Körperzusammensetzungsanalyse mittels Ganzkörper-MRT und Deep Learning in zwei Kohortenstudien mit 50.000 Teilnehmern

Zielsetzung Diese Studie untersucht den Zusammenhang zwischen detaillierter Körperzusammensetzung, dem kardiometabolischen Risiko und dem Auftreten verschiedener Erkrankungen mithilfe von Ganzkörper-MRT-Daten.

Material und Methoden Es wurden Ganzkörper-MRT-Daten von 30.000 Teilnehmern der Deutschen Nationalen Kohorte (NAKO) und 20.000 Teilnehmern der UK Biobank analysiert. Mithilfe Deep Learning-basierter Segmentierung wurden drei Fettkompartimente – abdominelles subkutanes Fettgewebe (ASAT), gluteofemorales Fettgewebe (GFAT), viszerales Fettgewebe (VAT) – sowie die Leberfett-Fraktion (LFF) und Skelettmuskelmasse (SMM) quantifiziert. Logistische Regressionsanalysen wurden durchgeführt, um den Zusammenhang zwischen den Parametern (adjustiert für Alter, Geschlecht, Größe und BMI) und dem Auftreten von Hypertonie, Typ-2-Diabetes, Hyperlipidämie, Gicht, Herzinsuffizienz und Osteoporose zu untersuchen.

Ergebnisse VAT und LFF waren höher im Alter und bei Männern. Ein höheres Bildungsniveau, Einkommen und körperliche Aktivität waren mit geringeren Werten für SAT, VAT und LFF assoziiert. Vermehrtes VAT war unabhängig vom BMI mit einem signifikant erhöhten Risiko für alle untersuchten Erkrankungen assoziiert. Mit zunehmender LFF zeigte sich ein höheres Risiko für Hypertonie, Diabetes, Hyperlipidämie und Gicht. ASAT hatte neben einem geringen positiven Zusammenhang mit Hypertonie und Hyperlipidämie einen vorwiegend neutralen Effekt. GFAT wiederum war mit einem geringeren Risiko für Hypertonie, Diabetes und Hyperlipidämie assoziiert. Höhere SMM war mit einem geringeren Risiko für Diabetes und Herzinsuffizienz verbunden.

Schlussfolgerungen Die Verteilung von Fettgewebe, insbesondere die Menge an VAT und GFAT, spielt eine wichtige Rolle bei der Beurteilung des kardiometabolischen Risikos. Die Deep Learning-basierte Segmentierung von Ganzkörper-MRT-Bildern ermöglicht eine präzise Körperzusammensetzungsanalyse und kann zur Identifizierung von Risikofaktoren in der Bevölkerung und zur Entwicklung präventiver Strategien beitragen.

Publication History

Article published online:
25 March 2025