MADRID 9 Ago. (EUROPA PRESS) -
El tejido humano es intrincado, complejo y, por supuesto, tridimensional. Pero las finas rodajas de tejido que los patólogos utilizan con mayor frecuencia para diagnosticar enfermedades son bidimensionales y ofrecen sólo una visión limitada de la verdadera complejidad del tejido. Hay un impulso creciente en el campo de la patología hacia el examen del tejido en su forma tridimensional.
Pero los conjuntos de datos de patología 3D pueden contener cientos de veces más datos que sus homólogos 2D, lo que hace que el examen manual sea inviable. En un nuevo estudio, investigadores del Mass General Brigham (Estados Unidos) y sus colaboradores presentan Tripath: nuevos modelos de aprendizaje profundo que pueden utilizar conjuntos de datos de patología 3D para realizar predicciones de resultados clínicos.
En colaboración con la Universidad de Washington (también en Estados Unidos), el equipo de investigación tomó imágenes de muestras seleccionadas de cáncer de próstata, utilizando dos técnicas de imágenes 3D de alta resolución. Luego, los modelos fueron entrenados para predecir el riesgo de recurrencia del cáncer de próstata en biopsias volumétricas de tejido humano. Al capturar de manera integral las morfologías 3D de todo el volumen de tejido, Tripath tuvo un mejor desempeño que los patólogos y superó a los modelos de aprendizaje profundo que se basan en la morfología 2D y cortes finos de tejido. Los resultados se publicaron en mayo en 'Cell'.
Si bien el nuevo enfoque debe validarse en conjuntos de datos más grandes antes de que pueda seguir desarrollándose para uso clínico, los investigadores son optimistas sobre su potencial para ayudar a informar la toma de decisiones clínicas.
"Nuestro enfoque subraya la importancia de analizar exhaustivamente todo el volumen de una muestra de tejido para una predicción precisa del riesgo del paciente, que es el sello distintivo de los modelos que desarrollamos y que sólo es posible con el paradigma de patología 3D", añade el autor principal, Andrew H. Song, de la División de Patología Computacional del Departamento de Patología del Mass General Brigham.
"Utilizando avances en IA y técnicas de biología espacial 3D, Tripath proporciona un marco para el apoyo a las decisiones clínicas y puede ayudar a revelar nuevos biomarcadores para el pronóstico y la respuesta terapéutica", dijo el coautor correspondiente Faisal Mahmood, de la División de Patología Computacional del Departamento de Patología del Mass General Brigham.
"En nuestro trabajo anterior en patología computacional 3D, analizamos estructuras específicas como la red de la glándula prostática, pero Tripath es nuestro primer intento de utilizar el aprendizaje profundo para extraer características 3D subvisuales para la estratificación de riesgos, lo que muestra un potencial prometedor para guiar aspectos críticos. decisiones de tratamiento", finaliza el coautor Jonathan Liu, de la Universidad de Washington (Estados Unidos).
