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。

通过从整个组织体积中全面捕获 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集中进行验证，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，”主要作者 Andrew H. Song 博士说.D.，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型生物标志物，”计算部门的共同通讯作者 Faisal Mahmood 博士说。麻省总医院病理科的病理学。