UCLA Veröffentlicht Bidirektionales Brownsches Brückendiffusionsmodell Zur Verbesserung Der Reproduzierbarkeit Virtueller Färbeergebnisse Und Deutlicher Reduzierung Der Ausgabevarianz
Die bildgebende Massenspektrometrie (IMS) findet in der Biologie breite Anwendung, da sie markierungsfrei ist, die simultane Multimolekül-Bildgebung ermöglicht und räumliche Lokalisierung mit Quantifizierung kombiniert. Im Vergleich zur herkömmlichen Massenspektrometrie kann IMS Molekülspezies in biologischem Gewebe ungezielt und hochgradig multiplex kartieren und so die Verteilung mehrerer Komponenten auf Gewebe-, Zell- und sogar subzellulärer Ebene visualisieren. Die hohe räumliche Auflösung der IMS birgt erhebliches Potenzial für die Lokalisierung von Wirkstoffzielen, die räumliche Verteilung von Metaboliten und die Erforschung von Mechanismen der Arzneimittelproduktion und trägt so zur Diagnose und Erkennung schwerer Krankheiten wie metastasiertem Krebs, Alzheimer und Parkinson bei.
IMS hat eine breite molekulare Abdeckung und eine hohe chemische Spezifität, aberDen meisten IMS-Plattformen mangelt es an räumlicher Auflösung auf Mikroskopieniveau und an zellulärem Morphologiekontrast, sodass es ohne zusätzliche Informationen schwierig ist, molekulare Profile direkt mit präzisen zellulären Merkmalen zu verknüpfen.Um diese Einschränkung zu beheben, schlugen die Forscher eine multimodale Methode vor, die IMS-Daten mit optischer Mikroskopie kombiniert, und entwickelten eine IMS-Mikroskopie-Integrationsmethode, um die Interpretierbarkeit von IMS-Daten durch räumliche Schärfung der IMS-Daten, Vorhersage der molekularen Verteilung außerhalb der Probe und Mining von aus IMS abgeleiteten Molekülspektren auf der Grundlage von Mikroskopiemerkmalen zu verbessern.
Allerdings erhöht die Abhängigkeit multimodaler Methoden von Hellfeldbildern histochemischer Färbungen oder Immunfluoreszenzbildern die Komplexität des Experiments.Ein Forschungsteam der UCLA schlug eine virtuelle histologische Färbemethode auf Basis eines Diffusionsmodells vor, um die räumliche Auflösung zu verbessern und zellmorphologischen Kontrast digital in Massenspektrometriebilder von markierungsfreiem menschlichem Gewebe einzubringen. Dies ermöglicht die Vorhersage hochauflösender pathologischer Zellgewebestrukturen auf Basis niedrig aufgelöster IMS-Daten und vereinfacht den Arbeitsablauf multimodaler IMS-Methoden in der Molekularhistologie.Darüber hinaus wurde in der Studie während des Inferenzprozesses des Diffusionsmodells eine optimierte Rauschabtastung verwendet, um eine wiederholbare virtuelle Färbung zu erreichen.
Die entsprechenden Forschungsergebnisse wurden in Science Advances unter dem Titel „Virtual staining of label-free tissue in imaging mass spectrometry“ veröffentlicht.
Forschungshighlights:
* Das Brownian Bridge Diffusion Model (BBDM) wurde erstmals auf IMS-Daten angewendet, wodurch die Umwandlung von Ionenbildern unmarkierten Gewebes mit niedriger Auflösung in virtuelle Färbungsbilder mit hoher Auflösung ermöglicht wurde;
* Optimieren Sie die Rauschabtaststrategie und führen Sie eine deterministische Mittelwertabtaststrategie in den Rückdiffusionsprozess ein.
* Vorschlag einer Kanalauswahlstrategie basierend auf dem Signal-Rausch-Verhältnis (SNR), um die Redundanz und effiziente Nutzung der molekularen IMS-Informationen zu überprüfen.
Papieradresse:
Folgen Sie dem offiziellen Konto und antworten Sie mit „Imaging Mass Spectrometry Staining“, um das vollständige PDF zu erhalten
Weitere Artikel zu den Grenzen der KI:
Vorverarbeitung von Datensätzen zur markierungsfreien Gewebemassenspektrometrie
Der in dieser Studie verwendete Datensatz umfasst bildgebende Massenspektrometrie-Ionenbilder (Ionenbilder) von unmarkiertem menschlichem Nierengewebe und hochauflösende Hellfeldbilder (Hellfeldbilder) derselben Gewebeproben. Die IMS-Daten für jede Gewebeprobe wurden mittels Rasterscanning auf Pixelebene mit einem lateralen Abstand von 10 μm erfasst. Dadurch entstanden insgesamt 1.453 einzelne Ionenbilder mit Kanälen für das Masse-Ladungs-Verhältnis.
