Path2Space cartografía la actividad génica de tumores de mama, pero la prueba clínica es la verdadera prueba

Path2Space llegó a google news después de que investigadores informaran de que un modelo de IA predijo miles de patrones espaciales de expresión génica a partir de portaobjetos estándar de cáncer de mama. El modelo convierte imágenes patológicas habituales en mapas moleculares estimados, lo que podría reducir la dependencia de perfiles de laboratorio más lentos y costosos. Sin embargo, el conflicto central ya está claro. Path2Space produjo resultados de investigación prometedores, pero aún no ha demostrado que los médicos puedan utilizar sus predicciones de forma segura para orientar la atención a pacientes.

Esta distinción importa porque la transcriptómica espacial mide dónde están activos los genes dentro del tejido, no solo su actividad promedio en un tumor completo. La ubicación puede revelar vecindarios de células inmunitarias, regiones resistentes al tratamiento y otras características ocultas por la secuenciación masiva. Path2Space intenta inferir esos patrones a partir de portaobjetos de hematoxilina y eosina, comúnmente llamados portaobjetos H&E, que los laboratorios de patología ya producen.

El enfoque enfrenta la patología oncológica basada en IA con el perfilado espacial convencional, pero no vuelve obsoleto el método de laboratorio. Los investigadores aún necesitan datos espaciales medidos para entrenar, probar y auditar el modelo. Por tanto, la oportunidad inmediata es una mayor escala de investigación, no un reemplazo instantáneo de las pruebas moleculares.

Path2Space podría permitir a los científicos examinar cientos de tumores archivados que carecen de mediciones espaciales. También podría ayudar a los investigadores a decidir qué muestras merecen un análisis de laboratorio más profundo. Pasar de estos usos de investigación a la selección de tratamientos requerirá ensayos prospectivos, una validación más amplia y pruebas de que las decisiones guiadas por el modelo mejoran los resultados.

Lo que realmente cambió el estudio de Path2Space

Path2Space cambia la escala de la investigación espacial de tumores al estimar la geografía molecular a partir de imágenes que los hospitales ya recopilan.

El estudio revisado por pares de Path2Space describe un modelo de aprendizaje profundo que predice directamente la expresión génica espacial a partir de histopatología de cáncer de mama. La histopatología es el examen microscópico de tejido teñido que se utiliza para diagnosticar enfermedades. En lugar de devolver una puntuación molecular para una muestra completa, el modelo genera estimaciones en distintas ubicaciones del tejido.

Los investigadores entrenaron Path2Space con portaobjetos de cáncer de mama emparejados con mediciones de transcriptómica espacial. Esos ejemplos emparejados enseñaron al modelo a asociar la morfología visible del tejido con la actividad génica local. Posteriormente, utilizó características de imagen para estimar patrones de expresión en portaobjetos sin mediciones espaciales coincidentes.

El estudio informa que Path2Space predijo la expresión espacial de miles de genes y superó a 21 métodos computacionales establecidos. Estos resultados se refieren a la concordancia con datos de referencia de investigación. No significan que cada estimación génica fuera igual de precisa o clínicamente aplicable.

Después, los investigadores aplicaron el modelo a 976 tumores de mama de The Cancer Genome Atlas. Esto produjo mapas estimados del microambiente tumoral, es decir, las células cancerosas, células inmunitarias, células estructurales y la actividad de señalización que rodean un tumor. El análisis identificó tres grupos definidos espacialmente asociados con distintos resultados de supervivencia.

Este paso es importante porque muchos modelos de patología se detienen tras clasificar un portaobjetos. Path2Space, en cambio, intenta recuperar una representación molecular más rica a partir de la imagen. Trata la morfología como un registro comprimido de los procesos biológicos que dieron forma al tejido.

El modelo también se utilizó para estudiar la respuesta al tratamiento en dos cohortes adicionales de cáncer de mama. Una incluía pacientes que recibían quimioterapia, mientras que la otra implicaba quimioterapia combinada con trastuzumab, una terapia dirigida para el cáncer de mama HER2-positivo. Según el artículo, las características espaciales inferidas por Path2Space predijeron la respuesta con mayor precisión que los biomarcadores basados en secuenciación masiva convencional.

Estos hallazgos explican por qué la historia circuló a través de google news. Conectan un modelo técnico de imágenes con un problema clínico conocido: tumores que parecen similares o comparten características moleculares promedio pueden responder de manera diferente porque su organización interna difiere.

