Cell | 从2D到3D：TriPath技术引领病理学诊断进入三维时代

2024-05-13

生物类似药

引言病理学是连接基础医学与临床治疗的桥梁，其对疾病的诊断和治疗策略的制定起着至关重要的作用。传统的病理学诊断主要依赖于对组织切片的二维（2D）观察，但这种方法往往无法全面反映组织的三维（3D）结构和复杂性。随着科技的进步，3D病理学技术的兴起为病理诊断领域带来了革命性的变化，它能够更立体、更全面地观察和分析组织样本，从而为临床提供更为精确的诊断信息。5月9日，Cell杂志发表了一篇关于3D病理学深度学习平台TriPath的研究“Analysis of 3D pathology samples using weakly supervised AI”，该研究由Andrew H. Song、Mane Williams、Drew F.K. Williamson等人共同完成。TriPath平台通过深度学习技术，能够处理和分析3D组织体积数据，有效预测临床结果，为患者预后提供了新的视角。这项研究不仅展示了3D病理学在临床应用中的潜力，更为病理学诊断的未来发展指明了方向。在传统的2D病理学中，由于采样偏差，医生可能无法观察到组织的全部特征，这可能导致诊断的不准确。TriPath平台的出现，通过3D成像技术如开放顶部光片显微镜（OTLS）和微型计算机断层扫描（microCT），能够捕捉到更多的组织细节，从而减少这种偏差。研究结果表明，3D基础上的预后预测性能优于传统的2D切片方法，包括由认证的泌尿生殖系统病理学家提供的临床/组织病理学基线。此外，TriPath平台的另一个显著优势是其能够处理大规模的3D病理数据集。在临床实践中，病理学家面临的挑战之一是如何高效地分析这些高分辨率的3D图像。TriPath通过自动化的特征提取和风险预测，不仅提高了分析效率，还减少了人工分析可能引入的错误。这一技术的进步，预示着3D病理学在临床诊断中的应用将越来越广泛，为病理学领域带来了新的机遇。 TriPath作为一个创新的3D病理学深度学习平台，其在前列腺癌组织样本的3D形态特征分析中展现出的优越性能，为病理学诊断提供了新的思路和工具。这项研究不仅推动了3D病理学技术的发展，也为未来病理学诊断的自动化和智能化奠定了基础，有望在更广泛的疾病类型中得到应用，从而为患者提供更准确的诊断和更个性化的治疗方案。TriPath平台的核心在于其深度学习算法，它可以处理巨大的3D组织图像数据集，并从中提取出有助于预测患者临床结果的关键特征。研究人员使用前列腺癌样本进行了测试，这些样本通过开放顶部光片显微镜（OTLS）或微型计算机断层扫描（microCT）成像。TriPath的训练模型能够基于3D形态特征对复发风险进行分层，其性能超越了传统2D方法，包括由六名认证的泌尿生殖系统病理学家提供的临床/组织病理学基线。对比示意图（Credit: Cell）在研究中，研究人员首先在模拟的3D数据集上评估了TriPath，然后对两个不同的前列腺癌队列进行了预测任务。这些前列腺癌数据集分别来自Brigham and Women’s Hospital (BWH)和华盛顿大学（UW）。BWH队列包含45个前列腺切除标本，而UW队列包含444个核心针活检样本，其中171个活检样本包含癌症并被纳入研究。研究人员使用了两种3D病理成像模式：对于UW队列，使用了OTLS，对于BWH队列，则使用了microCT。在OTLS队列中，研究人员将队列分为模型开发数据集和保留的测试数据集。开发数据集包含118个活检样本，而测试数据集包含53个活检样本。由于开发数据集的样本量有限，研究人员采用了5折交叉验证，并计算了所有折中的预测概率值以计算队列级别的AUC（Area Under the Curve）。在测试数据集上，全体积3D方法（AUC为0.804）仍然优于临床基线（AUC为0.744）。在microCT队列中，研究人员采用了相同的预测和临床基线方法，并进行了5折交叉验证。