Forscher setzen auf künstliche Intelligenz zur Erforschung der Diabetesursachen

Ein spezielles Verfahren ermöglicht es, anhand von Ganzkörper-Kernspinaufnahmen über die Verteilung des Körperfetts Typ-2-Diabetes zu diagnostizieren. So lautet das Ergebnis einer unlängst publizierten Studie. Mit diesem und weiteren Projekten möchten Wissenschaftler durch neue Methoden die Ursachen von Diabetes besser verstehen und Vorsorge- und Therapiemöglichkeiten verbessern.

© pixabay | Debinet

Dass Übergewicht und viel Körperfett das Risiko für Typ-2-Diabetes erhöhen, ist längst ein alter Hut. Doch was ist mit den gesunden Übergewichtigen, also jenen Menschen, die trotz ihrer hohen Körpermasse vom Diabetes verschont bleiben? Fett ist nicht gleich Fett – das gilt auch für den menschlichen Körper. Man unterscheidet grob zwischen dem subkutanen Fett unter der Haut und dem viszeralen Fett in tieferen Bereichen des Bauchs. Letzteres gilt als gesundheitlich bedenklicher.

Ein genaues Bild davon, wie das Fett im Körper verteilt ist, lässt sich per Ganzkörper-Kernspintomographie (MRT) machen. „Wir haben nun untersucht, ob man Typ-2-Diabetes auch anhand bestimmter Muster der Körperfettverteilung im MRT diagnostizieren könnte“, erläutert der an der Studie beteiligte Prof. Robert Wagner vom Institut für Diabetesforschung und Metabolische Erkrankungen an der Universität Tübingen das Vorhaben der Forschenden.

Für ihre Arbeit nutzen die Forschenden eine Technik der künstlichen Intelligenz, das sogenannte Deep Learning. Hierbei handelt es sich um eine spezielle Methode aus dem Bereich des maschinellen Lernens. Sie ist besonders geeignet, wenn sehr viele unstrukturierte Daten wie Bilder oder Aufnahmen vorliegen. Deep-Learning-Algorithmen werden anhand von Daten trainiert, die mit bestimmten Informationen versehen wurden. Mit der Zeit lernen sie, Bilder korrekt auszuwerten und Diagnosen vorherzusagen.

google()

In der konkreten Studie trainierten die Wissenschaftler ihre Deep-Learning-Netzwerke mit Ganzkörper-Kernspinaufnahmen von 2.371 Probanden. Alle Teilnehmer unterzogen sich einem Zuckerbelastungstest (oraler Glukosetoleranztest, oGTT), sodass zusätzlich Informationen zum Diabetesstatus aller Personen vorlagen. Durch die Kombination aus Kernspinaufnahmen und Diabetesinformation lernte die künstliche Intelligenz, Diabetes zu detektieren.

Das Deep-Learning zeigte Erfolge: Eine Analyse der Modellergebnisse ergab, dass eine Fettansammlung im unteren Abdomen [Unterbauch] bei der Diabetesdetektion eine entscheidende Rolle spielt“, erläutert Wagner. In weiteren Analysen gelang es, auch Mensch mit einer Vorstufe des Diabetes (Prädiabetes) zu identifizieren. Darüber hinaus identifizierten die Forscher Menschen, die an einem Diabetes-Subtyp erkrankt sind, der für Nierenerkrankungen prädestiniert.

In weiteren Projekten möchten die Wissenschaftler entschlüsseln, wie die Körperfettverteilung gesteuert wird. In Zukunft, so hoffen sie, könnten neue Methoden wie die künstliche Intelligenz dazu beitragen, die Ursachen des Diabetes besser zu verstehen und dadurch neue Vorsorge- und Therapiemöglichkeiten zu entwickeln.

Quellen einblenden