Sin embargo, este fue un análisis retrospectivo de investigación. Los investigadores examinaron muestras existentes, resultados y registros de tratamiento. No asignaron tratamientos a pacientes utilizando Path2Space ni compararon esas decisiones con la atención estándar en un ensayo clínico prospectivo.

Esta limitación no borra el resultado. Define qué cambió. Los investigadores ahora tienen evidencia de que las imágenes rutinarias pueden respaldar estudios de biomarcadores espaciales a mayor escala de lo que normalmente permite el perfilado de laboratorio por sí solo.

Un resumen de Cedars-Sinai indica que el perfilado convencional de expresión génica espacial puede tardar semanas y costar miles de dólares. Según se informa, Path2Space produce predicciones en minutos una vez que hay disponible un portaobjetos digital. El ahorro exacto dependerá de la infraestructura informática, la preparación de los portaobjetos, los controles de calidad y el flujo de trabajo clínico que rodee al modelo.

El uso a corto plazo más defendible no es reemplazar todos los ensayos. Es examinar grandes colecciones de tejido archivado, generar hipótesis e identificar muestras para pruebas de confirmación. Esto podría ampliar el acceso a la investigación espacial al tiempo que preserva la medición de laboratorio como estándar de referencia.

Este encuadre también resuelve la ambigüedad central del titular. El modelo cartografía la actividad molecular estimada a través del tejido tumoral. No inspecciona físicamente los genes, no secuencia ARN ni mide directamente la expresión génica en cada nuevo portaobjetos.

Por qué los portaobjetos rutinarios presionan al perfilado espacial convencional

La presión proviene de la escala: los archivos de patología contienen muchas más imágenes utilizables de las que los investigadores pueden permitirse perfilar con ensayos espaciales de laboratorio.

Los portaobjetos H&E forman parte del diagnóstico rutinario del cáncer. La hematoxilina tiñe los núcleos celulares, mientras que la eosina resalta el citoplasma y las estructuras tisulares circundantes. Una vez digitalizada, una única imagen de portaobjetos completo puede contener miles de millones de píxeles y preservar patrones en varias escalas biológicas.

La transcriptómica espacial añade mediciones moleculares a esa geografía tisular. Dependiendo del ensayo, los investigadores pueden examinar la actividad génica en pequeñas regiones de tejido o en células individuales. Los mapas resultantes ayudan a distinguir las áreas tumorales de los vecindarios ricos en células inmunitarias, fibróticos, necróticos y resistentes al tratamiento.

Ese detalle tiene un coste. Los ensayos espaciales requieren reactivos especializados, instrumentos, manipulación de tejidos, secuenciación y procesamiento computacional. Los estudios pueden resultar difíciles de escalar a cientos de pacientes, especialmente cuando los investigadores necesitan poblaciones diversas y centros de validación independientes.

Path2Space propone una división del trabajo diferente. Una colección más pequeña de imágenes emparejadas y mediciones espaciales enseña al modelo. El sistema entrenado puede entonces estimar patrones espaciales en un archivo de imágenes mucho mayor.

Esta es la misma presión económica que impulsa otros trabajos de patología oncológica basada en IA. Los investigadores quieren extraer señales biológicas adicionales del tejido que los laboratorios ya recopilan. Cada modelo exitoso aumenta el valor potencial de los portaobjetos archivados sin requerir otro ensayo destructivo en cada espécimen.

Path2Space no es el primer intento de inferir la expresión génica a partir de la morfología. Un modelo de tumores de mama de 2020 predijo la expresión local de más de 100 genes utilizando 30.612 mediciones resueltas espacialmente de 23 pacientes. Desde entonces, otros sistemas han vinculado imágenes de tejido con perfiles moleculares, tipos celulares y resultados de tratamiento.

La importancia del nuevo estudio proviene de combinar varios pasos. Predice muchos genes, escala el análisis a 976 tumores, deriva grupos espaciales de pacientes y prueba biomarcadores relacionados con la respuesta en cohortes de tratamiento separadas. Esto crea un puente más sólido entre la predicción a partir de imágenes y preguntas de investigación clínicamente relevantes.

No obstante, el perfilado espacial convencional sigue siendo indispensable. Un modelo entrenado con datos medidos no puede revelar si sus propias predicciones son correctas sin muestras de referencia comparables. Si los tumores futuros difieren de la población de entrenamiento, los mapas inferidos pueden alejarse de la biología subyacente.

