Die Leistungsfähig­keit von KI nutzen, um verborgene Veränderungen im Pankreas von Menschen mit Typ-2-Diabetes aufzudecken

Nutzung der Leistungsfähigkeit von KI zur Aufdeckung verborgener Veränderungen im Pankreas von Menschen mit Typ-2-Diabetes

Ein Forschungsteam aus Deutschland und weiteren Ländern hat eine Pipeline für erklärbare künstliche Intelligenz (KI) entwickelt, um hochauflösende Aufnahmen von ganzen Gewebeschnitten (Whole-Slide Images) von Pankreasgewebe lebender menschlicher Spenderinnen und Spender zu analysieren und zentrale morphologische Merkmale zu identifizieren, die mit Typ-2-Diabetes assoziiert sind. Durch das Training von Deep-Learning-Modellen mit einem einzigartigen Datensatz gefärbter Pankreasgewebeproben konnte die erklärbare KI subtile, mit Typ-2-Diabetes verbundene Veränderungen erfolgreich erkennen, darunter Unterschiede in der Größe der Langerhans-Inseln, der Fettverteilung und dem Ausmaß von Fibrose.

Typ-2-Diabetes stellt ein bedeutendes globales Gesundheitsproblem dar, das Millionen von Menschen betrifft und Gesundheitssysteme erheblich belastet. Fehlfunktionen in der Wirkung und Produktion von Insulin – dem zentralen Hormon zur Regulation des Blutzuckerspiegels – treiben die Erkrankung voran. Ein wesentliches Merkmal dieser Beeinträchtigung ist die Fehlfunktion der Betazellen, also jener Zellen im Pankreas, die Insulin ausschütten. Trotz intensiver Forschung sind Ursache und genaue Natur des Betazell-Versagens bislang nicht vollständig geklärt. Ein möglicher Hinweis könnte in morphologischen Veränderungen des Pankreas bei Menschen mit Typ-2-Diabetes liegen. Aufgrund der hohen interindividuellen Variabilität ist es für Pathologinnen und Pathologen jedoch äußerst schwierig, Pankreasgewebe von Personen mit Typ-2-Diabetes zuverlässig von solchem ohne Diabetes zu unterscheiden.

Maschinelles Lernen hat im Bereich der computergestützten Pathologie große Aufmerksamkeit erlangt, da es in der Lage ist, umfangreiche und informationsreiche Ganzschnittbilder zu analysieren. Entsprechende Algorithmen können dabei eine mit Expertinnen und Experten vergleichbare Leistungsfähigkeit erreichen. Bisher konzentrierten sich die meisten Deep-Learning-Anwendungen auf onkologische Erkrankungen, bei denen klar unterscheidbare Tumorzellen in Gewebeproben identifiziert werden können. Im Gegensatz dazu weist Pankreasgewebe keine eindeutig quantifizierbaren Merkmale auf, die zweifelsfrei zwischen Personen mit und ohne Typ-2-Diabetes unterscheiden. Ziel der Studie war es daher zu klären, ob morphologische Eigenschaften von Pankreasproben existieren, anhand derer sich Personen mit Typ-2-Diabetes von nicht-diabetischen Personen unterscheiden lassen, und – falls ja – welche Merkmale hierfür maßgeblich sind. Ein solcher Befund würde zu einem besseren Verständnis der Krankheitsursachen beitragen.

