Förklarbar AI-baserad analys av mänskliga pankreassektioner identifierar drag hos typ 2-diabetes

Varför denna forskning spelar roll för vardagshälsan

Typ 2-diabetes drabbar hundratals miljoner människor, men läkare har fortfarande svårt att se tydliga, fysiska tecken på sjukdomen inne i bukspottkörteln — organet som producerar insulin. Denna studie använder kraftfull artificiell intelligens, i kombination med avancerad mikroskopi, för att läsa upp subtila mönster i mänsklig pankreasvävnad som är osynliga för blotta ögat. Genom att göra det avslöjas nya strukturella drag kopplade till typ 2-diabetes och nya idéer för diagnostik, prevention och behandling framträder.

Att titta in i pankreas med aldrig tidigare skådad detalj

Traditionellt har forskare undersökt pankreasvävnad från avlidna donatorer för att leta efter förändringar förknippade med typ 2-diabetes, såsom ärrbildning, fettinlagring eller förlust av insulinproducerande celler. Dessa studier har gett en lång lista av möjliga avvikelser, men ingen har varit tillräckligt pålitlig för att patologer ska kunna titta på ett mikroskopglas och säkert avgöra om en person haft diabetes. I detta arbete satte forskarna ihop en unik samling ultrahögupplösta bilder från pankreasprover tagna under operation från 100 levande donatorer, 35 med typ 2-diabetes och 65 utan. Varje prov färgades på flera sätt för att framhäva olika celltyper: hormonproducerande celler i öarna, blodkärl, fettceller och nervfibrer. Denna rika visuella datasats, alltför komplex för att en människa ska kunna bearbeta fullt ut, är precis där artificiell intelligens har sin styrka.

Träning av AI för att känna igen den diabetiska pankreasen

Teamet tränade djupa inlärningsmodeller för att skilja vävnad från personer med och utan typ 2-diabetes. Eftersom varje helbild innehåller miljarder pixlar delade de först upp bilderna i många små patchar. En förtränad vision-transformer extraherade egenskaper från varje patch, och en specialiserad klassificerare för "multiple instance learning" kombinerade sedan information över alla patchar från en bild för att avgöra om den kom från en diabetiker eller icke-diabetiker. För att undvika överanpassning använde de upprepad korsvalidering och tog därefter medelvärdet av förutsägelserna från 15 separata modeller. Bäst resultat gav multiplex fluorescensbilder som samtidigt framhävde alfa-celler, delta-celler och nervfibrer, med ett area-under-the-curve på 0,956 — starkt bevis för att AI:n på ett tillförlitligt sätt kunde "se" diabetesrelaterade mönster som patologer inte kunnat formalisera.

Få den svarta lådan att förklara sig själv

Men prediktion var inte målet i sig; författarna ville ha biologisk insikt. De tillämpade därför förklarbar AI-teknik som visar vilka regioner och pixlar modellen lutade sig mot när den fattade sina beslut. Attentionkartor belyste de mest inflytelserika områdena över hela bilder, medan attribueringsmetoder zoomade in till nivå med enskilda celler och strukturer. För att omvandla dessa färggranna värmekartor till siffror tränade teamet separata segmenteringsnätverk som automatiskt kunde avgränsa öar, fettklyftor och bindvävs- (fibrotisk) vävnad. De kvantifierade sedan egenskaper såsom öarnas storlek, total fettarea, antal fettkluster, avståndet mellan öar och närliggande fett samt omfattningen av fibrotisk vävnad, och analyserade hur dessa "histologiska biomarkörer" relaterade till diabetesstatus och insulinutsöndring, samtidigt som de hänsyn togs till ålder, kön, BMI och andra kliniska faktorer.

Nya ledtrådar: fett, nerver, ärrbildning och krympande öar

AI-baserad analys avslöjade flera konsekventa drag i den diabetiska pankreasen. Personer med typ 2-diabetes tenderade att ha mindre öar och större kluster av fettceller inne i pankreas. Viktenligt var att öarna hos diabetiska donatorer låg närmare dessa fettinlagringar, vilket tyder på en mer direkt lokal påverkan från fettvävnaden på de hormonproducerande cellerna. Mängden bindväv, ärrliknande vävnad, var också högre vid diabetes och kopplades till sämre insulinutsöndring. Samtidigt lade AI-modellerna överraskande stor vikt vid strukturer färgade för tubulin beta 3, en markör för nervfibrer, särskilt när dessa fibrer gick genom eller nära öarna. Detta pekar på förändringar i pankreasens innervation — hur nerver interagerar med öceller — som en potentiellt viktig och underskattad bidragande faktor till typ 2-diabetes. Tillsammans tyder dessa fynd på att det inte bara är betacellerna i sig som spelar roll, utan också deras omgivning: närliggande fettceller, ärrbildning, blodkärl och nerver verkar alla påverka öarnas hälsa.

Vad detta betyder för framtida vård

För icke-specialister är huvudbudskapet att typ 2-diabetes lämnar ett subtilt men påvisbart avtryck i pankreas arkitektur. Genom att kombinera högupplöst avbildning med förklarbar AI omvandlar denna studie dessa mönster till mätbara egenskaper — såsom öarnas storlek, fettfördelning, nervnärvaro och fibros — som korrelerar med diabetes och med hur väl kroppen fortfarande kan producera insulin. Även om detta tillvägagångssätt ännu inte är ett diagnostiskt verktyg för rutinmässig vård, erbjuder det en kraftfull färdplan för att upptäcka nya läkemedelsmål och förfina vår förståelse av hur diabetes utvecklas. På lång sikt kan insikter från sådan AI-styrd vävnadsanalys hjälpa läkare att bättre förutsäga vem som är i riskzonen, övervaka sjukdomsprogression och utforma terapier som skyddar inte bara betaceller utan också den omgivande pankreasmiljön.

Citering: 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

Nyckelord: typ 2-diabetes, pankreas, artificiell intelligens, histopatologi, biomarkörer