Delta Marches: Generative AI based image synthesis to decode disease-driving morphologic transformations.

Im Inneren des menschlichen Körpers wird die Geschichte der Krankheit oft in der Form und Anordnung der Zellen geschrieben. Pathologen, jene Ärzte, die Gewebeproben unter dem Mikroskop untersuchen, verlassen sich seit langem auf diese visuellen Muster, um Krankheiten zu diagnostizieren. Sie suchen nach Veränderungen darin, wie Zellen verklumpen, wie ihre Zellkerne erscheinen und wie die umliegenden Strukturen organisiert sind. Während menschliche Experten geschickt darin sind, diese breiten Muster zu erkennen, enthält die mikroskopische Welt eine enorme Menge an Details, die das menschliche Auge einfach nicht alle gleichzeitig verarbeiten kann. Moderne Computer, die mit Deep Learning ausgestattet sind, können weit mehr dieser räumlichen Details sehen als jeder Mensch es jemals könnte, indem sie subtile Signale erkennen, die darauf hindeuten, was im Inneren einer Zelle geschieht. Es besteht jedoch eine erhebliche Lücke: Während Computer identifizieren können, dass eine Gewebeprobe erkrankt ist, fällt es ihnen schwer zu erklären, welche winzigen strukturellen Veränderungen zu dieser Schlussfolgerung geführt haben. Ohne diese Erklärung ist es für Wissenschaftler schwierig, die zugrunde liegenden biologischen Mechanismen zu verstehen, die die Krankheit vorantreiben, oder diese Erkenntnisse zu nutzen, um neue Behandlungen zu entwickeln.

Ein Forschungsteam hat eine neue Methode namens Delta-Marches entwickelt, um diese Lücke zu schließen. Anstatt zu versuchen, rückwärts zu analysieren, wie ein Computer eine Entscheidung getroffen hat, fragt dieser Ansatz den Computer, wie eine Gewebeprobe aussehen würde, wenn sie sich leicht unterscheiden würde. Das System nimmt ein Bild einer Gewebeprobe und nutzt generative künstliche Intelligenz, um eine spezifische Veränderung zu simulieren, wie etwa den Übergang einer Probe von einem niedrigeren Krankheitsgrad zu einem höheren Grad. Anschließend vergleicht es das Originalbild mit dieser neu erstellten, veränderten Version. Durch das Betrachten der Unterschiede zwischen den beiden Bildern kann das System genau bestimmen, welche Merkmale sich am stärksten verändert haben. Dieser Prozess filtert die zufälligen Variationen heraus, die von einem Patienten zum anderen auftreten, sodass die Forscher sich auf die spezifischen morphologischen Transformationen konzentrieren können, die die Krankheit vorantreiben.

Die Forscher testeten diese Methode zuerst an Nierenzellkarzinomen, wobei sie speziell untersuchten, wie Tumore basierend auf ihrem Schweregrad klassifiziert werden. Das System erzeugte realistische Bilder, die den Übergang von einem niedrigeren zu einem höheren Grad zeigten. Dabei identifizierte es, dass Veränderungen in der Form und dem Erscheinungsbild der Tumorzellkerne die kritischsten Faktoren bei der Bestimmung des Grades waren. Über das bereits Bekannte hinaus enthüllte die Methode auch ein klares Muster reduzierter Blutgefäßnetzwerke, während der Tumorgrad zunahm. Dieser spezifische Befund stimmt mit bekannten biologischen Mustern überein, wird jedoch in Standard-Diagnose-Checklisten normalerweise nicht erfasst. Die Forscher wandten dieselbe Technik dann auf Gewebe aus dem Dickdarm an, wo sie erfolgreich die Umgestaltung der Drüsenstrukturen und den Verlust spezifischer Schleim produzierender Zellen identifizierten, während das Gewebe dysplastischer wurde. Diese Ergebnisse zeigen, dass die Methode komplexe visuelle Phänotypen über verschiedene Gewebearten und Skalen hinweg analysieren kann. Durch die Isolierung der präzisen strukturellen Veränderungen, die entscheidend sind, bietet Delta-Marches eine Möglichkeit, rohe Bilddaten in testbare wissenschaftliche Hypothesen darüber zu verwandeln, wie Krankheiten fortschreiten.