Esta dependencia hace que la competencia sea menos directa de lo que sugiere una historia de software frente a laboratorio. Los ensayos espaciales proporcionan mediciones de alta información para cohortes más pequeñas. Los modelos de imagen extienden patrones seleccionados a cohortes más grandes. Utilizados conjuntamente, pueden formar una cadena de descubrimiento.

La presión recae, en cambio, sobre los programas de investigación que tratan el perfilado molecular extenso como el único camino creíble hacia la comprensión espacial. Si Path2Space se generaliza de forma fiable, los investigadores podrán reservar los recursos de laboratorio para muestras representativas, casos difíciles y la validación final.

Ese cambio podría afectar al diseño de los estudios. Los investigadores podrían utilizar mapas estimados para buscar patrones espaciales poco frecuentes en grandes archivos. Después podrían recuperar un número menor de especímenes para secuenciación dirigida, imágenes de proteínas u otro ensayo de confirmación.

El enfoque también crea oportunidades para instituciones con patología digitalizada pero infraestructura limitada de ómicas espaciales. Podrían participar en estudios multicéntricos sin realizar localmente cada ensayo molecular. Sus imágenes seguirían necesitando escaneo, tinción, anotación y gobernanza consistentes.

Por tanto, Path2Space presiona sobre el coste y el rendimiento, no sobre la necesidad científica de medición directa. El flujo de trabajo de investigación más sólido probablemente combinará ambas rutas en lugar de declarar una ganadora.

Esta distinción debería seguir siendo visible cuando los titulares de google news condensan el trabajo en afirmaciones sobre mejorar la atención. Una mejor escala de investigación puede respaldar una mejor atención, pero el camino entre esos resultados incluye validación, regulación, pruebas de flujo de trabajo y ensayos clínicos.

Cómo la IA cartografía el tejido tumoral sin medir cada gen

Path2Space predice patrones moleculares a partir de correlatos visuales, por lo que sus mapas son inferencias estadísticas y no resultados sustitutivos de secuenciación.

La morfología tumoral refleja la biología subyacente. La densidad celular, la forma nuclear, la arquitectura tisular, la infiltración inmunitaria y el tejido conectivo pueden correlacionarse con la actividad molecular. Los sistemas de aprendizaje profundo pueden detectar combinaciones de estas características de imagen que son difíciles de definir manualmente.

Path2Space aprende esas asociaciones a partir de datos emparejados. Cada ejemplo de entrenamiento vincula una región de imagen de tejido con expresión génica medida en una ubicación correspondiente. El modelo ajusta sus parámetros internos hasta que las características de imagen ayudan a predecir el perfil molecular espacial.

Una vez entrenado, el modelo recibe una imagen H&E y la divide en regiones más pequeñas para su análisis. Convierte la información visual en características numéricas y luego estima la actividad génica en todo el portaobjetos. Los investigadores pueden ensamblar esas estimaciones regionales en mapas de calor que muestran diferencias predichas dentro del tumor.

Este mecanismo es útil porque la secuenciación masiva elimina el contexto espacial. Imagine mezclar todo un vecindario en un único hogar promedio. El resultado puede describir el vecindario en general, pero no puede mostrar qué hogares contienen niños, residentes mayores o recursos específicos.

Un promedio de todo el tumor enfrenta el mismo problema. Una intensa actividad inmunitaria en una región puede ocultar la exclusión inmunitaria en otra. Una señal de resistencia al tratamiento confinada a una zona pequeña puede desaparecer dentro del promedio. Los mapas espaciales preservan la ubicación de esas diferencias.

Por ello, los mapas inferidos de Path2Space podrían respaldar tres tareas relacionadas. Los investigadores pueden estimar la abundancia de tipos celulares, comparar la organización de los microambientes tumorales y buscar biomarcadores espaciales relacionados con los resultados o la respuesta al tratamiento.

Un biomarcador espacial es un patrón medible cuya ubicación o estructura de vecindad tiene significado biológico o clínico. Su valor puede provenir de dónde está activo un gen, qué células rodean esa actividad o cuán marcadamente difieren dos regiones de tejido.

