KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-21
Automatische Segmentierung histologischer Zonen in der Distraktionsosteogenese bei Ratten mithilfe einer selbstkonfigurierenden Deep-Learning-Pipeline
Originaltitel: Automatic segmentation of histological zones in rat distraction osteogenesis using a self-configuring deep learning pipeline
Die histologische Beurteilung der Zusammensetzung des Regenerats ist entscheidend für die Bewertung der Gewebereifung bei der Distraktionsosteogenese, doch die manuelle Abgrenzung der Gewebekompartimente ist arbeitsintensiv und unterliegt der Beobachtervariabilität. Die Studie evaluierte einen Deep-Learning-Workflow, der drei histologische Zonen in einem Ratten-Distraktionsosteogenese-Modell automatisch segmentiert: die fibröse Interzone, die Mikrosäulenbildungszone und die Umbauzone. Am zuverlässigsten war die Segmentierung für die fibröse Interzone (Dice 0.76 in H&E; 0.75 in Pentachrome), am schwierigsten für die Umbauzone (Dice 0.29; 0.44); die kombinierte quantitative und qualitative Bewertung sprach für die Pentachrome-Multiklassen-Konfiguration, und die Implementierung in 3D Slicer macht die Pipeline für die translationale Forschung praxistauglich.