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

Dentro do corpo humano, a história da doença é frequentemente escrita na forma e no arranjo das células. Os patologistas, os médicos que examinam amostras de tecido sob microscópios, há muito dependem desses padrões visuais para diagnosticar doenças. Eles procuram mudanças na forma como as células se agrupam, como seus núcleos aparecem e como as estruturas circundantes são organizadas. Embora os especialistas humanos sejam habilidosos em reconhecer esses padrões amplos, o mundo microscópico contém uma vasta quantidade de detalhes que o olho humano simplesmente não consegue processar de uma só vez. Computadores modernos, equipados com aprendizado profundo, conseguem ver muito mais desses detalhes espaciais do que qualquer pessoa jamais poderia, detectando sinais sutis que sugerem o que está acontecendo dentro de uma célula. No entanto, permanece uma lacuna significativa: embora os computadores possam identificar que uma amostra de tecido está doente, eles têm dificuldade em explicar exatamente quais pequenas mudanças estruturais causaram essa conclusão. Sem essa explicação, é difícil para os cientistas compreenderem os mecanismos biológicos subjacentes que impulsionam a doença ou usarem esses insights para desenvolver novos tratamentos.

Uma equipe de pesquisadores desenvolveu um novo método chamado Delta-Marches para preencher essa lacuna. Em vez de tentar fazer engenharia reversa de como um computador tomou uma decisão, esta abordagem pede ao computador que imagine como uma amostra de tecido seria se fosse ligeiramente diferente. O sistema pega uma imagem de uma amostra de tecido e usa inteligência artificial generativa para simular uma mudança específica, como deslocar a amostra de um grau de doença mais baixo para um mais alto. Ele então compara a imagem original com esta versão recém-criada e alterada. Ao observar as diferenças entre as duas, o sistema pode identificar exatamente quais características mudaram mais. Este processo filtra as variações aleatórias que ocorrem de um paciente para outro, permitindo que os pesquisadores se concentrem nas transformações morfológicas específicas que impulsionam a doença.

Os pesquisadores testaram primeiro este método no câncer renal, observando especificamente como os tumores são classificados com base em sua gravidade. O sistema gerou imagens realistas mostrando a transição de um grau mais baixo para um grau mais alto. Ao fazer isso, identificou que as mudanças na forma e aparência dos núcleos das células tumorais eram os fatores mais críticos para determinar o grau. Além do que já era conhecido, o método também revelou um padrão claro de redução nas redes de vasos sanguíneos à medida que o grau do tumor aumentava. Este achado específico alinha-se com padrões biológicos conhecidos, mas não é tipicamente capturado em listas de verificação diagnósticas padrão. Os pesquisadores aplicaram então a mesma técnica em tecidos do cólon, onde ela identificou com sucesso a remodelação das estruturas glandulares e a perda de células específicas produtoras de muco à medida que o tecido se tornava mais displásico. Estes resultados demonstram que o método pode analisar fenótipos visuais complexos através de diferentes tipos de tecidos e escalas. Ao isolar as mudanças estruturais precisas que importam, o Delta-Marches oferece uma maneira de transformar dados brutos de imagem em hipóteses científicas testáveis sobre como as doenças progridem.