El estudio informa de tres subgrupos de cáncer de mama definidos espacialmente con resultados de supervivencia distintos. Ese resultado sugiere que los patrones organizativos pueden separar a las pacientes de maneras que la expresión génica promedio no capta por completo. No demuestra que los médicos deban utilizar hoy esos grupos como una clasificación diagnóstica.

El análisis de respuesta al tratamiento plantea un listón aún más alto. Un modelo puede encontrar asociaciones retrospectivas que parecen útiles, pero se debilitan al aplicarse en otro hospital, con otro escáner, población de pacientes o protocolo terapéutico. La validación prospectiva debe determinar si la información modifica las decisiones de forma beneficiosa.

La dependencia del modelo de la morfología también introduce un límite biológico. Algunos cambios en la expresión génica alteran visiblemente la estructura tisular, mientras que otros dejan poco rastro detectable en una imagen H&E. Path2Space no puede inferir de forma fiable información que no tenga un correlato visual estable.

El rendimiento también puede variar según el gen, la región tisular y el grupo de pacientes. Informar de que un modelo predice miles de genes no significa que cada predicción tenga la misma precisión. El uso clínico requeriría resultados, umbrales y limitaciones cuidadosamente definidos.

La calidad de la imagen añade otra capa de incertidumbre. Las diferencias en fijación, química de tinción, grosor de la sección, óptica del escáner, compresión y artefactos del tejido pueden cambiar los píxeles sin cambiar la enfermedad. Un modelo podría responder a esas variaciones técnicas como si fueran señales biológicas.

Los investigadores suelen utilizar normalización y aumento de datos para reducir esos efectos. Estas técnicas ayudan, pero las pruebas externas en centros independientes siguen siendo esenciales. La evaluación más convincente separa las instituciones de entrenamiento de las instituciones de prueba e incluye casos que reflejan la diversidad clínica real.

El campo ya ha visto este desafío. Un benchmark de traducción de 2025 evaluó en qué medida la predicción de expresión génica espacial a partir de histología respalda la investigación clínica posterior. Estas comparaciones importan porque unas buenas métricas de predicción no producen automáticamente biomarcadores útiles.

Por tanto, el mecanismo práctico no es una reconstrucción mágica. Path2Space detecta relaciones aprendidas entre imagen y expresión, estima patrones moleculares locales y permite a los investigadores comprobar si esos patrones se correlacionan con resultados relevantes.

Esto sigue representando un avance importante. Ofrece a los científicos una forma de investigar la biología espacial a una escala que la medición directa a menudo no puede alcanzar. La limitación es igual de importante: la biología estimada sigue siendo estimada hasta que pruebas independientes la respalden.

Lo que el titular de Google News no establece

El estudio respalda a Path2Space como plataforma de investigación, pero no establece una prueba clínica que deba determinar el tratamiento.

Un lector de Google News podría inferir razonablemente que el modelo ya mejora la atención oncológica. La evidencia publicada respalda una conclusión más limitada. Path2Space podría mejorar el descubrimiento de biomarcadores y, con el tiempo, podría orientar el tratamiento, siempre que futuras validaciones confirmen su valor.

El propio equipo de investigación describe los ensayos clínicos como la siguiente frontera. Esta cautela es apropiada porque el rendimiento retrospectivo solo responde a una parte de la pregunta clínica. Una herramienta médica útil también debe funcionar de forma fiable cuando los médicos atienden a pacientes nuevos en condiciones ordinarias.

Los estudios prospectivos tendrían que definir el papel previsto del modelo. Path2Space podría actuar como un sistema de descubrimiento solo para investigación, una herramienta de triaje para pruebas moleculares, una ayuda pronóstica o un predictor de respuesta al tratamiento. Cada función exige evidencia y salvaguardas diferentes.

Un sistema de triaje podría identificar muestras que necesitan perfilado espacial directo. Sus errores podrían desperdiciar recursos o pasar por alto tejido informativo. Un predictor de respuesta al tratamiento conlleva un riesgo mayor porque un resultado incorrecto podría influir en la selección de la terapia.

La distinción también afecta a la regulación. El software utilizado para proporcionar información diagnóstica o terapéutica específica para un paciente puede estar sujeto a la supervisión de dispositivos médicos. El software de investigación utilizado únicamente para análisis exploratorio sigue una vía diferente.

Los principios de transparencia de la FDA hacen hincapié en el uso previsto, el rendimiento del equipo humano-IA, las limitaciones conocidas, la representación de la población y la validación local. Estos requisitos se corresponden directamente con las preguntas futuras de Path2Space.

