Microscopio automatizado clasifica patrones IFI en dermatosis autoinmunes

Las dermatosis ampollosas autoinmunes (DAAI) son un grupo diverso de afecciones impulsadas por autoanticuerpos que se caracterizan por la formación de ampollas y la erosión de la piel y las membranas mucosas, incluidas las enfermedades de pénfigo, las enfermedades de penfigoide y la dermatitis herpetiforme. La diferenciación entre los subtipos de enfermedades es esencial para tomar decisiones de tratamiento. La microscopía de inmunofluorescencia indirecta (IFI) que usa secciones de tejido del esófago y piel dividida con sal es uno de los métodos de detección más sensibles para diferenciar inicialmente la DAAI. La IFI en el esófago identifica autoanticuerpos contra antígenos epiteliales y endomisiales, mientras que la IFI en piel dividida con sal diferencia autoanticuerpos contra la zona de la membrana basal. Sin embargo, interpretar de los complejos patrones de la IFI puede ser un desafío y no está bien estandarizada.

En un estudio conjunto, científicos de EUROIMMUN (Lübeck, Alemania) y de la Universidad de Lübeck (Lübeck, Alemania) desarrollaron y evaluaron un sistema asistido por computadora para clasificar patrones de IFI en muestras de esófago y piel dividida con sal. Los científicos crearon los conjuntos de datos de entrenamiento incubando portaobjetos de biochip que contenían secciones de tejido de tamaño milimétrico con varias diluciones de muestras de suero de pacientes y controles. Posteriormente, el equipo utilizó el EUROPattern Microscope 1.5 para adquirir imágenes. Los resultados de la evaluación asistida por computadora se compararon con los hallazgos de las evaluaciones manuales realizadas por técnicos experimentados en IFI.

La evaluación automatizada de la IFI en esófago y piel dividida con sal presenta un desafío, ya que las pequeñas estructuras necesarias para la clasificación solo están presentes en algunas áreas de los sustratos de tejido. Las redes profundas estándar no son adecuadas para procesar estas imágenes debido a las limitaciones de memoria de la computadora y la cantidad de imágenes de entrenamiento disponibles. En consecuencia, los investigadores emplearon la segmentación para concentrar las redes de clasificación en las regiones esenciales. Los algoritmos desarrollados demostraron una alta precisión para la clasificación de patrones en el esófago y la piel dividida con sal, con más del 95 % de acuerdo con los resultados de la lectura visual. La concordancia predictiva positiva estuvo por encima del 97 % para todos los patrones de IF positivos en ambos sustratos de tejido, mientras que la concordancia predictiva negativa fue de al menos el 95 % para todos los patrones.

Los investigadores concluyeron que las redes profundas se pueden adaptar para evaluar sustratos de tejidos complejos mediante la incorporación de la segmentación de regiones relevantes en el proceso de predicción. Estos clasificadores ofrecen una excelente mejora para los métodos de detección de DAAI y pueden reducir la carga de trabajo de los profesionales al interpretar secciones de tejido en las pruebas de IFI.

Enlaces relacionados:
EUROIMMUN  
Universidad de Lübeck