Das Sjögren-Syndrom ist eine chronische Autoimmunerkrankung, die vor allem die exokrinen Drüsen betrifft. Typische Symptome sind Trockenheit von Mund und Augen, arthralgiforme Beschwerden sowie Fatigue. Systemische Manifestationen treten bei rund 30 bis 40 % der Betroffenen auf. Das Risiko, ein Lymphom zu entwickeln, liegt bei 5 bis 10 %. Zugelassene krankheitsmodifizierende Therapien stehen derzeit nicht zur Verfügung; allerdings zeigen mehrere Phase-II-Studien vielversprechende Ergebnisse.
Fokus-Score als histopathologisches Klassifikationskriterium
Der Fokus-Score beschreibt die Anzahl lymphozytärer Zellaggregate von mindestens 50 Zellen pro 4 mm² Drüsengewebe. Ein Wert von mindestens 1 gilt als positiv und wird ebenso wie Antikörper gegen das Sjögren-Syndrom-Antigen A (Anti-SSA) mit drei Punkten bewertet. Der Schirmer-Test und die unstimulierte Speichelflussrate tragen jeweils einen Punkt bei. Insgesamt sind vier Punkte erforderlich, um die Klassifikationskriterien zu erfüllen.
Die Beurteilung des Fokus-Scores ist jedoch anspruchsvoll, da die Präparatequalität, die Schnittführung und die Erfahrung die Bewertung beeinflussen. Wiederholte fachpathologische Beurteilungen führen in etwa der Hälfte der Fälle zu abweichenden Ergebnissen und erschweren damit sowohl die klinische Versorgung als auch die Durchführung von Studien.
KI-gestützten Biopsieanalyse in der PATHSAI-Studie
Die digitale Pathologie und Verfahren der künstlichen Intelligenz ermöglichen eine objektivere und konsistentere Auswertung histologischer Muster. Erste Arbeiten zum Sjögren-Syndrom zeigten, dass maschinelles Lernen den Fokus-Score automatisiert klassifizieren könnte. Für eine Anwendung in der klinischen Routine sind jedoch multizentrische Validierungen und nachvollziehbare Modelle erforderlich.
Vor diesem Hintergrund wurde im Rahmen der PATHSAI-Studie (Pathology of Sjögren’s Disease Using Artificial Intelligence) des NECESSITY-Konsortiums (NEw Clinical Endpoints in primary Sjögren’s Syndrome: an Interventional Trial based on stratifYing patients) untersucht, ob sich ein Deep-Learning-Modell zur zuverlässigen Klassifikation des Fokus-Scores und zur Diagnose des Sjögren-Syndroms auf Basis digitalisierter Speicheldrüsenbiopsien eignet. Analysiert wurden 545 Biopsien von Patienten mit Sjögren-Syndrom sowie von Kontrollpersonen mit Sicca-Syndrom ohne Autoimmunität.
Die digitalisierten Hämatoxylin-Eosin-Präparate wurden in Bildkacheln segmentiert und mithilfe eines auf Cluster Constrained Attention Based Multiple Instance Learning (CLAM) basierenden Modells analysiert. Das Modell wurde mit Daten aus fünf Zentren trainiert und anhand eines unabhängigen Datensatzes aus Birmingham extern validiert. Shapley-Analysen als Verfahren der erklärbaren künstlichen Intelligenz ermöglichten die Nachvollziehbarkeit der Modellentscheidungen. Ergänzende immunhistochemische Untersuchungen dienten der Charakterisierung neu identifizierter Muster.
Zuverlässigkeit der KI-gestützten Fokus-Score-Klassifikation
Das Modell erkannte Biopsien mit einem Fokus-Score von mindestens 1 mit hoher Genauigkeit. Die interne Validierung zeigte eine sehr gute Übereinstimmung mit der pathologischen Bewertung und auch bei der externen Validierung blieb die Leistung stabil. Besonders profitierten Anti-SSA-negative Patienten, bei denen die Histologie für die Klassifikation entscheidend ist. Biopsien mit grenzwertigem Fokus-Score waren wie erwartet schwieriger einzuordnen, dennoch blieb die Gesamtleistung konsistent.
Diagnosevorhersage durch künstliche Intelligenz
Ein ergänzendes Modell zur direkten Diagnosevorhersage erzielte ebenfalls gute Ergebnisse. Es klassifizierte das Vorliegen eines Sjögren-Syndroms zuverlässig und erkannte einen Großteil der nicht betroffenen Personen korrekt. Die besten Ergebnisse wurden erneut bei Anti-SSA-negativen Patienten erzielt, die besonders von einer präzisen histopathologischen Bewertung abhängig sind.
Identifizierte histopathologische Muste
Shapley-Analysen bestätigten, dass lymphozytäre Foci die wichtigsten Muster für die Klassifikation darstellen. Insgesamt wurden neun relevante Muster identifiziert, von denen sechs positiv mit der Diagnose assoziiert waren. Dazu gehörten verschiedene Varianten klassischer Foci sowie lymphozytäre Infiltrate mit Fibrose.
Ein neu beschriebenes Muster zeigte CD8-dominante T-Zellen, die die Azini umgaben, ohne strukturelle Schäden zu verursachen. Diese Zellen waren immunhistochemisch CD3-, CD8- und teilweise CD103-positiv, jedoch CD4-, CD20- und CD68-negativ. Dieses Muster unterscheidet sich deutlich von bekannten lymphoepithelialen Veränderungen und könnte neue Einblicke in die Pathophysiologie des Sjögren-Syndroms ermöglichen. Negativ assoziierte Muster umfassten seromuköse Drüsen ohne Infiltrat sowie fibrotische Areale mit geringer Entzündung.
Bedeutung der Ergebnisse für die histopathologische Diagnostik
Die PATHSAI-Studie zeigt, dass künstliche Intelligenz die histopathologische Diagnostik des Sjögren-Syndroms unterstützen kann. Die Modelle lieferten robuste, nachvollziehbare Ergebnisse und könnten langfristig zur Standardisierung der Biopsiebewertung beitragen. Für den Einsatz in der klinischen Routine sind jedoch prospektive Validierungsstudien und regulatorische Prüfungen notwendig.
