前列腺癌是男性健康的普遍威胁，在美国癌症相关死亡中排名第二。在美国，每年大约有25万男性被诊断患有前列腺癌。虽然大多数病例的发病率和死亡率较低，但有一小部分病例需要积极治疗。泌尿科医生主要通过格里森评分来评估这种治疗的必要性，格里森评分是通过组织切片来评估前列腺的外观。然而，在解释上存在相当大的差异，导致治疗不足和过度治疗。
目前基于组织学切片的方法有局限性。只有一小部分活组织切片是二维的，有可能错过关键细节，并且在二维组织切片上对复杂的三维腺体结构的解释可能是模糊的。此外，传统组织学破坏组织，限制了下游分析。为了解决这些缺点，研究人员开发了非破坏性的3D病理学方法，在保持组织完整性的同时提供活检标本的完整成像。
最近的进展包括获得3D病理数据集的技术，使前列腺癌的风险评估得以改进。发表在《生物医学光学杂志》(JBO)上的研究利用3D病理学的全部力量，开发了一种深度学习模型，以改善对前列腺癌风险评估至关重要的腺体组织结构的3D分割。
由西雅图华盛顿大学的Jonathan t.c. Liu教授领导的研究小组，直接在从以前的复杂管道中获得的3D前列腺分割数据上训练了一个深度学习模型nnU-Net。他们的模型在前列腺活检的3D数据集中有效地生成准确的腺体3D语义分割，这些数据集是通过在他们的小组中开发的开放式光片(OTLS)显微镜获得的。3D腺体分割为组织组成提供了有价值的见解，这对预后分析至关重要。
新的基于深度学习的三维分割模型代表了前列腺癌计算病理学的重要一步。通过促进腺体结构的准确表征，它有望指导关键的治疗决策，最终改善患者的预后。这一进步强调了计算方法在增强医学诊断方面的潜力。展望未来，它有望实现个性化医疗，为更有效和更有针对性的干预措施铺平道路。
超越传统组织学的局限性，计算3D病理学提供了解锁疾病进展的有价值见解的能力，并根据个体患者的需求量身定制干预措施。随着研究人员不断推动医学创新的边界，攻克前列腺癌的探索进入了一个精确和可能性的新时代。
