Cell：人工智能使得利用三维病理学数据进行临床结果预测成为可能

人体组织错综复杂，当然也是三维的。但病理学家最常用来诊断疾病的组织切片是二维的，只能有限地窥见组织的真正复杂性。病理学领域正日益推动以三维形式检查组织。但三维病理数据集包含的数据量是二维病理数据集的数百倍，因此无法进行人工检查。

在一项新的研究中，来自麻省总医院百瀚医疗系统和华盛顿大学的研究人员提出了 Tripath：新型深度学习模型，可以利用三维病理数据集进行临床结果预测。相关研究结果发表在2024年5月9日的Cell期刊上，论文标题为“Analysis of 3D pathology samples using weakly supervised AI”。

这些作者使用两种三维高分辨率成像技术对精心挑选的前列腺癌标本进行成像。他们随后对这些模型进行训练，以预测前列腺癌在人体活检组织中复发的风险。通过全面捕捉整个组织体积的三维形态，Tripath 的表现优于病理学家，也优于依赖二维形态和薄组织切片的深度学习模型。

虽然这种新方法还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，但是这些作者对它帮助临床决策的潜力表示乐观。

论文第一作者、麻省总医院百瀚医疗系统病理学系的Andrew H. Song博士说，“我们的方法强调了全面分析组织样本的整个体积对准确预测患者风险的重要性，这是我们开发的模型的特征，也只有三维病理学模式才有可能实现。”

图片来自Cell, 2024, doi:10.1016/j.cell.2024.03.035

论文共同通讯作者、麻省总医院百瀚医疗系统病理学系的Faisal Mahmood博士说，“利用人工智能和三维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。”

论文共同通讯作者、华盛顿大学的Jonathan Liu博士说，“在我们之前的计算三维病理学研究工作中，我们研究的是诸如前列腺网络之类的特定结构，但Tripath是我们首次尝试利用深度学习提取亚视觉三维特征进行风险分层，这在指导关键治疗决策方面显示出了巨大的潜力。”（生物谷Bioon.com）

参考资料：

Andrew H. Song et al. Analysis of 3D Pathology Samples using Weakly Supervised AI. Cell, 2024, doi:10.1016/j.cell.2024.03.035.