El porcentaje de necrosis después de la quimioterapia es un factor pronóstico de supervivencia en el osteosarcoma. Los patólogos estiman este valor calculando la viabilidad del tumor sobre un promedio de imágenes de portaobjetos completos (WSIs, por sus siglas en inglés). Este proceso no estandarizado y laborioso requiere capacitación especializada y tiene una alta variabilidad entre observadores. Por lo tanto, el objetivo de este trabajo fue desarrollar un modelo de machine learning capaz de calcular el porcentaje de necrosis en el osteosarcoma con una precisión similar a la de un patólogo con experiencia en patología musculoesquelética. 

Realizaron un estudio de prueba de concepto, en el que obtuvieron retrospectivamente seis WSIs de dos pacientes con osteosarcomas convencionales. Se entrenó a un sistema de aprendizaje, débilmente supervisado, mediante el uso de anotaciones parciales e imprecisas de tumores viables, necróticos, y tejidos no tumorales, para crear modelos predictivos. Una vez "entrenado" el modelo, este segmentó áreas de tejido y determinó el porcentaje de necrosis de los seis WSIs. Para evaluar la fidelidad del modelo, paralelamente el patólogo también estimó este porcentaje de cada WSI, y se compararon ambas estimaciones. 

Después de los análisis respectivos, las estimaciones del modelo y del patólogo mostraron una fuerte correlación positiva (r= 0,85). Este perdió precisión en la presencia de tejido cartilaginoso abundante. El entrenamiento tardó 30 min por cada WSI. 

El estudio logró crear y entrenar un modelo de machine learning, mediante técnicas de aprendizaje débilmente supervisadas, que permite segmentar tumores viables, necróticos, y tejidos no tumorales, y calcular el porcentaje de necrosis, con una precisión similar a la de un patólogo. Los autores esperan que se pueda alcanzar una mejora, anotando específicamente el tejido cartilaginoso (benigno o maligno) y otros tejidos mesenquimales, para una mejor representación de la heterogeneidad histológica en el osteosarcoma y predicciones más precisas.