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 so genannte viszerale Fett. Wie das Fett im Körper verteilt ist, lässt sich mit der Ganzkörper-Kernspintomographie gut darstellen. Da bildgebende Verfahren wird auch als Magnetresonanztomographie (MRT) bezeichnet.
„Wir haben untersucht, ob man Typ-2-Diabetes auch anhand bestimmter Muster der Körperfettverteilung im MRT diagnostizieren könnte“, erläutert Prof. Robert Wagner vom Institut für Diabetesforschung und Metabolische Erkrankungen des Helmholtz Zentrum München an der Eberhard-Karls-Universität Tübingen
An diesem Projekt haben eine Reihe von Forschenden mitgearbeitet. Beteiligt waren außer den Tübingern das Deutsche Zentrum für Diabetesforschung, das Max- Planck-Institut für Intelligente Systeme und die Universitätsklinik Tübingen. Die Forscher nutzten Deep-Learning-Methoden und Daten von mehr als 2000 MRTs, um Patienten mit (Prä-)Diabetes identifizieren zu können.
Deep-Learning mit über 2000 MRT-Aufnahmen auf Diabetes-Erkennung trainiert
Um die entscheidenden Muster zu erkennen, setzten die Forschende künstliche Intelligenz (KI) ein. Sie trainierten Deep-Learning-Netzwerke mit Ganzkörper-MRT-Aufnahmen von 2000 Menschen. Alle Probanden hatte sich auch einem Screening mit oralem Glukosetoleranz-Test unterzogen. Mit diesem Zuckerbelastungstest lässt sich ein gestörter Glukosestoffwechsel nachweisen und so ein Diabetes diagnostizieren. So lernte die KI, Diabetes anhand der MRT-Aufnahme 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 Prof. Wagner. Weitere Analysen zeigten zudem, dass auch ein Teil der Menschen mit einer Vorstufe des Diabetes 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 den Einsatz von KI die Ursachen des Diabetes zu identifizieren, um bessere Vorsorge- und Therapiemöglichkeiten zu finden.
Über das Deutsche Zentrum für Diabetesforschung
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.
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, sowie
- assoziierte Partner an den Universitäten in Heidelberg, Köln, Leipzig, Lübeck und München und weitere Projektpartner.
Über Deep Learning
Deep Learning ist eine spezielle Methode aus dem Bereich des Maschinellen Lernens mit künstlichen neuronalen Netzen (KNN). Damit ist es ein Teilgebiet der Künstlichen Intelligenz (KI). Deep Learning eignet sich besonders, wenn sehr viele unstrukturierte Daten vorliegen – wie Bilder und Aufnahmen. Um Deep-Learning-Algorithmen beizubringen, Bilder korrekt auszuwerten und Diagnosen vorherzusagen, werden sie an mit Informationen versehenen Daten trainiert.
Weitere Informationen:
www.dzd-ev.de
Wissenschaftliche Ansprechpartner:
Prof. Dr. Robert Wagner
Institut für Diabetesforschung und Metabolische Erkrankungen des Helmholtz Zentrum München an der Eberhard-Karls-Universität Tübingen
Otfried-Müller-Str. 10
72076 Tübingen
E-Mail: robert.wagner@uni-tuebingen.de