Nach der Erfassung der IMS-Daten durch Rasterscannen auf Pixelebene wird das Hellfeldbild der hochauflösenden Gewebeprobe mit dem entsprechenden IMS-Ionenbild registriert.Zur Unterstützung der Registrierung hat das Forschungsteam auch Autofluoreszenzmikroskopiebilder von Gewebeschnitten vor und nach der IMS-Datenerfassung aufgenommen.
Diese Studie unterteilt die Vorverarbeitung von IMS-Rohdaten in vier Schritte:
* Exportieren Sie Rohdaten in ein benutzerdefiniertes Binärformat und rekonstruieren Sie sie in ein Pseudokontur-Massenspektrum.
* Korrigieren Sie die Fehlausrichtung des Spektrums basierend auf den internen Identifikationsdaten zur Peakausrichtung.
* Kalibrieren Sie die Massenachse des Datensatzes mithilfe der theoretischen Massen intern identifizierter Spitzen.
* Es wurden Normalisierungskorrekturfaktoren berechnet, um Massenspektren und Ionenbilder mithilfe der Methode des Gesamtionenstroms zu normalisieren und das durchschnittliche Massenspektrum für jeden Datensatz basierend auf allen Pixeln zu berechnen.
Der im Experiment verwendete Datensatz enthält Bilddaten von Gewebeproben von 14 Patienten. Davon werden 712 Paare verbesserter IMS-PAS-Mikroskopbildblöcke von 4 Patienten für das Modelltraining und 201 Paare nicht verbesserter IMS-PAS-Mikroskopbilder der übrigen Patienten für den Modelltest verwendet.
Virtuelle histologische Färbung basierend auf dem bidirektionalen Brownschen Brückendiffusionsmodell
In dieser Studie konvertierte das Team Daten aus der markierungsfreien Massenspektrometrie in virtuelle Färbungsbilder, basierend auf dem Kerngenerierungsrahmen des Brownian Bridge Diffusion Model (BBDM). Anders als beim traditionellen Brownian Bridge Design,Das Diffusionsmodell verwendet ein bidirektionales Brownsches Brückendesign, um sicherzustellen, dass sein Vorwärtsprozess dem klassischen Rauschunterdrückungs-Diffusionswahrscheinlichkeitsmodell entgegengesetzt ist, und realisiert die Verschlechterung vom hochauflösenden Ziel-Hellfeldbild zum niedrig aufgelösten IMS-Eingabebild.Der umgekehrte Prozess kann das Zielbild basierend auf den IMS-Eingabedaten direkt rekonstruieren.
Auch,Das Brownsche Brückendiffusionsmodell verwendet in der Abtastphase eine deterministische Mittelwertabtastungsstrategie, die die Konsistenz und Wiederholbarkeit der generierten Bilder verbessert.Sobald die Strategie einen bestimmten Zeitpunkt erreicht, wird das durch die standardmäßige Zufallsstichprobennahme entstandene Posterior-Rauschen eliminiert. Im Vergleich zu Modellen, die mit reinem Rauschen enden und ausschließlich auf bedingten Signalen basieren, erreicht das Brownian Bridge Diffusion Model eine stabilere Bildtransformation. Der gesamte Inferenzprozess benötigt lediglich niedrig aufgelöste IMS-Daten als Eingabe, die das Modell schrittweise entfernt und ein hochauflösendes virtuelles Stained-Bild generiert.
Nach dem Training bewertete die Studie das Brownsche Brückenmodell anhand eines unabhängigen Testdatensatzes aus menschlichem Nierengewebe, der nicht trainiert und validiert worden war.Die vom Diffusionsmodell auf Basis von IMS-Daten mit niedrigerer Auflösung generierten virtuellen Färbungsbilder weisen ein hohes Maß an visueller Übereinstimmung mit den realen Hellfeld-Färbungsbildern auf.
