Künstliche Intelligenz (KI) kann offenbar die Sterbewahrscheinlichkeit eines Menschen vorhersagen: Ein Forscherteam um Dr. Matthias Jung von der Universität Freiburg entwickelte mithilfe des sogenannten tiefen Lernens (Deep Learning) einen Algorithmus, der anhand von Ganzkörper-MRT-Aufnahmen dreidimensional die Körperzusammensetzung analysiert und daraus das Mortalitätsrisiko berechnet. Die Muskel- und Fettverteilung im Körper hat eine große prognostische Relevanz. Hierzu müssen allerdings einzelne MRT-Querschnitte in Höhe des dritten Lendenwirbels aufwendig manuell ausgewertet werden – ein für die klinische Routine unpraktikables Vorgehen. 

Daten von rund 60.000 Personen ausgewertet

Das von den Forschenden vorgestellte KI-basierte Modell analysiert dagegen vollständig automatisiert das gesamte Körpervolumen und quantifiziert dabei die subkutanen und viszeralen Fettdepots, die Skelettmuskulatur und deren Fettgehalt sowie das intramuskuläre Fettgewebe. Das Deep-Learning-Framework entwickelte Dr. Jung mit seinen Kolleginnen und Kollegen anhand der Daten von mehr als 36.000 Teilnehmenden der UK Biobank-Studie. Seine prognostische Leistungsfähigkeit bestätigten sie anschließend an Daten von knapp 24.000 Teilnehmenden der deutschen NAKO Gesundheitsstudie.

Unabhängig von demografischen und kardiometabolischen Risikofaktoren wie Alkoholkonsum, Rauchen, Hypertonie, Diabetes, Myokardinfarkt, Krebsleiden und Laborparametern bestand ein signifikanter Zusammenhang zwischen dem Volumen verschiedener Gewebetypen und dem Sterberisiko. Das Volumen der Skelettmuskulatur korrelierte mit einer geringeren, das Volumen der Skelettmuskulatur-Fettfraktion und das des intramuskulären Fettgewebes dagegen mit einer höheren Mortalität. Zum Vergleich: Die im Zuge manueller Einzelschichtanalysen gewonnenen Parameter korrelierten zwar eng mit den KI-basierten Daten, ihr Zusammenhang mit der Mortalität war allerdings deutlich schwächer.

Die Forschenden bescheinigen der KI-basierten automatisierten volumetrischen Körperzusammensetzungsanalyse ein großes klinisches Potenzial. Sie erlaube eine personalisierte Risikovorhersage und ermögliche auf diese Weise gezielte Präventionsmaßnahmen.

Quelle: Jung M et al. eBioMedicine 2024; 110: 105467; DOI: 10.1016/j.ebiom.2024.105467