Open-Source-Tool verknüpft Gewebebilder mit molekularen Daten

LazySlide soll digitale Gewebebilder besser für datengetriebene Forschung nutzbar machen. Das Open-Source-Werkzeug verknüpft Whole-Slide-Bilder mit KI-Analysen und molekularen Daten. Damit adressiert die in „Nature Methods“ veröffentlichte Studie ein zentrales Problem der digitalen Pathologie: Gewebebilder sind informationsreich, lassen sich bisher aber oft nur schwer systematisch auswerten und mit anderen Datentypen verbinden.

Die Forschenden vom CeMM beschreiben, dass digitale Pathologiebilder häufig in softwarespezifischen Formaten vorliegen, mit inkompatiblen Werkzeugen verarbeitet werden und sich nur schwer mit Daten wie RNA-Sequenzierungen verknüpfen lassen. Dadurch bleiben diese Bilddaten in vielen Forschungs- und klinischen Bereichen weitgehend ungenutzt.

LazySlide teilt Whole-Slide-Bilder in kleinere Analysebereiche auf und untersucht sie mit KI-Modellen. Die Software erkennt Muster in der Gewebestruktur, identifiziert Zelltypen und quantifiziert Veränderungen der Gewebearchitektur, ohne dass aufwendige manuelle Annotationen nötig sind. In einem Beispiel zu Arteriengewebe mit und ohne Verkalkung unterschied das Tool gesundes von erkranktem Gewebe anhand der Bildmerkmale. In Kombination mit RNA-Sequenzierungsdaten machte es auch entzündliche Signalprozesse sichtbar.

Hinzu kommt eine sprachbasierte Suche. Forschende können Begriffe wie „Verkalkung“ nutzen, um passende Geweberegionen zu markieren und quantitative Scores zu erzeugen. Nach Angaben der Autoren unterstützt LazySlide zudem Zero-Shot-Analysen, etwa zur Erkennung des Ursprungsorgans oder zur Unterscheidung von gesundem und krankem Gewebe ohne spezielles Training für jede einzelne Fragestellung.