Gleichzeitig zeigten die wichtigsten Nierenstrukturen in den virtuell gefärbten Bildern und den real gefärbten Bildern sehr ähnliche Ergebnisse.Die Robustheit und gute Generalisierungsfähigkeit des Brownschen Brücken-Frameworks bei der virtuellen Einfärbung von IMS-Daten mit niedriger Auflösung sind vollständig verifiziert.
Quantitative Bewertung der Leistung virtueller Färbemodelle
Das Experiment bestätigte, dass das virtuelle Färbemodell durch räumliche Spektrum- und Farbverteilungsanalyse über signifikante Superauflösungsfähigkeiten verfügt.Die räumliche Spektralanalyse zeigt, dass das hochauflösende Bild im Vergleich zum niedrig aufgelösten Massenspektrometriebild einen relativ großen Anstieg des räumlichen Spektrums über alle Frequenzbereiche hinweg aufweist und somit eine deutliche Verbesserung der Auflösung erreicht. Darüber hinaus entspricht das radiale mittlere Leistungsspektrum des virtuellen Färbungsbildes weitgehend dem des hochauflösenden realen Färbungsbildes und reproduziert so die räumlichen Frequenzeigenschaften biologischer Strukturen präzise.
Gleichzeitig wurde die Spezifität des virtuellen Färbemodells durch Vergleichsexperimente mit ungepaarten hochauflösenden Bildern weiter bestätigt.Experimente zeigen, dass sich die spektralen Eigenschaften ungepaarter Proben erheblich von denen gepaarter Ergebnisse unterscheiden und dass die Ähnlichkeit des Farbhistogramms gepaarter Bilder mit niedriger und hoher Auflösung deutlich besser ist als die ungepaarter Proben. Dies bestätigt die Fähigkeit des Modells, die inhärenten Farbeigenschaften der chemischen Gewebefärbung zu reproduzieren.
Quantitativer Vergleich zwischen virtuell gefärbten PAS-Bildern, die aus markierungsfreien IMS-Daten generiert wurden, und ihren HS-Gegenstücken
Anzahl der Massenspektrometrie-Bildkanäle
Um den Einfluss der Anzahl der Massenspektrometrie-Bildgebungskanäle auf die Leistung virtueller Färbemodelle zu untersuchen, verglich die Studie Färbestrategien mit unterschiedlichen Kanalzahlen. Das Forschungsteam evaluierte eine Reihe virtueller Färbemodelle mit unterschiedlicher Anzahl von IMS-Kanälen anhand eines festen Testdatensatzes. Die Modelle verfügten über 363, 91 und 23 IMS-Kanäle, was einer 4-fachen, 16-fachen bzw. 64-fachen Reduzierung gegenüber den ursprünglichen 1.453 Kanälen entspricht. Für jede Kanalreduzierung wurden im Experiment drei verschiedene Auswahlstrategien evaluiert:
* Prioritätsstrategie für das Signal-Rausch-Verhältnis: Sortieren Sie die 1.453 Kanäle in absteigender Reihenfolge nach dem Signal-Rausch-Verhältnis und wählen Sie den Kanal mit der höchsten Rangfolge aus.
Signal-Rausch-Verhältnis: Mittelwert/Standardabweichung aller Pixel in einem Kanal.
* Frequenzprioritätsstrategie: Führen Sie eine zweidimensionale Fourier-Transformation auf dem Ionenbild jedes Kanals durch, berechnen Sie das Verhältnis der Durchschnittsleistung der Hochfrequenzkomponente zur Niederfrequenzkomponente und wählen Sie die Kanäle basierend auf diesem Verhältnis in absteigender Reihenfolge aus.
* Einheitliche Sampling-Strategie: Ausgehend vom ersten Kanal werden in festen Abständen Kanäle ausgewählt, z. B. jeder vierte Kanal für eine 4-fache Reduktion, jeder 16. Kanal für eine 16-fache Reduktion und jeder 64. Kanal für eine 64-fache Reduktion. Der von jeder Strategie ausgewählte Kanalsatz bleibt während des gesamten Trainings- und Testprozesses des jeweiligen Modells konsistent.
Die Evaluationsergebnisse zeigen, dassAls die Anzahl der verwendeten IMS-Kanäle von 1.453 auf 23 sank, nahm die Leistung der virtuellen Färbemodelle unter den drei Strategien ab und wichtige Merkmale wie die Kernmorphologie gingen erheblich verloren.Die Studie verwendete das maximale Signal-Rausch-Verhältnis, die gelernte perzeptuelle Bildfleckähnlichkeit (LPIPS) und den Pearson-Korrelationskoeffizienten, um eine quantitative Analyse des Testsatzes durchzuführen und bestätigte, dassDie Genauigkeit des virtuellen Färbemodells verbessert sich mit der Anzahl der Kanäle erheblich.
