Massenspektrometrie-Bildgebung (MSI) als molekulare Bildgebungstechnik mit hoher räumlicher Auflösung hat einen wichtigen Wert bei der in-situ-Erkennung endogener und exogener Verbindungen in biologischem Gewebe. Aufgrund von Sensitivitätsbeschränkungen gibt es bei hoher räumlicher Auflösung in MSI-Daten jedoch viele fehlende Signale, was die Genauigkeit der nachgelagerten Analyse stark einschränkt. Traditionelle Methoden, die auf Hardware-Upgrades basieren, sind kostenintensiv und zeitaufwendig. Daher schlägt diese Arbeit eine KI-basierte Methode zur Imputation fehlender Werte vor, die darauf abzielt, komplexe Verteilungseigenschaften von MSI-Daten datengetrieben zu erlernen, um eine qualitativ hochwertige Rekonstruktion fehlender Signale zu ermöglichen. Die experimentellen Ergebnisse an MALDI-MSI-Daten von Maunieren Nieren und DESI-MSI-Daten von menschlichem Dickdarmkrebs zeigen, dass die Methode sowohl in der visuellen Erkennung als auch in der quantitativen Bewertung traditionellen Methoden überlegen ist und eine gute plattformübergreifende Anpassungsfähigkeit demonstriert. Diese Arbeit bietet eine effiziente und kostengünstige Lösung zur Verbesserung der MSI-Erkennungssensitivität und ist von großer Bedeutung für die Förderung nachfolgender biologischer Analysen.

Massenspektrometrie-Bildgebung;Sensitivität;Imputation fehlender Werte;Künstliche Intelligenz