Per MRT zur Diabetes-Diagnose

Übergewicht und viel Körperfett erhöhen das Typ-2-Diabetes-Risiko. Doch nicht jeder übergewichtige Mensch erkrankt auch daran. Entscheidend ist offenbar, wo das Fett im Körper gespeichert wird. Subkutanes Fett ist harmloser als viszerales Fett, also Fett in tieferen Bauchbereichen. Wie das Fett im Körper verteilt ist, lässt sich mit Ganzkörper-MRT gut darstellen. »Wir haben untersucht, ob man Typ-2-Diabetes auch anhand bestimmter Muster der Körperfettverteilung im MRT diagnostizieren könnte«, so Professor Dr. Robert Wagner von der Universität Tübingen in einer Pressemitteilung des Deutschen Zentrums für Diabetesforschung. Wagner ist Seniorautor einer im Fachmagazin »JCI Insight« veröffentlichten Arbeit.

Die Forscher nutzen für ihre Arbeit eine Technik der künstlichen Intelligenz (KI) aus. Das sogenannte Deep Learning ist eine spezielle Methode aus dem Bereich des maschinellen Lernens. Es eignet sich besonders, wenn sehr viele unstrukturierte Daten vorliegen, etwa Bilder oder Aufnahmen. Um Deep-Learning-Algorithmen beizubringen, Bilder korrekt auszuwerten und Diagnosen vorherzusagen, werden sie mithilfe von mit Informationen versehenen Daten trainiert.

In diesem Fall trainierten die Forscher die Deep-Learning-Netzwerke mit Ganzkörper-MRT-Aufnahmen von mehr als 2300 Menschen, die sich auch einem Screening mit oralem Glucosetoleranz-Test unterzogen hatten. Damit lernte die KI, Diabetes zu detektieren.

»Eine Analyse der Modellergebnisse ergab, dass eine Fettansammlung im unteren Abdomen bei der Diabetesdetektion eine entscheidende Rolle spielt«, so Wagner zu dem erfolgreichen Ergebnis bei der Diabeteserkennung. Weitere Analysen zeigten, dass auch ein Teil der Menschen mit Prädiabetes sowie Menschen mit einem Diabetes-Subtyp, der zu Nierenerkrankungen führen kann, über MRT-Aufnahmen identifiziert werden können.