Los conjuntos de datos de patología 3D pueden contener cientos de veces más datos que los 2D, por ello en el campo de la patología quieren avanzar hacia el examen del tejido en su forma tridimensional. Así el Mass General Brigham (Estados Unidos), en colaboración con la Universidad de Washington, ha presentado Tripath, unos nuevos modelos de aprendizaje profundo que pueden utilizar conjuntos de datos de patología 3D para realizar predicciones de resultados clínicos.

Para su desarrollo emplearon dos técnicas de desarrollo de imágenes 3D, y tomaron imágenes de muestras seleccionadas de cáncer de próstata. Una vez hecho esto se entrenó a los modelos para que pudieran predecir el riesgo de recurrencia del cáncer de próstata en biopsias volumétricas de tejido humano. Tripath tuvo un mejor desempeño que los patólogos y superó aquellos modelos de aprendizaje profundo que se basan en la morfología 2D.

Pero para que este nuevo modelo se siga desarrollando se debe validar en conjuntos de datos más grandes, pero los investigadores son optimistas sobre el potencial de esta nueva tecnología. Lo que buscan con esta tecnología, explica Andrew H. Song, de la División de Patología Computacional del Departamento de Patología del Mass General Brigham, es realizar una predicción precisa del riesgo, algo que solo se puede hacer con el paradigma de patología 3D.

Tripaht puede revelar nuevos biomarcadores para el pronóstico y la respuesta terapéutica, explica el coautor Faisal Mahmood, y lo hace mediante avances en IA y técnicas de biología espacial. 3D.