Análisis basado en IA explicable de secciones de páncreas humano identifica rasgos de diabetes tipo 2

Área de la Ciencia:

• Patología
• Biología Computacional
• Endocrinología

Sus antecedentes:

• La diabetes tipo 2 (T2D) afecta a 500 millones de personas en todo el mundo, con graves consecuencias.
• La histopatología actual tiene dificultades para vincular los cambios morfológicos con la secreción de insulina alterada y la insuficiencia de las células beta en la T2D.
• La microscopía de gigapíxeles revela cambios sutiles, pero la complejidad de los datos desafía el análisis humano.

Objetivo del estudio:

• Desarrollar modelos de aprendizaje profundo para predecir el estado de T2D a partir de imágenes de todo el páncreas.
• Identificar e interpretar biomarcadores morfológicos asociados con la T2D utilizando IA explicable.
• Refinar hipótesis sobre las alteraciones del tejido pancreático en la T2D.

Principales métodos:

• Generó un conjunto de datos de imágenes de todo el páncreas con tinciones cromogénicas e inmunofluorescencia multiplex.
• Entrenó modelos de aprendizaje profundo para predecir el estado de T2D.
• Utilizó IA explicable para interpretar las predicciones del modelo e identificar biomarcadores.

Principales resultados:

• Logró un alto rendimiento predictivo al analizar células alfa y delta de los islotes, axones neuronales, cúmulos de adipocitos, proximidad islote-adipocito y tamaño del islote.
• Identificó alteraciones pancreáticas sutiles específicas relacionadas con la T2D.
• Cuantificó las relaciones aprendidas como biomarcadores y evaluó su asociación con la T2D.

Conclusiones:

• Un enfoque basado en datos que utiliza aprendizaje profundo en histología pancreática muestra resultados prometedores para el diagnóstico de T2D.
• Identificó características celulares y tisulares clave asociadas con la T2D, incluidos tipos de células de los islotes e interacciones con adipocitos.
• Proporciona una base para el descubrimiento de nuevos objetivos diagnósticos y terapéuticos para la T2D.