Delta Marches: Generative AI based image synthesis to decode disease-driving morphologic transformations.
Delta-Marches 是一个生成式人工智能框架，它通过模拟组织类别之间理想化的形态转变来解码疾病机制，从而精准定位驱动病理生理变化的亚细胞特征，这已在肾癌分级和结直肠异型增生中得到证实。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在人体内部，疾病的故事往往书写在细胞的形状与排列之中。病理学家——即那些在显微镜下检查组织样本的医生——长期以来一直依赖这些视觉模式来诊断疾病。他们观察细胞如何聚集、细胞核呈现何种形态，以及周围结构是如何组织的。虽然人类专家擅长识别这些宏观模式，但微观世界包含了大量人类肉眼无法一次性处理的细节。配备了深度学习技术的现代计算机可以观察到比任何人都更多的空间细节，能够检测出暗示细胞内部发生变化的细微信号。然而，一个显著的差距仍然存在：虽然计算机可以识别出组织样本是否患病，但它们难以解释究竟是哪些微小的结构变化导致了这一结论。如果没有这种解释，科学家就很难理解驱动疾病背后的底层生物学机制，也难以利用这些见解来开发新的治疗方法。
一个研究小组开发了一种名为 Delta-Marches 的新方法来弥补这一差距。该方法并非试图逆向工程计算机是如何做出决策的，而是要求计算机想象如果组织样本发生轻微变化，它会呈现出怎样的样子。该系统获取一张组织样本的图像，并利用生成式人工智能来模拟一种特定的变化，例如将样本从较低的疾病等级提升至较高的等级。随后，它会将原始图像与这个新生成的、经过改变的版本进行对比。通过观察两者之间的差异，系统可以精准定位哪些特征发生了最显著的变化。这一过程过滤掉了不同患者之间存在的随机变异，使研究人员能够专注于驱动疾病发生的特定形态转变。
研究人员首先在肾癌上测试了这种方法，特别是在观察肿瘤如何根据严重程度进行分级方面。系统生成了展示从低等级向高等级过渡的逼真图像。在此过程中，它识别出肿瘤细胞核的形状和外观变化是决定等级的最关键因素。除了已知的信息外，该方法还揭示了一个清晰的模式，即随着肿瘤等级的升高，血管网络减少。这一特定发现符合已知的生物学模式，但在标准的诊断清单中通常不会被捕捉到。随后，研究人员将同样的技术应用于结肠组织，在该应用中，系统成功识别出了随着组织变得更加发育不良，腺体结构发生重塑以及特定粘液分泌细胞流失的过程。这些结果表明，该方法可以解析不同类型组织及不同尺度下的复杂视觉表型。通过分离出那些至关重要的精确结构变化，Delta-Marches 提供了一种将原始图像数据转化为关于疾病如何进展的可验证科学假设的方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。