Path2Space Mapeia a Atividade Gênica de Tumores de Mama, mas a Prova Clínica é o Verdadeiro Teste

O Path2Space ganhou destaque no Google News depois que pesquisadores relataram que um modelo de IA previu milhares de padrões espaciais de expressão gênica a partir de lâminas padrão de câncer de mama. O modelo transforma imagens familiares da patologia em mapas moleculares estimados, potencialmente reduzindo a dependência de análises laboratoriais mais lentas e caras. Ainda assim, o conflito central já está claro. O Path2Space produziu resultados promissores em pesquisa, mas ainda não demonstrou que clínicos possam usar suas previsões com segurança para orientar o atendimento aos pacientes.

Essa distinção importa porque a transcriptômica espacial mede onde os genes estão ativos dentro do tecido, e não apenas sua atividade média em um tumor inteiro. A localização pode revelar nichos de células imunes, regiões resistentes ao tratamento e outras características ocultas pelo sequenciamento em massa. O Path2Space tenta inferir esses padrões a partir de lâminas de hematoxilina e eosina, geralmente chamadas de lâminas H&E, que os laboratórios de patologia já produzem.

A abordagem coloca a patologia oncológica com IA em confronto com o perfilamento espacial convencional, mas não torna o método laboratorial obsoleto. Os pesquisadores ainda precisam de dados espaciais medidos para treinar, testar e auditar o modelo. Portanto, a oportunidade imediata é ampliar a escala da pesquisa, e não substituir instantaneamente os testes moleculares.

O Path2Space poderia permitir que cientistas examinassem centenas de tumores arquivados que não dispõem de medições espaciais. Também poderia ajudar pesquisadores a decidir quais amostras merecem análises laboratoriais mais aprofundadas. A passagem desses usos de pesquisa para a seleção de tratamentos exigirá estudos prospectivos, validação mais ampla e evidências de que decisões orientadas pelo modelo melhoram os resultados.

O que o Estudo do Path2Space Realmente Mudou

O Path2Space muda a escala da pesquisa espacial sobre tumores ao estimar a geografia molecular a partir de imagens que os hospitais já coletam.

O estudo do Path2Space, revisado por pares, descreve um modelo de aprendizado profundo que prevê diretamente a expressão gênica espacial a partir de histopatologia de câncer de mama. Histopatologia é o exame microscópico de tecido corado usado para diagnosticar doenças. Em vez de retornar uma única pontuação molecular para uma amostra inteira, o modelo gera estimativas para diferentes locais do tecido.

Os pesquisadores treinaram o Path2Space com lâminas de câncer de mama pareadas com medições de transcriptômica espacial. Esses exemplos pareados ensinaram o modelo a associar a morfologia visível do tecido à atividade gênica local. Em seguida, ele usou características das imagens para estimar padrões de expressão em lâminas sem medições espaciais correspondentes.

O estudo relata que o Path2Space previu a expressão espacial de milhares de genes e superou 21 métodos computacionais estabelecidos. Esses resultados dizem respeito à concordância com dados de referência de pesquisa. Eles não significam que cada estimativa gênica tenha sido igualmente precisa ou clinicamente acionável.

Os pesquisadores então aplicaram o modelo a 976 tumores de mama do The Cancer Genome Atlas. Isso produziu mapas estimados do microambiente tumoral, ou seja, as células cancerosas, células imunes, células estruturais e a atividade de sinalização ao redor de um tumor. A análise identificou três grupos definidos espacialmente associados a diferentes desfechos de sobrevivência.

Essa etapa é importante porque muitos modelos de patologia param após classificar uma lâmina. O Path2Space, em vez disso, tenta recuperar uma representação molecular mais rica a partir da imagem. Ele trata a morfologia como um registro comprimido dos processos biológicos que moldaram o tecido.

O modelo também foi usado para estudar a resposta ao tratamento em duas coortes adicionais de câncer de mama. Uma incluía pacientes que recebiam quimioterapia, enquanto a outra envolvia quimioterapia combinada com trastuzumab, uma terapia direcionada para câncer de mama HER2-positivo. Segundo o artigo, características espaciais inferidas pelo Path2Space previram a resposta com mais precisão do que biomarcadores baseados no sequenciamento em massa convencional.

