研究团队采用两种先进的三维高分辨率成像技术对前列腺癌标本进行成像，随后训练模型以预测前列腺癌在人体活检组织中复发的风险。通过全面捕捉组织整体的三维形态，Tripath的表现不仅超越了病理学家，也优于依赖二维形态和薄组织切片的传统深度学习模型。
尽管新方法尚需在更大规模的数据集中进行验证，以进一步开发并应用于临床，但研究人员对其在辅助临床决策方面的潜力持乐观态度。
论文第一作者、麻省总医院百瀚医疗系统病理学系的Andrew H. Song博士表示：“我们的方法突出了全面分析组织样本整体体积对于准确预测患者风险的重要性，这是Tripath模型的核心特征，也是三维病理学模式才能实现的。”
共同通讯作者、同样来自麻省总医院百瀚医疗系统病理学系的Faisal Mahmood博士指出：“结合人工智能和三维空间生物学技术的进步，Tripath为临床决策支持提供了一个新框架，并可能揭示出影响预后和治疗反应的新型生物标志物。”
另一位共同通讯作者、华盛顿大学的Jonathan Liu博士补充道：“在我们以往的三维病理学研究工作中，我们主要关注特定结构如前列腺网络，但Tripath是我们首次尝试利用深度学习提取亚视觉三维特征进行风险分层，这一创新在指导关键治疗决策方面展现了巨大潜力。”
