Bullöse Autoimmundermatosen (autoimmune bullous dermatoses, AIBD) sind eine heterogene Gruppe von autoantikörperbasierten Krankheiten, die durch Blasenbildung und Erosion der Haut und Schleimhäute gekennzeichnet sind. Dazu gehören Pemphigus- und Pemphigoid-Erkrankungen sowie Dermatitis herpetiformis. Die Unterscheidung der Krankheitsbilder ist für die Wahl der Behandlung ausschlaggebend.
Die indirekte Immunfluoreszenz(IIF)-Mikroskopie unter Verwendung von Gewebeschnitten von Speiseröhre und Spalthaut ist eine der empfindlichsten Methoden zur ersten Differenzierung von AIBD. Die Interpretation der komplexen IIF-Muster ist jedoch schwierig und kaum standardisiert.
Eine kürzlich in Zusammenarbeit mit Forschern der Klinik für Dermatologie und des Lübecker Instituts für experimentelle Dermatologie der Universität Lübeck veröffentlichte Studie beschreibt nun die Entwicklung und Evaluierung von mittels Deep Learning trainierten Klassifikatoren und zeigt, dass tiefe neuronale Netze (deep neural networks) bei Einbeziehung der Segmentierung relevanter Gewebeschnitt-Regionen in den Algorithmus eine hochpräzise computergestützte Klassifizierung von IIF-Mustern zur Erkennung von AIBD ermöglichen können.
Die Klassifikatoren stellen eine hervorragende Erweiterung der Screening-Methoden für AIBD dar und können den Arbeitsaufwand, der für Fachleute mit der Auswertung der IIF-Bilder auf Gewebeschnitten verbunden ist, verringern.
Eine Zusammenfassung der Studie finden Sie auf unserer englisch-sprachigen Blogseite.
Oder lesen Sie die neu veröffentlichte Studie in Frontiers in Immunology.
Hocke J. et al. Computer-aided classification of indirect immunofluorescence patterns on esophagus and spilt skin for the detection of autoimmune dermatoses. Front. Immunol. 14:1111172. doi: 10.3389/fimmu.2023.1111172