Deformabilitätszytometrie rückt näher an die klinische Anwendung
Ein Tropfen Blut enthält Millionen von Zellen, und jede dieser Zellen liefert wichtige Erkenntnisse über unsere Gesundheit. Mit einer vielversprechenden Diagnosetechnik – der Deformabilitätszytometrie (DC) – können Forscher*innen am Max-Planck-Zentrum für Physik und Medizin (MPZPM) Tausende dieser Zellen pro Sekunde erfassen und ihre mechanischen Eigenschaften untersuchen. Bislang bestand die größte Herausforderung darin, diese enorme Datenmenge schnell und präzise zu verarbeiten. Durch die Verbindung von DC mit maschinellem Lernen sind die Wissenschaftler*innen dem klinischen Einsatz einen großen Schritt nähergekommen.
Die bildgebende Durchflusszytometrie kann pro Sekunde detaillierte Bilder von Tausenden von Zellen aufnehmen. Eine ihrer leistungsstärksten Methoden ist die DC, welche von der Gruppe um Prof. Jochen Guck†, Direktor am Max-Planck-Institut für die Physik des Lichts (MPL) und Leiter der Abteilung ›Physik der Zelle‹ am MPZPM und MPL, entwickelt wurde. Die Zellen werden durch enge Kanäle auf einem mikrofluidischen Chip gepresst und mit einer genau definierten Kraft komprimiert. Durch ihre leichte Deformation können die Forscher*innen ihre mechanischen Eigenschaften bewerten. Diese können als Marker für verschiedene Krankheiten dienen.
Zunächst müssen die Zellen in den DC-Bildern jedoch erkannt und umrissen werden – ein Prozess, der als Segmentierung bezeichnet wird. Nach der Segmentierung werden die Blutzellen in verschiedene Typen klassifiziert, beispielsweise Erythrozyten, Lymphozyten oder Neutrophile. Das Team um Guck hat beide Prozesse mit zwei verschiedenen Ansätzen des maschinellen Lernens verbessert.
Für die Segmentierung entwickelte das Team ein kompaktes U-Net-Neuralnetzwerk, das Zellen in Hellfeldbildern mit hoher Präzision identifiziert. Im Gegensatz zu herkömmlichen Schwellenwertmethoden, die zwar sehr schnell arbeiten, aber oft schwache Zellen wie Lymphozyten übersehen, funktioniert der neue Ansatz zuverlässig und kann gleichzeitig große Datensätze schnell verarbeiten – selbst auf handelsüblichen klinischen Computern. Mit einem Standard-U-Net-Netzwerk hingegen würde die Verarbeitung einer einzigen DC-Messung auf einer CPU fast einen ganzen Tag in Anspruch nehmen und den klinischen Einsatz ausschließen.
Die Verkleinerung des Netzwerks erfordert eine sorgfältige Auswahl und Annotation der Trainingsbilder, damit das Netzwerk effizient lernen kann. Systematische Fehler bei der mechanischen Charakterisierung der Zellen konnten so drastisch reduziert werden.
Nachdem einem Patienten Blut entnommen wurde, wird die Probe mittels Deformabilitätszytometrie (DC) analysiert, bei der die Zellen durch enge mikrofluidische Kanäle fließen und sich dabei verformen. Um einzelne Zellen in den aufgenommenen Bildern genau zu erkennen, entwickelte das Team ein kompaktes, auf U-Net basierendes neuronales Netzwerk. Eine weitere Entwicklung ist ein Algorithmus, der auf unüberwachtem Clustering basiert und weiße Blutkörperchen (WBCs) als Neutrophile, Eosinophile, Monozyten oder Lymphozyten klassifiziert.
„Diese Studie zeigt, dass kleine konvolutionelle neuronale Netzwerke die gleiche Genauigkeit wie die größeren Modelle erreichen können, dabei aber schneller und kostengünstiger sind. Dadurch eignen sie sich für den klinischen Einsatz in Echtzeit“, sagt Dr. Sara Kaliman, Postdoktorandin am MPL/MPZPM in der Abteilung Guck.
„Ebenso wichtig ist, dass die von uns entwickelten Tools nicht auf diese Studie beschränkt sind. Jeder Forscher, der bildgebende Durchflusszytometrie einsetzt, kann unseren Ansatz für seine eigenen Anwendungen übernehmen. Indem wir diese Ressourcen offen zugänglich machen, wollen wir zur Standardisierung und Weiterentwicklung des Fachgebiets beitragen und mehr Genauigkeit und Reproduzierbarkeit in die zellbasierte Diagnostik bringen“, fügt Dr. Shada Hofemeier Abuhattum, Postdoktorandin am MPL/MPZPM in der Guck-Abteilung, hinzu.
Das Team automatisierte auch die Klassifizierung von weißen Blutkörperchen, ein Prozess, der zuvor manuelle Arbeit durch geschulte Experten erforderte. Der Algorithmus nutzt unüberwachtes Clustering und kann wichtige Arten weißer Blutkörperchen anhand ihrer Form und Textur unterscheiden. Zusammen bedeuten diese Fortschritte, dass nicht nur Millionen von Zellen aus einem einzigen Experiment präzise analysiert werden können, sondern dass nun auch Hunderte von Messungen pro Tag zuverlässig und reproduzierbar verarbeitet werden können – ein großer Schritt in Richtung praktischer klinischer Anwendung.
Kaliman und Hofemeier Abuhattum betonen, dass die neuen Methoden entscheidende Fortschritte in der Datenanalyse für DC ermöglicht haben und dass es lange Zeit die Vision des verstorbenen Prof. Jochen Guck war, DC in die klinische Diagnostik zu integrieren. Die Arbeit, so fügen sie hinzu, stelle einen weiteren wichtigen Schritt in diese Richtung dar.
Kaliman und Hofemeier Abuhattum betonen, dass die neuen Methoden entscheidende Fortschritte in der Datenanalyse für DC ermöglicht haben und dass es lange Zeit die Vision des verstorbenen Prof. Jochen Guck war, DC in die klinische Diagnostik zu integrieren. Die Arbeit, so fügen sie hinzu, stelle einen weiteren wichtigen Schritt in diese Richtung dar.
Original Publikation
Kaliman, S. et al. Small U-Net for Fast and Reliable Segmentation in Imaging Flow Cytometry. Cytometry. Part A: The journal of the International Society for Analytical Cytology vol. 107,7 (2025): 450-463.
DOI:10.1002/cyto.a.24947
Kaliman, S. et al. "Automation and Improvement of WBC Mechanical Profiling in Deformability Cytometry." Biophysical Journal. (2025)
DOI: 10.1016/j.bpj.2025.10.007
Wissenschaftlicher Kontakt:
Dr. Sara Kaliman
Max-Planck-Institut für die Physik des Lichts / Max-Planck-Zentrum für Physik und Medizin
E-Mail: sara.kaliman@mpzpm.mpg.de
Dr. Shada Hofemeier Abuhattum
Max-Planck-Institut für die Physik des Lichts / Max-Planck-Zentrum für Physik und Medizin
E-Mail: shada.abuhattum@mpzpm.mpg.de
Bild mit BioRender erzeugt. Die DC-Illustration ist adaptiert von Soteriou, D., Kubánková et al., Nat. Biomed. Eng. 7, 1392–1403 (2023). doi.org/10.1038/s41551-023-01015-3