Essas descobertas explicam por que a história circulou pelo Google News. Elas conectam um modelo técnico de imagem a um problema clínico conhecido: tumores que parecem semelhantes ou compartilham características moleculares médias podem responder de formas diferentes porque sua organização interna é distinta.

No entanto, esta foi uma análise retrospectiva de pesquisa. Os investigadores examinaram amostras existentes, resultados e registros de tratamento. Eles não designaram tratamentos aos pacientes usando o Path2Space nem compararam essas decisões com o tratamento padrão em um estudo clínico prospectivo.

Essa limitação não elimina o resultado. Ela define o que mudou. Os pesquisadores agora têm evidências de que imagens de rotina podem apoiar estudos de biomarcadores espaciais em uma escala maior do que o perfilamento laboratorial isolado normalmente permite.

Um resumo do Cedars-Sinai afirma que o perfilamento convencional de expressão gênica espacial pode levar semanas e custar milhares de dólares. Segundo relatos, o Path2Space produz previsões em minutos quando uma lâmina digital está disponível. A economia exata dependerá da infraestrutura computacional, da preparação das lâminas, dos controles de qualidade e do fluxo de trabalho clínico em torno do modelo.

O uso de curto prazo mais defensável não é substituir todos os ensaios. É examinar grandes coleções de tecido arquivado, gerar hipóteses e identificar amostras para testes confirmatórios. Isso poderia ampliar o acesso à pesquisa espacial enquanto preserva a medição laboratorial como padrão de referência.

Esse enquadramento também resolve a ambiguidade central do título. O modelo mapeia a atividade molecular estimada em todo o tecido tumoral. Ele não inspeciona fisicamente genes, não sequencia RNA nem mede diretamente a expressão gênica em cada nova lâmina.

Por que Lâminas de Rotina Pressionam o Perfilamento Espacial Convencional

A pressão vem da escala: os arquivos de patologia contêm muito mais imagens utilizáveis do que os pesquisadores podem se dar ao luxo de analisar com ensaios laboratoriais espaciais.

As lâminas H&E fazem parte do diagnóstico rotineiro do câncer. A hematoxilina cora os núcleos celulares, enquanto a eosina destaca o citoplasma e as estruturas de tecido ao redor. Depois de digitalizada, uma única imagem de lâmina inteira pode conter bilhões de pixels e preservar padrões em várias escalas biológicas.

A transcriptômica espacial adiciona medições moleculares a essa geografia do tecido. Dependendo do ensaio, os pesquisadores podem examinar a atividade gênica em pequenas regiões de tecido ou em células individuais. Os mapas resultantes ajudam a distinguir áreas tumorais de nichos ricos em células imunes, fibróticos, necróticos e resistentes ao tratamento.

Esse nível de detalhe tem um custo. Os ensaios espaciais exigem reagentes especializados, instrumentos, manipulação de tecido, sequenciamento e processamento computacional. Os estudos podem se tornar difíceis de ampliar para centenas de pacientes, especialmente quando os pesquisadores precisam de populações diversas e centros independentes de validação.

O Path2Space propõe uma divisão de trabalho diferente. Uma coleção menor de imagens pareadas e medições espaciais ensina o modelo. O sistema treinado pode então estimar padrões espaciais em um arquivo de imagens muito maior.

Essa é a mesma pressão econômica que impulsiona outros trabalhos em patologia oncológica com IA. Os pesquisadores querem extrair sinais biológicos adicionais de tecidos que os laboratórios já coletam. Cada modelo bem-sucedido aumenta o valor potencial de lâminas arquivadas sem exigir outro ensaio destrutivo em cada espécime.

O Path2Space não é a primeira tentativa de inferir expressão gênica a partir da morfologia. Um modelo de tumor de mama de 2020 previu a expressão local de mais de 100 genes usando 30.612 medições espacialmente resolvidas de 23 pacientes. Desde então, outros sistemas relacionaram imagens de tecido a perfis moleculares, tipos celulares e resultados de tratamento.

A importância do novo estudo vem da combinação de várias etapas. Ele prevê muitos genes, amplia a análise para 976 tumores, deriva grupos espaciais de pacientes e testa biomarcadores relacionados à resposta em coortes de tratamento separadas. Isso cria uma ponte mais forte entre a previsão por imagem e questões de pesquisa clinicamente relevantes.