Zur Erreichung dieses Ziels wurde ein interdisziplinäres Team zusammengestellt, dem Forschende des Deutsches Krebsforschungszentrum (DKFZ), des Institute for Diabetes Research and Metabolic Diseases (IDM), des Paul Langerhans Institute Dresden (PLID) sowie des Deutsches Diabetes-Zentrum (DDZ)/Heinrich-Heine-Universität Düsseldorf angehörten, ergänzt durch weitere Institute weltweit. Das Team entwickelte eine erklärbare KI-Pipeline, die – im Gegensatz zu konventionellen KI-Ansätzen – nachvollziehbar machen kann, auf welcher Grundlage sie ihre Entscheidungen trifft. Zudem stellten die Forschenden einen Datensatz aus Ganzschnittbildern von Pankreasgewebe lebender Spenderinnen und Spender aus der LIDOPACO-Kohorte zusammen – der weltweit größten Sammlung von Pankreasgewebe metabolisch charakterisierter lebender Spenderinnen und Spender. Die Gewebeproben wurden mit verschiedenen Färbemethoden behandelt, um unterschiedliche Zelltypen und Strukturen hervorzuheben. Eine Kombination aus Deep-Learning- und erklärbaren KI-Modellen wurde auf diesem Datensatz trainiert, um zwischen Pankreasgewebe von Personen mit und ohne Typ-2-Diabetes zu unterscheiden. Das Modell war in der Lage, subtile Unterschiede in der Gewebemorphologie zu erkennen und Typ-2-Diabetes mit einer Genauigkeit von etwa 95 % vorherzusagen – und übertraf damit die diagnostische Leistung von Pathologinnen und Pathologen. Überraschenderweise beruhten die treffsichersten Vorhersagen nicht auf den insulinproduzierenden Betazellen, sondern auf neuronalen Axonen sowie auf endokrinen Zellen, die Glukagon und Somatostatin produzieren – Hormone, die ebenfalls an der Regulation des Blutzuckers beteiligt sind. Dies deutet darauf hin, dass Veränderungen in diesen bislang weniger charakterisierten Zelltypen eine entscheidende Rolle in der Pathophysiologie des Typ-2-Diabetes spielen könnten.

Die Studie identifizierte mehrere morphologische Merkmale, die mit Typ-2-Diabetes assoziiert sind. Personen mit Typ-2-Diabetes weisen tendenziell kleinere Langerhans‘scheInseln, signifikant größere Fettzellaggregate sowie ein erhöhtes Maß an Fibrose auf. Darüber hinaus zeigten die erklärbaren KI-Modelle, dass im Gewebe von Menschen mit Typ-2-Diabetes der Abstand zwischen Langerhans’schen Inseln und Fettzellen signifikant geringer war, was darauf hindeutet, dass Fettzellen das pankreatische Mikromilieu beeinflussen könnten.

Die Ergebnisse der Studie unterstreichen die Komplexität des Typ-2-Diabetes: Die Erkrankung betrifft nicht nur die insulinproduzierenden Betazellen, sondern umfasst auch Interaktionen zwischen verschiedenen Zelltypen sowie subtile strukturelle Veränderungen im Pankreas. Der hier eingesetzte erklärbare KI-Ansatz eröffnet neue Möglichkeiten für ein vertieftes Verständnis des Typ-2-Diabetes und könnte langfristig zur Entwicklung verbesserter Strategien für Prävention, Diagnostik und Therapie beitragen.

Weitere Informationen sowie den vollständigen Datensatz finden Sie auf der Projektwebsite: https://diadem.dzd-ev.org

Originalpublikation

Titel: Explainable AI-based analysis of human pancreas sections identifies traits of type 2 diabetes.  Journal: Nature Communications. 17, Article number: 1558 (2026).  Autoren: Klein L*, Ziegler S*, Gerst F*, Morgenroth Y*, Gotkowski K, Schöniger E, Heni M, Kipke N, Friedland D, Seiler A, Geibelt E, Yamazaki H, Häring HU, Wagner S, Nadalin S, Königsrainer A, Mihaljević AL, Hartmann D, Fend F, Aust D, Weitz J, Jumpertz-von Schwartzenberg R, Distler M, Maier-Hein K, Birkenfeld AL, Ullrich S, Jäger P**, Isensee F**, Solimena M**, Wagner R**. * Diese Autor:innen haben gleichermaßen beigetragen. ** Diese Autor:innen haben diese Arbeit gemeinsam betreut.  DOI: https://doi.org/10.1038/s41467-026-69295-2