En primer lugar, los investigadores deben probar poblaciones más amplias. La biología del cáncer de mama, el acceso al tratamiento, el procesamiento de tejidos y la demografía de las pacientes varían entre instituciones y regiones. Un modelo entrenado con cohortes limitadas puede rendir de forma desigual en grupos poco representados en sus datos.

En segundo lugar, los investigadores deben aislar los atajos técnicos. Un sistema de IA podría aprender características del escáner, patrones de tinción, preparación específica de un hospital o correlaciones no relacionadas con la biología objetivo. Una alta precisión interna puede mantenerse incluso cuando el modelo se apoya parcialmente en esos factores de confusión.

En tercer lugar, los mapas predichos necesitan validación biológica. Los investigadores deberían compararlos con transcriptómica espacial directa, imagen multiplexada de proteínas, anotaciones de patólogos y otras mediciones independientes. La concordancia entre modalidades reforzaría las afirmaciones de que el modelo capta una organización tisular significativa.

En cuarto lugar, los estudios deben evaluar decisiones, no solo predicciones. Un modelo puede estimar con precisión un biomarcador sin ayudar a los médicos a elegir mejores tratamientos. Los ensayos deberían preguntar si el acceso al modelo cambia las recomendaciones, reduce las pruebas innecesarias o mejora los resultados de las pacientes.

En quinto lugar, los laboratorios necesitan detección de fallos. Path2Space debería señalar imágenes de mala calidad, tejido desconocido y predicciones inciertas en lugar de generar siempre un mapa de apariencia segura. Los mapas de calor visualmente pulidos pueden generar una falsa tranquilidad cuando la incertidumbre se oculta.

Estas preocupaciones no son exclusivas de Path2Space. Se aplican a toda la patología oncológica basada en IA. El problema adquiere especial importancia cuando los modelos infieren propiedades moleculares que los patólogos no pueden confirmar directamente al observar la misma lámina.

La explicabilidad tiene límites en este ámbito. Mostrar qué regiones de la imagen influyeron en una predicción puede ayudar a los revisores a detectar errores evidentes. No demuestra que la actividad génica predicha sea correcta. La medición molecular externa sigue siendo la comprobación más sólida.

El alcance del modelo también importa. El trabajo presentado se centra en el cáncer de mama. Extender el enfoque a tumores de pulmón, colorrectales, cerebrales u otros requeriría nuevos datos y validación. Cada tejido tiene una arquitectura, biomarcadores, tratamientos y prácticas de muestreo diferentes.

Incluso dentro del cáncer de mama, las preguntas clínicas difieren entre subtipos. Un modelo útil para la respuesta al tratamiento HER2-positivo podría no transferirse directamente a la enfermedad triple negativa. Los investigadores deben evitar tratar una etiqueta amplia de cáncer como una tarea de predicción uniforme.

La gobernanza de los datos añade otro desafío. Los grandes modelos de patología dependen de tejido digitalizado vinculado con datos moleculares y de resultados. Las instituciones deben gestionar el consentimiento, la privacidad, el acceso, la procedencia y los sesgos, preservando al mismo tiempo suficiente detalle para la auditoría.

Para los trabajadores del conocimiento que siguen este campo, la organización de las fuentes importa porque las afirmaciones de los titulares, los resúmenes institucionales, los artículos y los documentos regulatorios responden a preguntas distintas. Una base de conocimientos consultable puede mantener esos materiales conectados sin tratar cada afirmación como evidencia equivalente.

La conclusión responsable no es ni el rechazo ni el respaldo clínico. Path2Space ha demostrado una capacidad de investigación valiosa desde el punto de vista técnico y científico. Que esa capacidad mejore la atención individual sigue siendo una cuestión empírica abierta.

Tres señales que mostrarán si Path2Space llega a la atención oncológica

La siguiente fase debe juzgarse por la validación externa, las pruebas clínicas prospectivas y la evidencia de que el modelo funciona en sistemas de patología reales.

La primera señal es un estudio amplio de validación externa multicéntrica. Debería incluir instituciones que no aportaron datos de entrenamiento, junto con distintos escáneres, procedimientos de tinción y poblaciones de pacientes. Los investigadores deberían publicar el rendimiento por centro, grupo demográfico, subtipo de cáncer de mama y conjunto de genes.

