يُعتبر نقص البيانات المدربة المُعتمَدة من خبراء الأمراض (histopathology) عائقًا رئيسيًا لتقدم الذكاء الاصطناعي في هذا المجال، لا سيما بالنسبة للأمراض النادرة حيث يصعب الحصول على حالات عديدة. ولتجاوز هذه العقبة، قدم الباحثون نموذج PathoGen، وهو نموذج توليدي قائم على التحفيز (diffusion-based) يتيح إمكانية تشكيل آفات عالية الجودة في صور علم الأمراض السليمة.

مع وجود بيانات مكونة من أربعة مجموعات، تشمل أمراض الكلى، والجلد، والثدي، والبروستاتا، أظهر PathoGen أداءً متميزًا مقارنة بالنماذج الرائدة الأخرى، حيث أكد التقييم الكمي تفوقه في دقة الصورة والتشابه التوزيعي.

في دراسة أجراها ستة أطباء مختصين، لم يتمكنوا من التمييز بين الصور الاصطناعية التي أنتجها النموذج وصور الأنسجة الحقيقية بسهولة، حيث وصلت دقة التمييز إلى 57.75%. كما حصل PathoGen على أعلى نسبة تحصيل (35.4%) خلال تقييم جودة الجيل مقارنة بجميع النماذج الأخرى.

علاوة على ذلك، أظهرت التجارب أن إدراج آفات مُنتَجة بواسطة PathoGen في مجموعات التدريب يعزز من درجات تقسيم البيانات (Dice scores) بمعدل يصل إلى 0.18 مقارنة بأساليب التحسين التقليدية، مع تحقيق أقصى استفادة في المجالات الشحيحة من البيانات. ومن خلال إنتاجه لتشكيلات واقعية وتقديم تعليقات على مستوى البكسل، يتناول PathoGen بشكل فعّال العقبات الرئيسية المتعلقة بشح البيانات وتكاليف التعليقات، مما يمهد الطريق لتقدم كبير في تطوير علم الأمراض الحاسوبي.