Ein Forscherteam unter der Leitung von Professor Kevin Tsia von der Universität Hongkong (HKU) hat ein neues KI-System namens MorphoGenie entwickelt, das die Diagnose von Krankheiten durch die Analyse von Zellbildern verbessern soll. Das im Fachjournal Nature Communications vorgestellte Framework adressiert zwei zentrale Probleme der aktuellen medizinischen Bildanalyse: die Subtilität visueller Krankheitsunterschiede und die mangelnde Nachvollziehbarkeit herkömmlicher KI-Modelle. Während menschliche Experten komplexe Muster oft übersehen, agieren existierende Algorithmen häufig als „Blackboxen", deren Entscheidungswege für Wissenschaftler undurchsichtig bleiben. MorphoGenie zeichnet sich durch seine Fähigkeit aus, wiederverwendbare morphologische Bausteine direkt aus Mikroskopiebildern zu lernen. Anstatt jedes Szenario neu zu lernen, orientiert sich das System am Prinzip der Kompositionalität, einem menschlichen Lernmechanismus, bei dem neues Verständnis durch die Kombination bekannter Konzepte entsteht. Das Tool extrahiert grundlegende Merkmale wie Zellgröße, Form, grobe interne Textur und feine lokale Details. Diese Elemente können neu kombiniert werden, um eine Vielzahl von Zellzuständen und pathologischen Bedingungen präzise zu beschreiben, ohne auf manuelle Annotationen oder vordefinierte Annahmen angewiesen zu sein. Die ersten Tests des HKU-Teams zeigten vielversprechende Ergebnisse. MorphoGenie war in der Lage, verschiedene Subtypen von Lungenkrebszellen zuverlässig zu unterscheiden, Veränderungen der Zellmorphologie nach Medikamentengaben zu erkennen und dynamische biologische Prozesse wie den Zellzyklus sowie die epithelial-mesenchymale Transition zu verfolgen. Letztere steht im engen Zusammenhang mit der Ausbreitung von Krankheiten und Metastasierung. Dr. Rashmi Sreeramachandra Murthy, Erstautorin der Studie, betont, dass Zellbilder weit mehr Informationen enthalten als herkömmliche Messungen erfassen können. Durch das Lernen interpretierbarer visueller Primitiven deckt das System biologisch relevante Muster auf, die dem menschlichen Auge verborgen bleiben, während gleichzeitig nachvollziehbar bleibt, auf welchen Merkmalen die KI basiert. Ein wesentlicher Vorteil des Systems ist seine Universalität. MorphoGenie funktioniert unabhängig von der verwendeten Mikroskopietechnik, sei es bei der beschriftungsfreien quantitativen Phasenmikroskopie oder der Fluoreszenzmikroskopie. Zudem zeigt es eine hohe Übertragbarkeit: Es kann in einem Datensatz erlernte Konzepte auf neue, zuvor nicht gesehene Daten anwenden. Dies eröffnet breite Anwendungsmöglichkeiten in der Krankheitsforschung, der Arzneimittelsuche und der Untersuchung von Zellreaktionen auf Behandlungen. Die Bedeutung von Interpretierbarkeit steht im Mittelpunkt der Forschung. Professor Tsia erläutert, dass Vertrauen und wissenschaftliche Nützlichkeit in der Biomedizin davon abhängen, ob KI-Ergebnisse von Menschen verstanden und verifiziert werden können. Anstatt vollständige Autonomie anzustreben, positioniert sich MorphoGenie als Werkzeug, das menschliche Expertise unterstützt, indem es transparente Einblicke in biologische Zustände bietet. Indem es komplexe wissenschaftliche Aufgaben auf verständliche Weise löst, legt das System den Grundstein für eine nächste Generation von KI-Systemen, die sowohl leistungsfähiger als auch nachprüfbar sind, um langfristig das Verständnis von Gesundheit und Krankheit zu vertiefen.