KI erstellt virtuelle Histologie-Färbungen aus CT-Aufnahmen

Schweizer Forschende haben mit „VISTACT“ ein KI-System entwickelt, das Gewebebilder aus der Computertomografie (CT) so einfärbt, als seien klassische Gewebeschnitte erstellt worden. Dadurch könnten krankhafte Veränderungen künftig zerstörungsfrei und dreidimensional analysiert werden.

Als Rudolf Virchow im 19. Jahrhundert seine Zelltheorie der Krankheiten formulierte, veränderte er die Medizin grundlegend: Krankheiten entstehen nicht unerklärlich im Organismus, sondern in bestimmten Zellen und Geweben. Bis heute basiert die Pathologie im Kern auf der zeitintensiven Untersuchung dünner Gewebeschnitte, die eingefärbt und unter dem Mikroskop betrachtet werden.

Nun ist es einem internationalen Forschungsteam am Paul Scherrer Institut (PSI) gelungen, die zweidimensionale Grenze zu überwinden. Mithilfe hochauflösender Mikro-Computertomografie (µCT) und Künstlicher Intelligenz (KI) erzeugte eine Gruppe um den PSI-Physiker Goran Lovric vom Zentrum für Photonenforschung virtuelle Histologie-Färbungen von Gewebeproben.

„Wir haben zum ersten Mal gezeigt, dass eine virtuelle Färbung auf CT-Basis ähnliche Ergebnisse liefern kann wie die konventionelle Labor-Histologie“, erklärt Lovric. „Dies eröffnet eine Fülle an klinischen und wissenschaftlichen Anwendungsmöglichkeiten.“

VISTACT ermöglicht virtuelle Histologie-Färbungen

Die Forschenden kombinierten hochauflösende Phasenkontrast-Mikro-CT (PCµCT) mit Methoden des maschinellen Lernens. Das System trägt den Namen „VISTACT“ – kurz für „VIrtual STAining of micro-Computed Tomography“. Während klassische Computertomografie vor allem Unterschiede in der Röntgendichte misst, nutzt die PCµCT zusätzliche Informationen in der Strahlung und erreicht dadurch eine deutlich bessere Darstellung von Weichgewebe. So lassen sich selbst feine anatomische Strukturen dreidimensional und im Mikrometerbereich sichtbar machen – bislang allerdings nur in Graustufen.

In der Pathologie kommen klassischerweise jedoch eher kontrastreiche Histologiefärbungen zum Einsatz, beispielsweise die HE-Färbung. In grauen CT-Datensätzen gehen viele der visuellen Orientierungspunkte verloren. „Wir wollten deshalb die vertraute Farbwelt der Histologie auf dreidimensionale CT-Daten übertragen“, so Lovric.

Dafür trainierten die Forschenden eine spezialisierte KI mit Paaren aus echten histologischen Schnitten und den dazugehörigen CT-Aufnahmen. Die KI lernte auf diese Weise, welche mikroskopischen Muster typischerweise welche Einfärbung erhalten. Anschließend konnte sie neue CT-Daten virtuell einfärben.

Präzisere Verortung als Standardverfahren

Ein entscheidender technischer Schritt war dabei die präzise Zuordnung der Bilder. Histologische Schnitte sind nur wenige Mikrometer dick und können beim Schneiden oder Aufziehen leicht verzogen werden. Zudem muss exakt bestimmt werden, an welcher Stelle im dreidimensionalen CT-Datensatz der jeweilige Schnitt liegt. Die Arbeitsgruppe um Lovric entwickelte dafür ein mehrstufiges Verfahren, das die entsprechende Ebene automatisch erkennt und mit den Histologiedaten abgleicht. Nach Angaben der Forschenden gelingt die räumliche Zuordnung damit deutlich präziser als mit bisherigen Standardverfahren.

Für die eigentliche virtuelle Färbung kam ein sogenanntes „Conditional Generative Adversarial Network“ zum Einsatz – ein spezialisiertes KI-System zur Bild-zu-Bild-Übersetzung. Das Modell erhielt Graustufenbilder der PCµCT als Eingang und erzeugte daraus virtuelle histologische Präparate. Bemerkenswert war dabei, dass die KI nicht nur grobe Farbflächen erzeugte, sondern unterschiedliche Gewebekomponenten plausibel differenzierte: Blut in den feinen Gefäßen erschien gelblich, Kollagenstrukturen rosa, Oberflächen in der Lunge grau bis violett.

Test an Lungengewebe liefert „Proof of Concept“

Die Forschenden testeten ihr neues Verfahren an Lungengewebe, das Personen mit Lungenhochdruck entnommen worden war. Hierbei kommt es zu einem krankhaften Umbau der Lungengefäße. „Wir konnten die veränderten Gefäßregionen dreidimensional kartieren“, so Erstautorin Cristina Almagro-Pérez.

Die neue Technik kann automatisiert und deutlich schneller arbeiten als das herkömmliche Vorgehen. Allerdings lässt sie sich noch nicht im klinischen Alltag einsetzen: Die benötigte Phasenkontrast-Bildgebung erfolgte an der TOMCAT-Strahllinie der Synchrotron Lichtquelle Schweiz (SLS), einer der Großforschungsanlagen am PSI. Die anfallenden Datenmengen waren enorm, und die Auflösung reichte oft noch nicht aus, um einzelne Zellkerne zuverlässig darzustellen.

Zudem bleibt virtuelle Histologie noch eine statistische Rekonstruktion: Die KI erzeugt keine echten histologischen Informationen, sondern plausible Vorhersagen auf Basis der Trainingsdaten. Diagnostische Routinequalität erreiche das Verfahren derzeit noch nicht, betonen Almagro-Pérez und Lovric. Der „Proof of Concept“ sei jedoch erbracht – und das Verfahren prinzipiell auf die Untersuchung verschiedener Krankheiten übertragbar.

Gerade bei Tumoren, Gefäßveränderungen oder komplexen Gewebearchitekturen kann diese Form der zerstörungsfreien 3D-Pathologie die Erforschung von Krankheitsbiomarkern beschleunigen und dadurch langfristig neue diagnostische Perspektiven eröffnen.