Visueller Vergleich von virtuellen Färbungsbildern, die mit drei verschiedenen Auswahlstrategien gewonnen wurden
Darüber hinaus gibt es unter den drei KanalauswahlstrategienIm Vergleich zur Signal-Rausch-Verhältnis-Prioritätsstrategie weisen die Frequenzprioritätsstrategie und die einheitliche Abtaststrategie alle erhebliche Leistungsvorteile auf.Es wurde bestätigt, dass das virtuelle Färbemodell wichtige molekulare Informationen effektiver bewahren kann, wenn die Anzahl der Kanäle gering ist.
Rauschabtastung zur Reduzierung der Ausgabevarianz des virtuellen Farbmodells
Bei der virtuellen Färbung auf Basis von Diffusionsmodellen ist die Zufälligkeit der Rauschabtastung während des Rückdiffusionsprozesses die Hauptursache für Schwankungen in den Ausgabeergebnissen. Um diese Schwankungen in den Ausgabeergebnissen zu beheben, wurde in der Studie eine Strategie zur Rauschabtastung vorgeschlagen, die keine Feinabstimmung des Modells erfordert. Durch die Vermeidung des Anstiegs der Rauschvarianz am Ende der Rückdiffusion wird die Konsistenz der virtuellen Färbeergebnisse im gleichen unbeschrifteten Gewebebild verbessert. Das Forschungsteam verglich drei Abtastmethoden basierend auf dem trainierten Brownschen Brückenmodell:
* Vanilleprobenahme: Standard-Rückdiffusionsverfahren;
* Mittlere Stichprobenziehung: Mitteln Sie den Lärmpfad nach dem konstruierten Austrittspunkt;
* Skip Sampling: Vorhersage des Zielbildbereichs des hochauflösenden Hellfeldbildes direkt durch das Rauschunterdrückungsnetzwerk nach dem Projektaustrittspunkt.
Der Engineering-Exit-Point ist eine kritische Zeitschwelle, die im Rückgenerierungsprozess des Diffusionsmodells künstlich festgelegt wird. Er wird verwendet, um im Rauschabtastpfad zwischen Zufallsstichproben und deterministischen Berechnungsstrategien umzuschalten und so zufällige Schwankungen in den Ausgabeergebnissen zu unterdrücken.
In der Studie wurden alle drei Sampling-Methoden fünfmal wiederholt und ihre Konsistenz durch Berechnung der Pixelvarianzkoeffizienten zwischen wiederholten virtuellen Färbevorgängen bewertet. Im Vergleich zur ursprünglichen Methode reduzierten sowohl die Mean-Sampling- als auch die Jump-Sampling-Strategie die Varianz in den abgetasteten virtuellen Färbebildern effektiv.
Darüber hinaus berechneten die Forscher den durchschnittlichen Pixelvarianzwert aller Pixel im unbeschrifteten Gewebefeld des Testbildes. Aus den Ergebnissen, verglichen mit der ursprünglichen Stichprobe,Sowohl die Mittelwert- als auch die Sprungstichprobenstrategie können effektiv eine geringere Ausgabevarianz erzielen, was beweist, dass der diffusionsbasierte virtuelle Färbeprozess unter dieser Strategie wiederholbar ist.
Gleichzeitig führt die Strategie der Sprungstichprobennahme zu niedrigeren durchschnittlichen Variationskoeffizientenwerten als die Methode der Mittelwertstichprobennahme.Die Strategie der Mittelwertabtastung führt jedoch zu Ergebnissen, die eine höhere Wahrnehmungsähnlichkeit mit den hochauflösenden Bildern der gefärbten Gewebeschnitte aufweisen, wodurch die gewünschte niedrigere durchschnittliche erlernte Wahrnehmungsfleckenähnlichkeit erreicht wird.
Die Studie mittelte außerdem die Ergebnisse verschiedener Inferenztests am selben Gewebefeld, um die Leistung der Mean-Sampling-Strategie weiter zu bewerten. Die Ergebnisse zeigten, dass die Mean-Sampling-Strategie nur in Szenarien eine bessere Leistung zeigte, in denen hohe Konsistenz gegenüber Bildkontrast priorisiert wurde.
