Analiza sekcji trzustki człowieka oparta na wyjaśnialnej sztucznej inteligencji identyfikuje cechy cukrzycy typu 2

Dlaczego te badania mają znaczenie dla codziennego zdrowia

Cukrzyca typu 2 dotyka setek milionów ludzi, a mimo to lekarzom wciąż trudno jest dostrzec wyraźne, fizyczne objawy choroby w obrębie trzustki — narządu produkującego insulinę. To badanie wykorzystuje potężną sztuczną inteligencję wraz z zaawansowaną mikroskopią, by odczytać subtelne wzorce w tkance trzustki człowieka, niewidoczne gołym okiem. W ten sposób ujawnia nowe cechy strukturalne związane z cukrzycą typu 2 i wskazuje świeże pomysły na diagnozę, zapobieganie i leczenie.

Przegląd trzustki w niespotykanym dotąd detalu

Tradycyjnie naukowcy badali tkankę trzustki od dawców zmarłych, poszukując zmian związanych z cukrzycą typu 2, takich jak bliznowacenie, odkładanie tłuszczu czy utrata komórek produkujących insulinę. Badania te wygenerowały długą listę możliwych nieprawidłowości, lecz żadna z nich nie okazała się wystarczająco wiarygodna, by patolog mógł pewnie stwierdzić obecność cukrzycy, patrząc na preparat mikroskopowy. W tej pracy badacze zgromadzili unikatowy zbiór obrazów o ultrawysokiej rozdzielczości z próbek trzustki pobranych podczas operacji od 100 żywych dawców — 35 z cukrzycą typu 2 i 65 bez. Każdą próbkę barwiono na różne sposoby, aby uwidocznić różne typy komórek: komórki produkujące hormony w wyspach, naczynia krwionośne, komórki tłuszczowe i włókna nerwowe. Ten bogaty wizualny zbiór danych, zbyt złożony, by człowiek mógł go w całości przetworzyć, jest dokładnie tym, w czym sztuczna inteligencja wyróżnia się najlepiej.

Uczenie AI rozpoznawania cukrzyczej trzustki

Zespół wytrenował modele uczenia głębokiego, by odróżniały tkankę osób z cukrzycą typu 2 od tkanki osób bez choroby. Ponieważ każdy obraz całego preparatu zawiera miliardy pikseli, najpierw podzielili obrazy na wiele małych fragmentów. Wstępnie wytrenowany vision transformer wydobywał cechy z każdego fragmentu, a wyspecjalizowany klasyfikator w podejściu „multiple instance learning” łączył informacje ze wszystkich fragmentów jednego obrazu, by zdecydować, czy pochodzi on od dawcy z cukrzycą, czy bez. Aby uniknąć przeuczenia, zastosowali powtarzalną walidację krzyżową, a następnie uśrednili przewidywania 15 oddzielnych modeli. Najlepsze wyniki uzyskano dla obrazów fluorescencyjnych multiplex, które jednocześnie uwidaczniały komórki alfa, komórki delta i włókna nerwowe — osiągając pole pod krzywą (AUC) równe 0,956 — silny dowód, że AI mogła wiarygodnie „zobaczyć” wzorce związane z cukrzycą, których patolodzy nie potrafili wcześniej sformalizować.

Sprawienie, by czarna skrzynka się wyjaśniła

Jednak samo przewidywanie nie było celem; autorzy dążyli do uzyskania wglądu biologicznego. Zastosowali więc techniki wyjaśnialnej AI pokazujące, na których obszarach i pikselach model się opierał przy podejmowaniu decyzji. Mapy uwagi podkreślały najbardziej wpływowe rejony na całych preparatach, podczas gdy metody atrybucji zaglądały na poziom pojedynczych komórek i struktur. Aby przekształcić te kolorowe mapy w liczby, zespół wytrenował oddzielne sieci segmentacyjne, które automatycznie obrysowywały wyspy, skupiska komórek tłuszczowych i tkankę łączną (włóknienie). Następnie zmierzyli cechy takie jak rozmiar wysp, całkowita powierzchnia tłuszczu, liczba skupisk tłuszczu, odległość między wyspami a pobliskim tłuszczem oraz zakres tkanki włóknistej, i przeanalizowali, jak te „biomarkery histologiczne” korelują ze statusem cukrzycy i wydzielaniem insuliny, uwzględniając wiek, płeć, wskaźnik masy ciała i inne czynniki kliniczne.

Nowe wskazówki: tłuszcz, nerwy, blizny i kurczące się wyspy

Analiza oparta na AI ujawniła kilka stałych cech trzustki w cukrzycy. U osób z cukrzycą typu 2 wyspy miały tendencję do bycia mniejszymi, a skupiska komórek tłuszczowych wewnątrz trzustki — większymi. Co ważne, wyspy u dawców z cukrzycą leżały bliżej tych złogów tłuszczu, co sugeruje bardziej bezpośredni, lokalny wpływ tkanki tłuszczowej na komórki produkujące hormony. Ilość tkanki łącznej przypominającej bliznę też była wyższa w cukrzycy i powiązana z gorszym wydzielaniem insuliny. Równocześnie modele AI przywiązywały zaskakująco dużą wagę do struktur znakowanych dla tubuliny beta 3, markera włókien nerwowych, zwłaszcza gdy włókna te przebiegały przez wyspy lub w ich pobliżu. Wskazuje to na zmiany w unerwieniu trzustki — sposobie, w jaki nerwy współdziałają z komórkami wysp — jako potencjalnie istotny i niedoceniany czynnik przyczyniający się do cukrzycy typu 2. Razem te odkrycia sugerują, że istotne nie są jedynie same komórki beta, lecz także ich otoczenie: pobliskie komórki tłuszczowe, bliznowacenie, naczynia krwionośne i nerwy wydają się kształtować zdrowie wysp.

Co to oznacza dla przyszłej opieki

Dla osób niezajmujących się specjalistycznie medycyną kluczowy wniosek jest taki, że cukrzyca typu 2 pozostawia subtelny, ale wykrywalny ślad w architekturze trzustki. Łącząc obrazowanie wysokiej rozdzielczości z wyjaśnialną AI, to badanie przekłada te wzorce na mierzalne cechy — takie jak rozmiar wysp, rozmieszczenie tłuszczu, obecność nerwów i włóknienie — które korelują z cukrzycą oraz z tym, jak dobrze organizm nadal produkuje insulinę. Choć podejście to nie jest jeszcze narzędziem diagnostycznym do rutynowej opieki, oferuje potężną mapę drogową do odkrywania nowych celów terapeutycznych i doprecyzowania naszego rozumienia rozwoju choroby. W dłuższej perspektywie wnioski z takiej analizy tkankowej wspomaganej AI mogą pomóc lekarzom lepiej przewidywać, kto jest zagrożony, monitorować postęp choroby i projektować terapie chroniące nie tylko komórki beta, lecz także otoczenie trzustkowe.

Cytowanie: Klein, L., Ziegler, S., Gerst, F. et al. Explainable AI-based analysis of human pancreas sections identifies traits of type 2 diabetes. Nat Commun 17, 1558 (2026). https://doi.org/10.1038/s41467-026-69295-2

Słowa kluczowe: cukrzyca typu 2, trzustka, sztuczna inteligencja, histopatologia, biomarkery