No entanto, o perfilamento espacial convencional continua indispensável. Um modelo treinado com dados medidos não pode revelar se suas próprias previsões estão corretas sem amostras de referência comparáveis. Se tumores futuros diferirem da população de treinamento, os mapas inferidos podem se afastar da biologia subjacente.

Essa dependência torna a competição menos direta do que sugere uma narrativa de software versus laboratório. Os ensaios espaciais fornecem medições de alta informação para coortes menores. Os modelos de imagem ampliam padrões selecionados para coortes maiores. Usados em conjunto, eles podem formar um pipeline de descoberta.

A pressão recai, em vez disso, sobre programas de pesquisa que tratam o extenso perfilamento molecular como o único caminho confiável para obter insights espaciais. Se o Path2Space generalizar de forma confiável, os investigadores poderão reservar recursos laboratoriais para amostras representativas, casos difíceis e validação final.

Essa mudança pode afetar o desenho dos estudos. Os pesquisadores poderiam usar mapas estimados para buscar padrões espaciais raros em grandes arquivos. Em seguida, poderiam recuperar um número menor de espécimes para sequenciamento direcionado, imageamento de proteínas ou outro ensaio confirmatório.

A abordagem também cria oportunidades para instituições com patologia digitalizada, mas infraestrutura limitada de ômicas espaciais. Elas poderiam participar de estudos multicêntricos sem realizar localmente todos os ensaios moleculares. Suas imagens ainda precisariam de digitalização, coloração, anotação e governança consistentes.

Portanto, o Path2Space pressiona custos e capacidade de processamento, e não a necessidade científica de medição direta. O fluxo de trabalho de pesquisa mais robusto provavelmente combinará as duas rotas, em vez de declarar uma vencedora.

Essa distinção deve permanecer visível quando títulos do Google News comprimem o trabalho em alegações sobre melhorar o atendimento. Uma melhor escala de pesquisa pode apoiar um melhor atendimento, mas o caminho entre esses resultados inclui validação, regulamentação, testes de fluxo de trabalho e estudos clínicos.

Como a IA Mapeia o Tecido Tumoral sem Medir Cada Gene

O Path2Space prevê padrões moleculares a partir de correlatos visuais, portanto seus mapas são inferências estatísticas, e não resultados substitutos de sequenciamento.

A morfologia tumoral reflete a biologia subjacente. Densidade celular, formato nuclear, arquitetura do tecido, infiltração imune e tecido conjuntivo podem se correlacionar com a atividade molecular. Sistemas de aprendizado profundo podem detectar combinações dessas características de imagem que são difíceis de definir manualmente.

O Path2Space aprende essas associações a partir de dados pareados. Cada exemplo de treinamento relaciona uma região de imagem de tecido à expressão gênica medida em um local correspondente. O modelo ajusta seus parâmetros internos até que as características da imagem ajudem a prever o perfil molecular espacial.

Depois de treinado, o modelo recebe uma imagem H&E e a divide em regiões menores para análise. Ele converte informações visuais em características numéricas e, em seguida, estima a atividade gênica em toda a lâmina. Os pesquisadores podem montar essas estimativas regionais em mapas de calor que mostram diferenças previstas dentro do tumor.

Esse mecanismo é útil porque o sequenciamento em massa remove o contexto espacial. Imagine misturar um bairro inteiro em uma única residência média. O resultado pode descrever o bairro em geral, mas não pode mostrar quais casas têm crianças, moradores mais velhos ou recursos específicos.

Uma média de todo o tumor enfrenta o mesmo problema. Uma atividade imune intensa em uma região pode ocultar a exclusão imune em outra. Um sinal de resistência ao tratamento, restrito a uma pequena área, pode desaparecer dentro da média. Os mapas espaciais preservam a localização dessas diferenças.

Os mapas inferidos pelo Path2Space poderiam, portanto, apoiar três tarefas relacionadas. Pesquisadores podem estimar a abundância de tipos celulares, comparar a organização dos microambientes tumorais e buscar biomarcadores espaciais associados a desfechos ou à resposta ao tratamento.

Um biomarcador espacial é um padrão mensurável cuja localização ou estrutura de vizinhança tem significado biológico ou clínico. Seu valor pode vir de onde um gene está ativo, de quais células cercam essa atividade ou de quão acentuada é a diferença entre duas regiões de tecido.

