Mit einer Ganzkörper-Kernspinaufnahme (MRT) lässt sich Typ-2-Diabetes
diagnostizieren. Das zeigt eine aktuelle Studie von Forschenden des
Deutschen Zentrums für Diabetesforschung, des Instituts für
Diabetesforschung und Metabolische Erkrankungen des Helmholtz Zentrums
München an der Universität Tübingen, des Max- Planck-Instituts für
Intelligente Systeme und der Universitätsklinik Tübingen. Sie nutzten
Deep-Learning-Methoden* und Daten von mehr als 2000 MRTs, um Patienten mit
(Prä-)Diabetes identifizieren zu können. Die Ergebnisse wurden jetzt im
Fachjournal JCI Insight veröffentlicht.
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.
Deep-Learning mit über 2.000 MRT-Aufnahmen trainiert
Um solche Muster zu erkennen, nutzten die Forschende künstliche
Intelligenz (KI). Sie trainierten Deep-Learning-Netzwerke (Maschinelles
Lernen) mit Ganzkörper-MRT-Aufnahmen von 2.000 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.
Fettansammlung im Unterbauch wichtiger Hinweis auf Diabetesentstehung
„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.
*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.
Das Deutsche Zentrum für Diabetesforschung (DZD) e.V. ist eines der sechs
Deutschen Zentren der Gesundheitsforschung. Es bündelt Experten auf dem
Gebiet der Diabetesforschung und verzahnt Grundlagenforschung,
Epidemiologie und klinische Anwendung. Ziel des DZD ist es, über einen
neuartigen, integrativen Forschungsansatz einen wesentlichen Beitrag zur
erfolgreichen, maßgeschneiderten Prävention, Diagnose und Therapie des
Diabetes mellitus zu leisten. Mitglieder des Verbunds sind das Helmholtz
Zentrum München – Deutsches Forschungszentrum für Gesundheit und Umwelt,
das Deutsche Diabetes-Zentrum DDZ in Düsseldorf, das Deutsche Institut für
Ernährungsforschung DIfE in Potsdam-Rehbrücke, das Institut für
Diabetesforschung und Metabolische Erkrankungen des Helmholtz Zentrum
München an der Eberhard-Karls-Universität Tübingen und das Paul-
Langerhans-Institut Dresden des Helmholtz Zentrum München am
Universitätsklinikum Carl Gustav Carus der TU Dresden, assoziierte Partner
an den Universitäten in Heidelberg, Köln, Leipzig, Lübeck und München
sowie weitere Projektpartner. Weitere Informationen: www.dzd-ev.de
