Analyse von 3D-Pathologieproben mithilfe von schwach überwachter KI

Menschliches Gewebe, das von Natur aus dreidimensional (3D) ist, wird traditionell mittels standardmäßiger histopathologischer Verfahren als begrenzte zweidimensionale (2D) Querschnitte untersucht, die das Gewebe aufgrund von Stichprobenverzerrungen unzureichend darstellen können. Um die Histomorphologie ganzheitlich zu charakterisieren, wurden 3D-Bildgebungsverfahren entwickelt, deren klinische Anwendung jedoch durch komplexe manuelle Auswertung und das Fehlen computergestützter Plattformen zur Gewinnung klinischer Erkenntnisse aus großen, hochauflösenden Datensätzen erschwert wird. Wir stellen TriPath vor, eine Deep-Learning-Plattform zur Verarbeitung von Gewebevolumina und zur effizienten Vorhersage klinischer Ergebnisse basierend auf 3D-morphologischen Merkmalen. Modelle zur Risiko-Stratifizierung von Rezidiven wurden an Prostatakrebsproben trainiert, die mit Open-Top Light-Sheet-Mikroskopie oder Mikrocomputertomographie bildgebend erfasst wurden. Durch umfassende Erfassung 3D-morphologischer Merkmale erzielt die auf 3D-Volumina basierende Prognose eine überlegene Leistung gegenüber herkömmlichen 2D-Schnitt-basierten Ansätzen, einschließlich klinischer/histopathologischer Baselines von sechs zertifizierten urogenitalen Pathologen. Die Einbeziehung eines größeren Gewebevolumens verbessert die prognostische Leistung und verringert die Variabilität der Risikoabschätzung durch Stichprobenverzerrungen, was den Wert der Erfassung größerer Bereiche heterogener Morphologie weiter unterstreicht.