O estudo relata três subgrupos de câncer de mama definidos espacialmente, com diferentes desfechos de sobrevida. Esse resultado sugere que padrões de organização podem distinguir pacientes de maneiras que a expressão gênica média não captura completamente. Ele não demonstra que clínicos devam usar esses grupos como uma classificação diagnóstica hoje.

A análise de resposta ao tratamento estabelece um patamar ainda mais alto. Um modelo pode encontrar associações retrospectivas que parecem úteis, mas enfraquecem quando aplicadas em outro hospital, scanner, população de pacientes ou protocolo de tratamento. A validação prospectiva precisa determinar se essas informações mudam decisões de forma benéfica.

A dependência do modelo em relação à morfologia também introduz um limite biológico. Algumas mudanças na expressão gênica alteram visivelmente a estrutura do tecido, enquanto outras deixam poucos vestígios detectáveis em uma imagem de H&E. O Path2Space não consegue inferir de forma confiável informações sem um correlato visual estável.

O desempenho também pode variar conforme o gene, a região do tecido e o grupo de pacientes. Relatar que um modelo prevê milhares de genes não significa que todas as previsões tenham a mesma precisão. O uso clínico exigiria resultados, limiares e limitações cuidadosamente definidos.

A qualidade da imagem cria outra camada de incerteza. Diferenças na fixação, química de coloração, espessura do corte, óptica do scanner, compressão e artefatos do tecido podem alterar os pixels sem mudar a doença. Um modelo pode responder a essas variações técnicas como se fossem sinais biológicos.

Pesquisadores costumam usar normalização e aumento de dados para reduzir esses efeitos. Essas técnicas ajudam, mas testes externos em centros independentes continuam essenciais. A avaliação mais convincente separa as instituições de treinamento das instituições de teste e inclui casos que reflitam a diversidade clínica real.

O campo já observou esse desafio. Um benchmark de tradução de 2025 avaliou quão bem a previsão de expressão gênica espacial a partir de histologia apoia pesquisas clínicas posteriores. Essas comparações importam porque boas métricas de previsão não produzem automaticamente biomarcadores úteis.

O mecanismo prático, portanto, não é uma reconstrução mágica. O Path2Space detecta relações aprendidas entre imagem e expressão, estima padrões moleculares locais e permite que pesquisadores testem se esses padrões se correlacionam com desfechos relevantes.

Isso ainda representa um avanço importante. Ele oferece aos cientistas uma forma de investigar a biologia espacial em uma escala que a medição direta muitas vezes não consegue alcançar. A limitação é igualmente importante: a biologia estimada continua sendo estimada até que evidências independentes a sustentem.

O Que a Manchete do Google News Não Estabelece

O estudo apoia o Path2Space como uma plataforma de pesquisa, mas não estabelece um teste clínico que deva determinar o tratamento.

Um leitor do Google News poderia razoavelmente inferir que o modelo já melhora o cuidado do câncer. As evidências publicadas sustentam uma conclusão mais restrita. O Path2Space poderia melhorar a descoberta de biomarcadores e talvez, no futuro, orientar o tratamento, desde que validações futuras confirmem seu valor.

A própria equipe de pesquisa descreve os ensaios clínicos como a próxima fronteira. Essa cautela é apropriada porque o desempenho retrospectivo responde apenas a parte da questão clínica. Uma ferramenta médica útil também precisa funcionar de forma confiável quando clínicos atendem novos pacientes em condições habituais.

Estudos prospectivos precisariam definir o papel pretendido do modelo. O Path2Space poderia atuar como um sistema de descoberta apenas para pesquisa, uma ferramenta de triagem para testes moleculares, um auxílio prognóstico ou um preditor de resposta ao tratamento. Cada função exige evidências e salvaguardas diferentes.

Um sistema de triagem poderia identificar amostras que precisam de perfilhamento espacial direto. Seus erros poderiam desperdiçar recursos ou deixar de identificar tecido informativo. Um preditor de resposta ao tratamento apresenta maior risco, porque um resultado incorreto pode influenciar a escolha da terapia.

A distinção também afeta a regulamentação. Softwares usados para fornecer informações diagnósticas ou terapêuticas específicas de pacientes podem estar sujeitos à supervisão de dispositivos médicos. Softwares de pesquisa usados apenas para análises exploratórias seguem uma via diferente.

