Data-Efficient and Interpretable Classification of Circulating Tumor Cell Phenotypes in Microfluidic Devices via Deep Learning

Krebs bleibt nicht immer an einem Ort. Manchmal lösen sich bösartige Zellen aus einem Tumor und driften in den Blutkreislauf ab, um an anderen Stellen des Körpers neue Wucherungen zu bilden. Diese wandernden Zellen, bekannt als zirkulierende Tumorzellen, sind entscheidende Hinweise für Ärzte. Wenn es Wissenschaftlern gelingt, sie zu identifizieren und ihr Wesen zu verstehen, können sie besser vorhersagen, wie aggressiv ein Krebs sein könnte und wie er auf eine Behandlung reagieren wird. Das Erraten dieser Zellen ist jedoch schwierig, da sie selten sind und den Milliarden von gesunden Blutzellen, die sie umgeben, sehr ähnlich sehen. Traditionelle Methoden verlassen sich oft auf chemische Markierungen, aber diese können versagen, wenn die Zellen ihr Aussehen im Verlauf der Krankheit verändern. Um dies zu lösen, haben sich Forscher der Physik zugewandt. Sie verwenden winzige, spezialisierte Kanäle, die mit mikroskopischen Säulen gefüllt sind, die wie ein Hindernisparcours wirken. Während eine Zelle durch dieses Labyrinth fließt, bestimmen ihre Größe und Steifigkeit, wie sie sich bewegt. Eine weiche, nachgiebige Zelle wird anders navigieren als eine harte, starre Zelle und so eine einzigartige Spur der Bewegung hinterlassen. Die Herausforderung bestand bisher darin, dass diese Spuren komplex und schwer zu lesen sind und leistungsstarke Computer erfordern, um die Muster zu entschlüsseln.

Ein Team von Forschern der Texas Tech University hat einen neuen Weg entwickelt, diese Bewegungspuren mithilfe künstlicher Intelligenz zu lesen, allerdings mit einem Kniff, der darauf ausgelegt ist, mit sehr wenig Daten zu arbeiten. In ihrer Studie konzentrierten sie sich auf einen speziellen Typ von Vorrichtung, bei dem Zellen durch ein ungeordnetes, aber gleichmäßiges Feld mikroskopischer Pfosten navigieren. Sie simulierten die Bewegung zweier unterschiedlicher Arten von Krebszellen – einige weich und einige hart – durch diese Umgebung. Da das Durchführen dieser detaillierten physikalischen Simulationen langsam und teuer ist, verfügten die Forscher nur über eine begrenzte Anzahl an Bewegungsaufzeichnungen, nämlich etwas mehr als fünfhundert insgesamt. Diese Knappheit macht es Computerkonstrukten normalerweise schwer, effektiv zu lernen, da sie dazu neigen, die wenigen Beispiele, die sie sehen, eher auswendig zu lernen, anstatt die zugrunde liegenden Regeln zu begreifen. Um dies zu beheben, entwickelte das Team eine kluge Trainingsmethode, die sie Subsequenz-Sampling (Teilsequenz-Stichprobenziehung) nennen. Anstatt dem Computer die gesamte Reise einer Zelle von Anfang bis Ende zu zeigen, speisten sie ihm zufällig kurze, kontinuierliche Segmente des Pfades zu. Dies zwang die künstliche Intelligenz dazu, sich auf die aussagekräftigsten lokalen Details der Bewegung zu konzentrieren, anstatt sich auf die vollständige Historie der Reise zu verlassen.

Die Ergebnisse zeigten, dass dieser Ansatz bemerkenswert gut funktionierte. Durch das Training an diesen zufälligen Ausschnitten lernte der Computer, zwischen den weichen und harten Zellen genauer zu unterscheiden, als wenn er mit den vollständigen Pfaden trainiert worden wäre. Die Forscher stellten dann eine zweite, ebenso wichtige Frage: Wie trifft der Computer eigentlich seine Entscheidung? KI-Modelle werden oft als „Black Boxes“ bezeichnet, weil ihre interne Logik verborgen bleibt, aber das Team nutzte ein Visualisierungswerkzeug, um Licht in diesen Prozess zu bringen. Sie fanden heraus, dass der Computer nicht die gesamte Reise benötigte, um eine korrekte Entscheidung zu treffen. Stattdessen konzentrierte er sich intensiv auf spezifische, kurze Momente, in denen die Zelle mit den Säulen oder der Flüssigkeit interagierte. Dies bestätigte, dass die wichtigsten Informationen in diesen lokalisierten Interaktionen verborgen waren und nicht in der Gesamtform des gesamten Pfades.

Die Studie enthüllte auch ein überraschendes Detail darüber, worauf der Computer tatsächlich achtete. Das Modell stützte sich am stärksten auf die Geschwindigkeits- und Richtungsänderungen der Zellen – ihre Geschwindigkeit – und nicht nur auf ihre Position. Während das Wissen darüber, wo sich eine Zelle befand, hilfreich war, lieferten das Wissen darüber, wie schnell sie sich bewegte und wie sie beschleunigte oder abbiegte, die stärksten Hinweise. Als die Forscher sowohl die Positions- als auch die Geschwindigkeitsdaten kombinierten, erreichte der Computer seine höchste Genauigkeit. Die von ihnen erstellten visuellen Karten zeigten, dass der Computer auf spezifische Zonen innerhalb der Vorrichtung achtete, in denen die Bewegungen der Zellen am deutlichsten waren. Für weiche Zellen waren dies die Zonen, in denen die Zellen sich zu biegen und um Hindernisse herumzufließen schienen, während harte Zellen in anderen Bereichen starre, unnachgiebige Ablenkungen zeigten. Dies deutet darauf hin, dass die Vorrichtung selbst als physischer Übersetzer fungiert, der die unsichtbaren mechanischen Eigenschaften einer Zelle in ein sichtbares Bewegungsmuster verwandelt, das ein Computer lesen kann.

Obwohl diese Erkenntnisse auf Computersimulationen und nicht auf Live-Experimenten basieren, bieten sie einen klaren Weg nach vorn. Die Forschung legt nahe, dass zukünftige Geräte eine Zelle möglicherweise nicht für ihre gesamte Reise verfolgen müssen, um sie zu identifizieren; das Erfassen nur weniger Sekunden ihrer aktivsten Bewegung könnte ausreichen. Dies könnte die Zeit und die Rechenleistung, die für die Analyse benötigt werden, erheblich reduzieren. Darüber hinaus könnten Ingenieure, indem sie genau verstehen, welche Teile der Vorrichtung die nützlichsten Informationen generieren, in Zukunft bessere mikrofluidische Werkzeuge entwerfen. Die Arbeit zeigt, dass Wissenschaftler durch die Kombination einer intelligenten Methode zum Trainieren von Computern mit einer Methode, um in deren Denken hineinzusehen, die Geheimnisse entschlüsseln können, die in der Art und Weise verborgen liegen, wie Zellen durch die Autobahnen des Körpers wandern.