研究人员推出了Tripath，这是一组新的深度学习模型，旨在分析3D病理数据集并对临床结果进行预测。该团队使用了两种先进的3D成像技术来捕捉前列腺癌标本的图像，然后训练模型通过体积性人类组织活检预测癌症复发的风险。Tripath通过捕捉来自整个组织体积的全面3D形态，优于仅依赖2D形态和薄组织切片的病理学家和其他深度学习模型。人类组织的复杂性和细腻性最好以三维形式呈现。在最近的一项研究中，马萨诸塞州总医院布莱根医疗研究所的研究人员及其合作伙伴推出了Tripath：旨在利用3D病理数据集预测临床结果的高级深度学习模型。这标志着向检验三维形式的组织转变，而不是传统的二维切片。3D数据集包含显著多于2D数据集的数据，使得人工检查变得不切实际。与华盛顿大学合作，研究团队使用了两种3D高分辨率成像技术对前列腺癌标本进行成像。然后他们训练模型以通过体积性人类组织活检预测前列腺癌复发的风险。通过捕获整个组织体积的3D形态，Tripath方法优于依赖于2D形态和薄组织切片的病理学家和深度学习模型。该研究的结果发表在《细胞》杂志上。
虽然这种新方法仍需在更大数据集上进行验证，才能在临床环境中使用，研究人员对其进一步发展的潜力充满希望。Tripath方法在指导临床决策方面的潜力令人乐观。来自马萨诸塞州总医院布莱根医疗研究所计算病理学部门的主笔作者Andrew H. Song博士强调，分析组织样本的整个体积对于准确的患者风险预测至关重要。这种综合分析是由团队开发的3D病理范式所实现的。通过利用人工智能和3D空间生物学技术，Tripath为临床决策支持提供了一个框架，并有可能揭示新的预后和治疗生物标志物。来自马萨诸塞州总医院布莱根医疗研究所计算病理学部门的共同通讯作者Faisal Mahmood博士表示，Tripath是他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，这在指导关键治疗决策方面具有良好的潜力。共同通讯作者华盛顿大学的Jonathan Liu博士补充说，在他们之前的计算3D病理工作中，他们专注于特定结构，如前列腺腺体网络。他还提到，Tripath在指导关键治疗决策方面显示出良好的潜力。Song和Mahmood相关工作拥有一项临时专利。本研究侧重于技术和方法学方面。Liu是Alpenglow Biosciences公司的共同创始人和董事会成员，该公司已经获得了华盛顿大学开发的OTLS显微镜组合的许可。
作者们获得了布莱根妇女医院（BWH）院长基金、马萨诸塞州总医院（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-18-10358和W81XWH-20-1-0851）、国家癌症研究所（R01CA268207）和国家生物医学成像与生物工程研究所的资助。该研究得到了国家卫生研究院（R01EB031002）、Canary基金、NCI Ruth L. Kirschstein国家服务奖（T32CA251062）、约翰霍普金斯大学计算病理学的Leon Troper教授职位、UKRI、mdxhealth、NHSX和Clarendon基金的资助。