Os princípios de transparência da FDA enfatizam o uso pretendido, o desempenho da equipe humano-IA, limitações conhecidas, representação populacional e validação local. Esses requisitos se relacionam diretamente às futuras questões do Path2Space.

Primeiro, os pesquisadores precisam testar populações mais amplas. A biologia do câncer de mama, o acesso ao tratamento, o processamento de tecidos e a demografia dos pacientes variam entre instituições e regiões. Um modelo treinado em coortes limitadas pode ter desempenho desigual para grupos pouco representados em seus dados.

Segundo, os pesquisadores devem isolar atalhos técnicos. Um sistema de IA pode aprender características do scanner, padrões de coloração, preparação específica de hospitais ou correlações não relacionadas à biologia-alvo. Uma forte precisão interna pode persistir mesmo quando o modelo depende parcialmente desses fatores de confusão.

Terceiro, os mapas previstos precisam de validação biológica. Pesquisadores devem compará-los com transcriptômica espacial direta, imagem multiplexada de proteínas, anotações de patologistas e outras medições independentes. A concordância entre modalidades fortaleceria as alegações de que o modelo captura uma organização tecidual significativa.

Quarto, os estudos devem avaliar decisões, não apenas previsões. Um modelo pode estimar um biomarcador com precisão sem ajudar clínicos a escolher tratamentos melhores. Os ensaios devem perguntar se o acesso ao modelo muda recomendações, reduz testes desnecessários ou melhora os desfechos dos pacientes.

Quinto, os laboratórios precisam detectar falhas. O Path2Space deve sinalizar imagens de baixa qualidade, tecido desconhecido e previsões incertas, em vez de sempre gerar um mapa com aparência confiante. Mapas de calor visualmente refinados podem criar falsa segurança quando a incerteza fica oculta.

Essas preocupações não se aplicam apenas ao Path2Space. Elas se aplicam à patologia oncológica baseada em IA de modo geral. O problema se torna especialmente importante quando modelos inferem propriedades moleculares que patologistas não conseguem confirmar diretamente ao observar a mesma lâmina.

A explicabilidade tem limites nesse contexto. Mostrar quais regiões da imagem influenciaram uma previsão pode ajudar revisores a detectar erros evidentes. Isso não prova que a atividade gênica prevista esteja correta. A medição molecular externa continua sendo a verificação mais robusta.

O escopo do modelo também importa. O trabalho relatado se concentra no câncer de mama. Estender a abordagem para tumores de pulmão, colorretais, cerebrais ou outros exigiria novos dados e validação. Cada tecido possui arquitetura, biomarcadores, tratamentos e práticas de amostragem diferentes.

Mesmo dentro do câncer de mama, as questões clínicas variam entre subtipos. Um modelo útil para a resposta ao tratamento HER2-positivo talvez não seja transferido diretamente para a doença triplo-negativa. Pesquisadores precisam evitar tratar um rótulo amplo de câncer como uma tarefa uniforme de previsão.

A governança de dados acrescenta outro desafio. Grandes modelos de patologia dependem de tecido digitalizado vinculado a dados moleculares e de desfechos. As instituições precisam gerenciar consentimento, privacidade, acesso, proveniência e vieses, preservando detalhes suficientes para auditoria.

Para profissionais do conhecimento que acompanham esse campo, a organização das fontes importa porque alegações de manchetes, resumos institucionais, artigos científicos e documentos regulatórios respondem a perguntas diferentes. Uma base de conhecimento pesquisável pode manter esses materiais conectados sem tratar cada alegação como evidência equivalente.

A conclusão responsável não é nem rejeição nem endosso clínico. O Path2Space demonstrou uma capacidade de pesquisa técnica e cientificamente valiosa. Se essa capacidade melhora o cuidado individual continua sendo uma questão empírica em aberto.

Três Sinais Que Mostrarão Se o Path2Space Chega ao Cuidado do Câncer

A próxima fase deve ser julgada pela validação externa, por testes clínicos prospectivos e por evidências de que o modelo funciona em sistemas reais de patologia.

O primeiro sinal é um grande estudo de validação externa multicêntrico. Ele deve incluir instituições que não contribuíram com dados de treinamento, além de diferentes scanners, procedimentos de coloração e populações de pacientes. Pesquisadores devem publicar o desempenho por centro, grupo demográfico, subtipo de câncer de mama e conjunto de genes.

