)、国家生物医学成像和生物工程研究所 (R01EB031002)、金丝雀基金会、NCI Ruth L. Kirschstein 国家服务奖 (T32CA251062)、约翰·霍普金斯大学、UKRI、mdxhealth、NHSX 和克拉伦登基金会的 Leon Troper 计算病理学教授。
资讯来源：由a0资讯编译自THECOINREPUBLIC。版权归作者A0资讯所有，未经许可，不得转载