Un estudio así reforzaría el caso actual si Path2Space mantuviera una precisión útil ante esas variaciones. Debilitaría el caso si el rendimiento dependiera en gran medida de las láminas de una institución o de un grupo reducido de pacientes.

La validación más sólida utilizaría mediciones espaciales directas de los centros externos. Los investigadores podrían comparar los mapas de expresión génica predichos con mapas generados en laboratorio en el mismo tejido. También deberían informar dónde falla el sistema, no solo de su rendimiento promedio.

La segunda señal es un estudio clínico prospectivo con un punto de decisión definido. Los investigadores podrían probar si Path2Space puede seleccionar muestras para perfilado adicional o mejorar la predicción de la respuesta a una terapia concreta. El estudio debería determinar el papel del modelo antes de examinar los resultados.

Un diseño útil compararía la evaluación estándar con un flujo de trabajo que añada Path2Space. Los investigadores podrían medir los cambios en las recomendaciones de tratamiento, el acuerdo entre médicos, el tiempo de respuesta, las pruebas confirmatorias y los resultados de las pacientes. Los criterios de seguridad deberían seguir las decisiones perjudiciales o retrasadas.

La evidencia prospectiva reforzaría el juicio central del artículo si las decisiones guiadas por el modelo superan o complementan eficazmente la práctica estándar. Debilitaría ese juicio si las predicciones añaden complejidad sin cambiar las decisiones ni los resultados.

La tercera señal es la evidencia de despliegue en infraestructuras rutinarias de patología. Esto implica información publicada sobre controles de calidad, comunicación de incertidumbre, compatibilidad de imágenes, monitorización y revisión humana. Las solicitudes regulatorias o los planes formales de desarrollo clínico aclararían el uso previsto.

Los laboratorios de patología también necesitan reproducibilidad. Si volver a escanear la misma lámina o procesar una sección de tejido cercana cambia sustancialmente el mapa, los médicos no pueden confiar en el resultado. Por tanto, las pruebas de estabilidad deberían acompañar los resultados de precisión destacados.

La evidencia del flujo de trabajo debería mostrar quién revisa la predicción y qué sucede cuando el modelo discrepa de la patología o de las pruebas moleculares. Path2Space debería respaldar decisiones responsables, en lugar de convertirse en una segunda opinión incuestionada.

Los investigadores también deberían divulgar las actualizaciones del modelo. El reentrenamiento puede mejorar el rendimiento, pero puede cambiar los resultados para la misma paciente. El control de versiones y la monitorización posterior al despliegue se vuelven esenciales cuando el software influye en decisiones médicas.

El campo en general proporcionará una comparación útil. Otros modelos de imagen a molecular persiguen objetivos similares, mientras que los ensayos espaciales directos continúan mejorando en resolución, rendimiento y coste. Path2Space debe aportar valor frente a un referente de laboratorio en constante evolución.

Esa competencia es saludable. Mejores ensayos espaciales generan datos más sólidos para el entrenamiento y la validación. Mejores modelos de imagen ayudan a los investigadores a utilizar esas mediciones en archivos más grandes. El progreso en cualquiera de los dos frentes puede mejorar el flujo de trabajo combinado.

Por ahora, los lectores deberían considerar la noticia de google news como indicio de una prometedora transición en la investigación. La patología oncológica con IA está avanzando más allá de la detección de tumores hacia la inferencia de la organización molecular. Path2Space es un ejemplo destacado porque conecta mapas espaciales con análisis de supervivencia y respuesta al tratamiento.

La siguiente pregunta no es si se puede generar un atractivo mapa de calor. Es si el mapa mantiene su precisión entre distintos hospitales, hace visible la incertidumbre y mejora una decisión clínica concreta.

Investigadores, clínicos y pacientes deberían seguir esas tres señales en lugar del volumen de titulares. La validación multicéntrica pondrá a prueba la capacidad de generalización. Los estudios prospectivos evaluarán el valor clínico. La evidencia de despliegue determinará si el sistema puede funcionar de forma segura fuera de un conjunto de datos seleccionado.

Hasta que lleguen esos resultados, Path2Space debe situarse en la investigación oncológica seria, no en la selección rutinaria de tratamientos. Su verdadera aportación consiste en facilitar el planteamiento de preguntas espaciales en grandes archivos de diapositivas. La evidencia clínica deberá determinar si sus respuestas están listas para orientar la atención.