Esse estudo fortaleceria o argumento atual se o Path2Space mantivesse precisão útil diante dessas mudanças. Ele enfraqueceria o argumento se o desempenho dependesse fortemente das lâminas de uma única instituição ou de um conjunto restrito de pacientes.

A validação mais robusta usaria medições espaciais diretas dos centros externos. Pesquisadores poderiam comparar mapas de expressão gênica previstos com mapas gerados em laboratório no mesmo tecido. Eles também deveriam relatar onde o sistema falha, não apenas seu desempenho médio.

O segundo sinal é um estudo clínico prospectivo com um ponto de decisão definido. Os pesquisadores poderiam testar se o Path2Space consegue selecionar amostras para perfilhamento adicional ou melhorar a previsão de resposta a uma terapia específica. O estudo deve determinar o papel do modelo antes de examinar os desfechos.

Um desenho útil compararia a avaliação padrão com um fluxo de trabalho que adiciona o Path2Space. Pesquisadores poderiam medir mudanças nas recomendações de tratamento, concordância entre clínicos, tempo de resposta, testes confirmatórios e desfechos dos pacientes. Desfechos de segurança devem acompanhar decisões prejudiciais ou atrasadas.

A evidência prospectiva fortaleceria o julgamento central do artigo se decisões orientadas pelo modelo superassem ou complementassem de forma eficiente a prática padrão. Ela enfraqueceria esse julgamento se as previsões acrescentassem complexidade sem mudar decisões ou desfechos.

O terceiro sinal é a evidência de implantação em infraestrutura rotineira de patologia. Isso significa informações publicadas sobre controles de qualidade, comunicação de incerteza, compatibilidade de imagens, monitoramento e revisão humana. Submissões regulatórias ou planos formais de desenvolvimento clínico tornariam o uso pretendido mais claro.

Os laboratórios de patologia também precisam de reprodutibilidade. Se redigitalizar a mesma lâmina ou processar uma seção próxima de tecido mudar substancialmente o mapa, os clínicos não poderão confiar no resultado. Portanto, testes de estabilidade devem acompanhar os resultados de precisão divulgados nas manchetes.

As evidências sobre o fluxo de trabalho devem mostrar quem revisa a previsão e o que acontece quando o modelo diverge da patologia ou dos testes moleculares. O Path2Space deve apoiar decisões responsáveis, em vez de se tornar uma segunda opinião inquestionável.

Os pesquisadores também devem divulgar atualizações do modelo. O retreinamento pode melhorar o desempenho, mas pode alterar os resultados para o mesmo paciente. O controle de versões e o monitoramento pós-implantação tornam-se essenciais quando o software influencia decisões médicas.

O campo mais amplo oferecerá uma comparação útil. Outros modelos de imagem para dados moleculares buscam objetivos semelhantes, enquanto ensaios espaciais diretos continuam melhorando em resolução, rendimento e custo. O Path2Space precisa oferecer valor diante de um referencial laboratorial em constante evolução.

Essa competição é saudável. Ensaios espaciais melhores geram dados mais sólidos para treinamento e validação. Modelos de imagem melhores ajudam pesquisadores a usar essas medições em acervos maiores. O avanço em qualquer um dos lados pode aprimorar o fluxo de trabalho combinado.

Por enquanto, os leitores devem tratar a matéria do google news como evidência de uma transição promissora na pesquisa. A patologia do câncer com IA está indo além da detecção de tumores, em direção à inferência da organização molecular. O Path2Space é um exemplo notável porque conecta mapas espaciais a análises de sobrevida e de resposta ao tratamento.

A próxima questão não é se um mapa de calor visualmente atraente pode ser gerado. É se o mapa permanece preciso entre hospitais, revela a incerteza e melhora uma decisão clínica definida.

Pesquisadores, clínicos e pacientes devem acompanhar esses três sinais, em vez do volume de manchetes. A validação multicêntrica testará a capacidade de generalização. Estudos prospectivos testarão o valor clínico. Evidências de implementação testarão se o sistema pode operar com segurança fora de um conjunto de dados selecionado.

Até que esses resultados cheguem, o Path2Space pertence à pesquisa séria sobre câncer, e não à seleção rotineira de tratamentos. Sua contribuição real é tornar mais fáceis as perguntas espaciais em grandes acervos de lâminas. A comprovação clínica deve determinar se suas respostas estão prontas para orientar o cuidado.