Ohne die mikroskopischen Bilder menschlicher Gewebe gibt es oft keine zielführende Diagnostik. Eine entzündete Arterie, ein Tumor, der in die Lunge einwächst, oder feine Schäden in einem Organ – wenn man verstehen will, was im Inneren eines Gewebes geschieht, gehört das Mikroskop nach wie vor zu den verlässlichsten Werkzeugen. Heute sind diese Untersuchungen weitgehend digitalisiert: Eine einzelne Gewebeprobe kann als sogenanntes „Whole-Slide-Bild“ gescannt werden, das so detailreich ist, dass man von einer Übersicht des gesamten Gewebes bis hinunter zu einzelnen Zellen zoomen kann. Es gibt dabei aber ein Problem. Durch die enormen Informationsmengen über Gewebe auf unterschiedlichen Skalen sind sie sehr komplex und oft schwer mit modernen, datengetriebenen Methoden zu analysieren. Dabei lassen sich digitale Pathologiebilder nur schwer integrieren. Häufig liegen sie in softwarespezifischen Formaten vor, werden mit inkompatiblen Werkzeugen verarbeitet und sind schwer mit molekularen Informationen wie RNA-Sequenzierungsdaten zu verknüpfen. Dadurch bleiben digitalisierte Gewebebilder in vielen Forschungs- und klinischen Bereichen weitgehend ungenutzt, so die Forscherinnen und Forscher.
Whole-Slide-Bilder besser nutzen
Eine neue Studie aus der Forschungsgruppe von CeMM Principal Investigator André Rendeiro stellt nun LazySlide vor, eine Open-Source-Anwendung, die die Analyse von Whole-Slide-Bildern zugänglicher, kompatibler und besser in jene rechnergestützten Workflows integrierbar machen soll, die bereits die moderne Genomik prägen. LazySlide soll es ermöglichen, Whole-Slide-Bilder in kleinere, handhabbare Bereiche zu unterteilen und diese mit fortgeschrittenen KI-Modellen zu analysieren. Diese Modelle sollen Muster in der Gewebestruktur erkennen, unterschiedliche Zelltypen identifizieren und feine Veränderungen der Gewebearchitektur quantifizieren – ohne dass aufwendige manuelle Anmerkungen erforderlich sein sollen.
Verbindung mit molekularen Prozessen
Die Studie zeigt unter anderem, wie sich visuelle Informationen aus Gewebebildern direkt mit molekularen Daten wie Genexpressionsprofilen verknüpfen lassen. In einem Beispiel analysierten die Forschenden Arteriengewebe mit und ohne Verkalkung. LazySlide unterschied nicht nur gesundes von erkranktem Gewebe allein anhand der Bildmerkmale, sondern machte auch biologische Signalwege wie entzündliche Signalprozesse sichtbar, die erst durch die gemeinsame Analyse von Bilddaten und RNA-Sequenzierungsdaten erkennbar wurden. „Die Histologie enthält eine enorme Menge biologischer Information, ist aber oft nur schwer zugänglich für computerunterstützte Verfahren“, sagt Yimin Zheng, Erstautor der Studie. „Mit LazySlide wollten wir ein Werkzeug bereitstellen, das es Forschenden erlaubt, Gewebebilder systematisch und quantitativ zu untersuchen und das, was sie unter dem Mikroskop sehen, mit den zugrunde liegenden molekularen Prozessen zu verbinden.“
Hürde für den Einsatz sinkt
Eine praktische Funktion von LazySlide ist laut Forschungsteam die Möglichkeit, Bilder mit natürlicher Sprache zu verknüpfen. Mithilfe von KI-Modellen, die visuelle Muster mit textlichen Konzepten verbinden, sind Fragen möglich wie etwa, wo in einer Gewebeprobe Anzeichen von „Verkalkung“ auftreten. Die Software hebe entsprechende Regionen hervor und erzeuge quantitative Scores, wodurch visuelle Eindrücke in messbare Daten überführt werden könnten. Dieser Ansatz ermögliche auch sogenannte „Zero-Shot“-Analysen: LazySlide könne das Ursprungsorgan von Gewebeproben erkennen oder gesundes von krankem Gewebe unterscheiden, ohne für jede einzelne Fragestellung spezifisch trainiert worden zu sein. Dadurch könne die Hürde für den Einsatz fortgeschrittener Bildanalysemethoden in der biomedizinischen Forschung erheblich sinken, betonen die Wissenschaftler/-innen.
Einfache Integration des Systems
LazySlide sei so konzipiert worden, dass es sich nahtlos in bestehende rechnergestützte Werkzeuge der Biologie integrieren könne, die in der Genomik und Einzelzellforschung weit verbreitet sind. Indem digitale Pathologie besser mit diesen etablierten Workflows verzahnt werden könne, trage die Software dazu bei, Gewebebildgebung stärker in das Ökosystem datengetriebener Lebenswissenschaften einzubinden. „Unser Ziel war es, die Analyse von Whole-Slide-Bildern zugänglicher zu machen und besser mit den Datentypen zu verknüpfen, die Forschende im Alltag nutzen“, sagt André Rendeiro. „Indem wir Gewebebilder als reichhaltige Datensätze und nicht als statische Abbildungen behandeln, können wir neue Einblicke gewinnen, wie Krankheiten die menschliche Biologie prägen.“
LazySlide und WSIData sind öffentlich über GitHub unter https://github.com/RendeiroLab/LazySlide und https://github.com/RendeiroLab/WSIData verfügbar.
Quelle: idw/CeMM
Artikel teilen