与OTLS队列相比，microCT队列的性能较低，这可能归因于microCT的分辨率较低（4 mm/voxel vs. 1 mm/voxel for OTLS），以及microCT只提供了单一通道的信息，而OTLS为双通道。尽管如此，全体积3D分析方法的性能仍然优于临床基线（AUC为0.712），而2D基线的性能更差。TriPath的临床潜力和验证研究人员还通过读者研究对TriPath进行了临床验证。在OTLS队列中，六名认证的泌尿生殖系统病理学家对3D OTLS图像的H&E假染色2D切片进行了Gleason分级。研究人员展示了每个活检样本的三个H&E假染色切片，并要求病理学家提供诊断信息。在第二轮读者研究中，病理学家被展示了每个活检样本的所有切片。TriPath的性能超过了个别病理学家的Gleason分级、病理学家共识和标准的术后前列腺切除标本的组织病理学检查。3D病理学的未来发展随着3D成像技术的快速发展，未来病理学家面临的挑战是如何有效地审查这些大型数据集，并开发标准化方法来利用和理解3D病理学提供的额外见解。由于3D病理学数据集的规模，人工智能（AI）将是一个至关重要的工具，用于指导病理学家选择高风险的2D截面或作为全自动决策支持的补充，类似于已经商业化的多种分子检测，包括用于前列腺癌风险预测的检测。此外，AI在发现3D形态生物标志物方面也将发挥重要作用，这些标志物对2D方法来说是不可见的。研究人员设想，未来将开发基于3D病理学的实验室开发测试（LDTs），这些测试将完全不会破坏宝贵的组织样本，与许多常规用于患者管理的分子LDTs相比，这是一个显著的优势。TriPath代表了向开发临床可转化的计算3D病理学检测迈出的关键一步，为3D生物标志物的发现和临床检测开发开启了一个激动人心的新时代。TriPath不仅为大规模高分辨率3D病理学数据集的弱监督学习提供了一个管道，而且为其他人提供了巨大的灵活性：它对输入模式（例如光片显微镜和microCT）和组件（如特征编码器）不敏感，这些组件可以用各种最先进的架构进行交换。尽管这项研究的临床队列在3D病理学领域具有相当的规模，但与许多基于标准2D全幻灯片图像（WSIs）的研究相比，规模较小。作为一项刚开始更广泛采用的新兴技术，收集完整的FFPE组织标本，这些标本与可靠的长期患者结果配对，目前仍然是一个挑战。但是，随着更多的3D病理学数据被收集，未来的工作应该利用在每个数据领域预训练的特征编码器来提取更好的3D组织补丁的表示，例如，通过利用自监督学习的最新进展。 TriPath是一个强大的工具，它将推动3D病理学在临床设置中的应用，并有可能改变我们对疾病诊断和治疗的理解。随着技术的不断进步和临床研究的深入，我们期待着3D病理学在医学领域的广泛应用。原文链接Song AH, Williams M, Williamson DFK, Chow SSL, Jaume G, Gao G, Zhang A, Chen B, Baras AS, Serafin R, Colling R, Downes MR, Farré X, Humphrey P, Verrill C, True LD, Parwani AV, Liu JTC, Mahmood F. Analysis of 3D pathology samples using weakly supervised AI. Cell. 2024 May 9;187(10):2502-2520.e17. doi: 10.1016/j.cell.2024.03.035. PMID: 38729110.DOI:https://doi-org.libproxy1.nus.edu.sg/10.1016/j.cell.2024.03.035责编|探索君排版|探索君转载请注明来源于【生物探索】End往期精选围观一文读透细胞死亡(Cell Death) | 24年Cell重磅综述（长文收藏版）热文Nature | 破除传统：为何我们需要重新思考肿瘤的命名方式热文Nature | 2024年值得关注的七项技术热文Nature | 自身免疫性疾病能被治愈吗？科学家们终于看到了希望热文CRISPR技术进化史 | 24年Cell 综述