Die Zukunft ist jetzt: Mithilfe von künstlicher Intelligenz gelang es Forschern, Diabetes anhand von MRT-Aufnahmen zu diagnostizieren. Die neue Methode soll bei der Erforschung der Krankheitsursachen helfen.
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. Wie das Fett im Körper verteilt ist, lässt sich mit Ganzkörper-Kernspintomographie (MRT) 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 Forscher künstliche Intelligenz (KI). Sie trainierten Deep-Learning-Netzwerke mit Ganzkörper-MRT-Aufnahmen von 2.000 Menschen, die sich auch einem Screening mit oralem Glukosetoleranz-Test (oGTT) unterzogen hatten. Mit dem durchgeführten oGTT, auch Zuckerbelastungstest genannt, lässt sich ein gestörter Glukosestoffwechsel nachweisen und ein Diabetes diagnostizieren. So lernte die KI, anhand von MRT-Aufnahmen Diabetes zu detektieren.
„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 Forscher 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.
Dieser Artikel basiert auf einer Pressemitteilung des Deutschen Zentrum für Diabetesforschung. Die Originalpublikation haben wir euch hier und im Text verlinkt.
Bildquelle: Markus Spiske, unsplash.