Menschliche Blastoiden – dreidimensionale Strukturen, die die frühe menschliche Blastozyste nachbilden – bieten eine leistungsstarke und ethisch vertretbare Alternative zur Erforschung der Embryogenese und zur Prüfung der Arzneimittelsicherheit. Obwohl diese Modelle in großen Mengen (bis zu 30.000 pro Platte) hergestellt werden können, beruhte ihre Auswertung traditionell auf einer aufwendigen manuellen Beurteilung durch Experten. Dieser manuelle Engpass ist fehleranfällig und subjektiv, was häufig zu verpassten biologischen Erkenntnissen führt und den Umfang experimenteller Anwendungen einschränkt.
1. Ein erster Datensatz mit Bildern menschlicher Blastoiden:
Das Forschungsteam erstellte den ersten kuratierten Hellfeld-Bilddatensatz für menschliche Blastoiden mit
17.133 Bildern . Eine Teilmenge von 2.407 Bildern wurde von Experten sorgfältig in fünf morphologische Kategorien eingeteilt:
- Klasse A : Gut ausgebildeter Hohlraum mit einer inneren Zellmasse (ICM).
- Klasse B : Kavität vorhanden, aber kein ICM.
- Klasse C : ICM vorhanden, aber mit unregelmäßigem Trophektoderm.
- Klasse D : Zelltrümmer ohne Hohlraum.
- Klasse W : Leere Mikrowells.
Nach der Evaluierung verschiedener Architekturen wählte das Team
ResNet-18 aufgrund seines optimalen Verhältnisses von Genauigkeit und Geschwindigkeit. Das trainierte
deepBlastoid -Modell erreicht eine Genauigkeit von bis zu
87 % und verarbeitet
273,6 Bilder pro Sekunde . Diese Geschwindigkeit ermöglicht einen hohen Durchsatz im Vergleich zur manuellen Auswertung und erlaubt es Forschern, ganze Versuchsplatten innerhalb weniger Minuten zu analysieren.Um die Zuverlässigkeit für sensible biologische Anwendungen weiter zu verbessern, führten die Forscher eine
Konfidenzratenmetrik (CR) ein . Dieses System identifiziert Proben, bei denen die KI weniger sicher ist, und kennzeichnet sie zur Überprüfung durch menschliche Experten. Durch die Festlegung eines CR-Schwellenwerts von
0,8 verbessert sich die Gesamtklassifizierungsgenauigkeit auf
97 % . So wird ein hoher Automatisierungsgrad beibehalten und gleichzeitig eine Präzision auf Expertenniveau für komplexe Fälle gewährleistet.Die Nützlichkeit von deepBlastoid wurde in zwei realen Anwendungsfällen demonstriert:
Optimierung der LPA-Dosierung : Das Modell analysierte über 10.000 Bilder und identifizierte 0,5 µM als minimale effektive Konzentration für die Blastoidbildung. Es zeigte außerdem einen signifikanten Anstieg von Blastoiden der Klasse B bei dieser Dosierung – eine subtile morphologische Veränderung, die vom menschlichen Auge leicht übersehen wird.
DMSO-Sicherheitsbewertung : Die KI bestätigte, dass 0,1 % DMSO, ein gängiges Lösungsmittel, die Kavitationseffizienz nicht beeinträchtigt und somit dessen Einsatz in Wirkstoff-Screening-Protokollen validiert. Zusätzlich nutzt die Plattform das „Leerverhältnis“ (Klasse W) zur Überwachung der Zelldichte und bietet so eine automatisierte Qualitätssicherung, die die Reproduzierbarkeit von Experimenten verbessert.deepBlastoid stellt eine standardisierte, automatisierte Plattform bereit, die den manuellen Arbeitsaufwand für Forschende deutlich reduziert. Über die Grundlagenforschung hinaus bietet das Tool Potenzial für Anwendungen im Wirkstoff-Toxizitäts-Screening, der Bewertung teratogener Effekte und möglicherweise auch in der In-vitro-Fertilisation (IVF) durch Optimierung der Embryonenqualitätsbewertung. Modell und Datensatz sind nun öffentlich zugänglich, sodass Forschende weltweit maßgeschneiderte Modelle für ihre spezifischen Bildgebungsprotokolle trainieren können.
DOI: 10.1093/lifemedi/ufae020
https://academic.oup.com/lifemedi/article/3/1/ufae020/7901037
