Übergewicht und viel Körperfett erhöhen das Risiko eines Diabetes. Doch nicht jeder übergewichtige Mensch erkrankt auch daran. Entscheidend ist, wo das Fett im Körper gespeichert wird. Lagert sich Fett unter der Haut an, ist es harmloser als Fett in tieferen Bereichen des Bauches (das sog. viszerale Fett). Wie das Fett im Körper verteilt ist, lässt sich mit Ganzkörper-Kernspintomographie gut darstellen.
„Wir haben nun untersucht, ob man Typ-2-Diabetes auch anhand bestimmter Muster der Körperfettverteilung im MRT diagnostizieren könnte“, erläutert Letzt-Autor Prof. Robert Wagner den Ansatz der Forschenden. Um solche Muster zu erkennen, nutzten die Forschende künstliche Intelligenz (KI).
Sie trainierten Deep-Learning-Netzwerke (Maschinelles Lernen) mit Ganzkörper-MRT-Aufnahmen von 2000 Menschen, die sich auch einem Screening mit oralem Glukosetoleranz-Test (abgekürzt oGTT) unterzogen hatten. Mit dem oGTT, auch Zuckerbelastungstest genannt, lassen sich ein gestörter Glukosestoffwechsel nachweisen und ein Diabetes diagnostizieren. So lernte die KI, Diabetes zu detektieren.
Biologische Steuerung der Körperfettverteilung entschlüsseln
„Eine Analyse der Modellergebnisse ergab, dass eine Fettansammlung im unteren Abdomen bei der Diabetesdetektion eine entscheidende Rolle spielt“, berichtet Wagner. Weitere zusätzliche Analysen zeigten zudem, dass auch ein Teil der Menschen mit einer Vorstufe des Diabetes (Prädiabetes) sowie Menschen mit einem Diabetes-Subtyp, der zu Nierenerkrankungen führen kann, über MRT-Aufnahmen identifiziert werden können.
Die Forschenden arbeiten nun daran, die biologische Steuerung der Körperfettverteilung zu entschlüsseln. Ein Ziel ist es, durch neue Methoden wie dem Einsatz von KI die Ursachen des Diabetes zu identifizieren, um bessere Vorsorge- und Therapiemöglichkeiten zu finden.
Quelle: Universitätsklinikum Tübingen
Originalpublikation: Dietz et al.; Diabetes detection from whole-body magnetic resonance imaging using deep learning; JCI Insight, 2021; DOI: 10.1172/jci.insight.146999
*Deep Learning, ist eine spezielle Methode aus dem Bereich des Maschinellen Lernens mit künstlichen neuronalen Netzen (KNN) und damit auch ein Teilgebiet der Künstlichen Intelligenz (KI). Deep Learning eignet sich besonders, wenn sehr viele unstrukturierte Daten vorliegen – wie z.B. Bilder und Aufnahmen. Um Deep-Learning-Algorithmen beizubringen, Bilder korrekt auszuwerten und Diagnosen vorherzusagen, werden sie an annotierten (mit Informationen versehenen) Daten trainiert.
