Die Verteilung von Fett und Muskelgewebe im Körper gibt Aufschluss über den Gesundheitszustand von alten und chronisch kranken Menschen. Der Arzt hat damit eine bessere Basis für die Wahl der angemessenen Therapie. Radiologen des Instituts für diagnostische und interventionelle Radiologie des USZ und eine Arbeitsgruppe des Computer Vision Lab der ETH Zürich kombinieren dafür MRT und KI.
Mit dem Alter nehmen Muskelmasse und Muskelkraft ab. Die Sarkopenie sowie die Zunahme von intra- oder intermuskulärem Fettgewebe (Myosteatose) sind wichtige prognostische Faktoren in der Geriatrie wie auch bei Patientinnen und Patienten mit chronischen Erkrankungen. Erhöhtes Muskelfett und Fettleibigkeit stehen in Zusammenhang mit einem grösseren Risiko für Insulinresistenz und Typ-2-Diabetes, für Herz-Kreislauf-Erkrankungen und mit einem schlechteren Überleben von Krebspatienten. „Entscheidend ist die Körperzusammensetzung“, sagt PD Dr. Roman Guggenberger vom Institut für diagnostische und interventionelle Radiologie.
Aufschlüsse über das Verhältnis von Muskeln zu Fett und deren Verteilung im Körper liefert das Body Composition Profiling (BCP). Der Goldstandard für das BCP ist die DEXA (Dual X-ray-Absorptiometrie); diese verwendet jedoch Röntgenstrahlung und ergibt keine genauen Angaben zur regionalen Verteilung. Die Magnetresonanztomografie (MRT) generiert gänzlich ohne ionisierende Strahlung in nur wenigen Minuten hochauflösende, millimetergenaue Schichtbilder des gesamten Körpers und kann über Frequenzinformationen aus dem Echo Fett und Wasser unterscheiden. „Damit kann man sogar den Fettgehalt von mikroskopisch kleinen Fettablagerungen, beispielsweise in der Leber quantifizieren“, so Guggenberger. Detaillierte Informationen über subkutanes oder viszerales Fett, Fettansammlungen in der Leber und in der Skelettmuskulatur sowie das Muskelvolumen verschiedener Regionen helfen, Patienten mit einem Risiko für Sarkopenie besser zu identifizieren und entsprechende therapeutische Massnahmen wie eine andere Ernährung oder körperliche Aktivierung einzuleiten. Auch lassen sich die Überlebenschancen von Patienten mit fortgeschrittenen chronischen Erkrankungen wie Krebs besser ermitteln, was ebenfalls Einfluss auf die Therapieentscheidungen hat.
Die Analyse durch den Fachmann ist zeitintensiv
Der Nachteil der Ganzkörper-MRT-Technik, die Dr. Guggenberger und Kollegen etwa an Rheumapatienten mit Mypopathie gut erforscht haben, ist, dass sie hohe Fachkenntnis erfordert und sehr zeitintensiv ist, weil „Schicht für Schicht den Strukturen im Körper zugeordnet werden müssen“. Der hohe Aufwand erschwert die breitere Anwendung dieser Technik. Daher hat die Arbeitsgruppe von Prof. Ender Konukoglu vom Computer Vision Lab der ETH Zürich ein auf künstlicher Intelligenz (KI) basierendes Software-Segmentierungs-Tool erstellt, das schnelle und genaue Daten zu den im MRT dargestellten Volumensegmenten liefert. Guggenberger und Team haben den dafür entwickelten Algorithmus bereits an verschiedenen Geweben überprüft. Beim subkutanen Fett erbringen KI und Analyse durch den Fachmann bereits jetzt vergleichbare Ergebnisse. „Beim viszeralen Fett und verschiedenen Muskeln arbeiten wir noch an Optimierungen“, sagt Guggenberger.
Ist das Verfahren, das derzeit noch erforscht wird, etabliert, könnte damit der Zusammenhang zwischen BCP und klinischen Endpunkten beispielsweise bei Krebspatienten an grossen Kohorten genauer untersucht werden. In einem zweiten Schritt ist geplant, den Algorithmus von MRT- auf CT-Bilder zu übertragen und damit retrospektive Analysen von CT-Bildern aus dem umfangreichen USZ-Archiv durchzuführen. Damit liessen sich dann die BCP-Parameter für exaktere Prognosen bei verschiedenen Erkrankungen noch genauer bestimmen.