Mit künstlicher Intelligenz Diabetes diagnostizieren

© Egor – Fotolia.com
Die Diagnose Typ-2-Diabetes stellt heute ein Arzt bzw. eine Ärztin, in der Regel nach einem “Zuckerbelastungstest”. In Zukunft könnte auch eine Maschine Diabetes diagnostizieren. Forschende haben Deep Learning Netzwerke darauf trainiert, Typ-2-Diabetes über eine MRT-Aufnahme anhand der Verteilung des Körperfetts zu erkennen. Besonders gefährdet sind danach Menschen mit einer Fettansammlung im Unterbauch.

Vizerales Fett fördert Typ-2-Diabetes

(24.10.2021) Bei einem Verdacht auf Typ-2-Diabetes gibt ein “Zuckerbelastungstest” (Glukosetoleranz-Test; abgekürzt oGTT) in der Arztpraxis Gewissheit. Patienten trinken eine Lösung mit 75 g Traubenzucker. In 15-minütigen Abständen wird der Blutzucker gemessen. Liegt der Blutzucker zwei Stunden nach Testbeginn höher als 140 mg/dl (7,8 mmol/l), handelt es sich um eine Störung des Glukose-Stoffwechsels: charakteristisch für Typ-2-Diabetes. Die meisten Patienten, die diese Diagnose erhalten, sind übergewichtig. Doch das Übergewicht allein ist nicht für Typ-2-Diabetes verantwortlich. 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).

Deep Learning mittels MRT-Aufnahmen

Wie das Fett im Körper verteilt ist, lässt sich mit Ganzkörper-Kernspintomographie (MRT) gut darstellen. Wenn Deep Learning Netzwerke mittels künstlicher Intelligenz trainiert werden, können Sie eine korrekte Diabetesdiagnose anhand von MRT-Aufnahmen stellen. Dies haben Forschende des Deutschen Zentrums für Diabetesforschung, des Instituts für Diabetesforschung und Metabolische Erkrankungen des Helmholtz Zentrums München an der Universität Tübingen, des MaxPlanck-Instituts für Intelligente Systeme und der Universitätsklinik Tübingen in einer Studie* herausgefunden.

Körperfett im Unterbauch ist entscheidend

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). Damit diese Netze lernen können, werden sie mit Informationen gefüttert, z. B. Bildern und Aufnahmen. Für ihre Studie nutzen die Forschenden Daten aus Ganzkörper-MRT-Aufnahmen von 2.000 Menschen, die auch einen Zuckerbelastungstest durchgeführt hatten. Dabei zeigte sich: Entscheidend für die Entwicklung eines Typ-2-Diabetes ist eine bestimmte Fettverteilung im Körper. Gefährlich ist danach vor allem Körperfett im Unterbauch (unteres Abdomen).

Quelle: Medieninformation Deutsches Zentrum für Diabetesforschung (DZD) e.V. vom 12. Oktober 2021 und eigene Recherche

* Originalpublikation: Dietz et al.: Diabetes detection from whole-body magnetic resonance imaging using deep learning. JCI Insight, DOI: doi.org/10.1172 /jci.insight.146999

Kategorisiert in: , , ,

Dieser Artikel wurde verfasst von admin