Der durchschnittliche Variationskoeffizient, der für alle Testbildfelder unter Verwendung der drei Sampling-Strategien berechnet wurde
Ein neues Paradigma für die virtuelle Färbungsanalyse
Virtuelle Färbetechniken auf Basis von Diffusionsmodellen entwickeln sich zu einem neuen Paradigma für die Analyse der Morphologie markierungsfreien Gewebes. Das Team von Aydogan Ozcan an der UCLA hat bereits zahlreiche Durchbrüche bei der Integration von Diffusionsmodellen in die Gewebefärbung erzielt. Im Mai 2025 nutzte das Team das Brownsche Brückendiffusionsmodell, um die räumliche Auflösung und Genauigkeit der markierungsfreien virtuellen Gewebefärbung zu verbessern. Es führte eine pixelgenaue virtuelle Färbung von markierungsfreiem Gewebe in Superauflösung durch und überwand so die Einschränkungen traditioneller Deep-Learning-basierter Methoden.
Das Forschungsteam integrierte Sampling-Technologie in den diffusionsmodellbasierten Bildinferenzprozess und reduzierte so die Varianz der generierten virtuellen Färbebilder deutlich. Als das Forschungsteam das virtuelle Färbemodell mit Pixel-Superauflösung blind auf niedrig aufgelöste Autofluoreszenzbilder unmarkierter menschlicher Lungengewebeproben anwandte, zeigte sich, dass es herkömmliche Methoden in Bezug auf Auflösung, strukturelle Ähnlichkeit und Wahrnehmungsgenauigkeit durchweg übertraf.Und es wurde erfolgreich eine 4- bis 5-fache Pixel-Superauflösung erreicht.Diese Forschung eröffnet einen neuen Weg mit großem Potenzial für die Forschung im Bereich der klinischen Diagnose.
Virtuelle Färbung unmarkierter Gewebeschnitte in Superauflösung basierend auf Diffusionsmodellierung
Die Forschungsergebnisse wurden in Nature Communications unter dem Titel „Pixel super-resolved virtual staining of label-free tissue using diffusion models“ veröffentlicht.
Papieradresse:
https://www.nature.com/articles/s41467-025-60387-z
Kontinuierliche Fortschritte in der KI-Technologie zur virtuellen Gewebefärbung haben die mühsamen Schritte der traditionellen histochemischen Färbung reduziert. Um dem Potenzial für Halluzinationen und Artefakte in diesen virtuell gefärbten Gewebebildern entgegenzuwirken, hat das Team von Aydogan Ozcan ein autonomes Qualitäts- und Halluzinationsbewertungsmodell (AQuA) für die virtuelle Gewebefärbung und digitale Pathologie vorgeschlagen.
AQuA kann den wahren Wert der histochemischen Färbung erkennen, ohne dass der wahre Wert der histochemischen Färbung ermittelt werden muss.Das System erreichte eine autonome Genauigkeit von 99,81 TP3T bei der Erkennung akzeptabler und inakzeptabler virtueller gefärbter Gewebebilder und eine Übereinstimmung von 98,51 TP3T mit den Ergebnissen der manuellen Auswertung durch zertifizierte Pathologen.Es zeigt eine breite Anpassungsfähigkeit an eine Vielzahl virtueller und histochemisch gefärbter menschlicher Gewebebilder.
Dieses Framework verbessert die Zuverlässigkeit der virtuellen Gewebefärbung und bietet eine autonome Qualitätssicherung für Bilderzeugungs- und -konvertierungsaufgaben in der digitalen Pathologie und der computergestützten Bildgebung. Die Forschungsergebnisse mit dem Titel „Ein robustes und skalierbares Framework zur Halluzinationserkennung bei virtueller Gewebefärbung und digitaler Pathologie“ wurden in Nature Biomedical Engineering veröffentlicht.
Papieradresse:
https://www.nature.com/articles/s41551-025-01421-9
Über die virtuelle Färbetechnologie hinaus expandieren KI-Anwendungen in der klinischen Diagnostik in beispiellosem Ausmaß und Umfang. Die effiziente Integration riesiger Mengen medizinischer Daten durch KI-Modelle ermöglicht eine präzisere Früherkennung von Risiken für schwere Krankheiten wie Krebs. KI verbessert nicht nur die klinische Effizienz, sondern verändert auch schrittweise traditionelle medizinische Beurteilungs-, Entscheidungs- und Behandlungsmodelle.