Helkropps-MR for diabetesprognose

Type 2 diabetes mellitus er et globalt problem som rammer rundt 500 millioner mennesker. Sykdommen er ledsaget av insulinresistens, hvor normale doser insulin ikke lenger kan oppnå tilstrekkelig effekt i målvevet. Det finnes mange forskjellige tilnærminger til å forklare hvordan diabetes type 2 utvikler seg. Fra et epidemiologisk perspektiv er fedme en av de viktigste driverne. Men ikke alle overvektige utvikler diabetes mellitus type 2 i løpet av livet.Samtidig blir personer som ikke er overvektige også syke.

Fettfordeling påvirker diabetesrisikoen

Det har derfor lenge vært mistanke om at fedme i seg selv ikke bidrar til utvikling av type 2 diabetes. Mye mer avgjørende kan være hvor i kroppen fettvevet er og hvordan overflødig fett lagres. Personer som har en tendens til å samle seg dypere i magen, har større risiko for å utvikle type 2 diabetes mellitus enn de som har fettet lagret i metabolsk inaktive områder av kroppen.

Påvirkning på insulinresistens

I praksis kan personer som lagrer fett primært i den subkutane magen eller lårene ha beskyttende triglyseridreserver som opprettholder snarere enn reduserer insulinfølsomheten. I kontrast, når fettrom er nær arterier, ser de ut til å spille en kritisk rolle i patofysiologien til insulinresistens, insulinsekresjon og muligens påfølgende metabolske komplikasjoner.For eksempel er det kjent at fettavleiringer nær arterien brachialis er assosiert med insulinresistens og at fettvev i nyresinus kan fremme nefropati. Fettavleiringer i bukspyttkjertelen anses å være mulig ansvarlig for at det frigjøres mindre insulin.

Bestemmelse av fettfordeling

Så langt har det imidlertid vært vanskelig å måle og fastslå fettfordelinger som er mer risikofylte for de som er rammet. Forholdet mellom hofte- og midjeomkrets gir liten indikasjon på hvordan kroppsfett faktisk er fordelt. Helkroppsmagnetisk resonansavbildning (MRI) bilder i T1-vekting vil være mer presise. Men de har også en risiko for at kun enkelte regioner vurderes og områder som virker mindre sannsynlige ved første øyekast ikke tas i betraktning. Dette kan muligens omgås av datastøttede systemer. En ny studie ledet av Benedikt Dietz fra ETH i Zürich, Sveits, og Jürgen Machann fra Eberhardt-Karls University i Tübingen har nå tatt opp dette temaet. Arbeidet ble publisert i JCI Insight.

objektiv

T1-veide MR-skanninger lar deg studere hvordan kroppsfett fordeler seg i menneskekroppen. Dette kan avsløre ukjente egenskaper for fettfordeling som kan bidra til utvikling av type 2 diabetes. Målet med studien var å undersøke i hvilken grad maskinlæringsmodeller kan utføre slike analyser nøyaktig.

metodikk

Studien brukte MR-skanning fra deltakere som for tiden gjennomgikk metabolsk screening ved bruk av en oral glukosetoleransetest. De fleste deltakerne hadde ikke diabetes mellitus type 2 på tidspunktet for MR-undersøkelsene, men hadde økt risiko (familiehistorie med diabetes type 2, BMI >27 kg/m² eller kjent pre-diabetes).Alle deltakerne fastet under MR-skanningen; undersøkelsene fant sted tidlig om morgenen, etterfulgt av helseundersøkelse, sykehistorie og oral glukosetoleransetest (OGTT).

Volumet av totalt fettvev, visceralt fettvev og fettvev i øvre ekstremiteter ble kvantifisert. Totalt 2 555 helkroppsskanninger fra 1 080 deltakere ble undersøkt basert på åtte kategorier: de fire binære kategoriene kjønn, diabetes, prediabetes og diabetes med samtidig svekket fastende blodsukker (IFG) og svekket glukosetoleranse (IGT) og fire andre kategorier med kroppsmasseindeks (BMI), insulinfølsomhet og glykert hemoglobin. Det ble også undersøkt om MR-undersøkelser av de ulike kroppsregionene var spesielt relevante for de respektive kategoriene.

Ved å bruke maskinlæring og tette konvolusjonelle nevrale nettverk, DCNN for kort, ble det utviklet modeller som ble trent med hensyn til de åtte kategoriene. Disse modellene forsøkte å oppdage variabler i de 2 371 T1-vektede bildene som kan være assosiert med diabetes. Resultatene ble sammenlignet med konvensjonelle modeller.

Resultater

Studien undersøkte om MR kan brukes til å forutsi hvilke deltakere som har eller sannsynligvis vil utvikle diabetes. Modellene som opprinnelig ble trent for diabetes og de andre kategoriene oppnådde ~99 % Area Under the Receiver Operator Curve, forkortet AUROC, for kjønnsbestemmelse. For diabeteskategoriene var skårene ~85 % for diabetes og ~70 % for prediabetes og de andre diabeteskategoriene. Begge var overlegne konvensjonelle modeller. Totalt sett var AUROC for diabetes 0,87.

De gjennomsnittlige absolutte regresjonsfeilene var også sammenlignbare mellom modellene og konvensjonelle studier: den normaliserte gjennomsnittlige absolutte feilen (MAE) for alder var 0,17 og var ekvivalent med ±10 års gjennomsnittsfeil. For BMI var den 0,07 med en gjennomsnittlig feil på ±2 kg/m² og 0,13 for HbA1c med en gjennomsnittlig feil på ±0,4%. Insulinsensitivitetsfeilen på 0,26 korrelerte med en gjennomsnittlig feil på ±10,2 AU og hadde dermed den laveste regresjonsytelsen for de kontinuerlige utfallsvariablene.

Sensitivitetsanalyse med ulike modeller

Ulike bilder eller bildeutsnitt var relevante for de ulike kategoriene. Mindre bilder var også tilstrekkelig for å oppdage kjønn. Dette fungerte imidlertid ikke for kategorien diabetes eller prediabetes - der AUROC-skårene var lavere. Rent abdominale bilder hadde kun en liten påvirkning på diagnosen diabetes, men ingen i det hele tatt i kategorien diabetes med IFG+IGT. Men når de samme modellene ble kjørt kun med den første skanningen av de respektive deltakerne, oppnådde de også lavere AUROC-verdier for diabetes og prediabetes, men forble diagnostisk presise i de utvidede diabeteskategoriene sammenlignet med det originale datasettet.

varmekart

Varmekartene indikerte at de nedre abdominalområdene var spesielt kritiske: de var ikke bare assosiert med en økning i diabeteskategorien (89 %) og var derfor mer relevante for modellene for å kunne oppdage diabetes. I diabeteskategorien med IFG+IGT var den også signifikant høyere med 84 % fremhevet – uavhengig av hvor fremtredende regionen var for de respektive deltakerne. For prediabetes var tallet 69 %. De øvre benregionene (66 %), armene (51 %) og nakkeregionen (51 %) ble også påvist som relevante.For å bestemme kjønn ble den øvre thoraxregionen, inkludert brystene, fremhevet som en av hovedregionene med 73 %. Verdier på henholdsvis 67 % og 61 % ble funnet for armer og ben. I varmekartene var de øvre benområdene viktige for BMI med 64 %, for insulinfølsomheten de samme regionene med 70 %.

Ved ytterligere underinndeling ved bruk av clustering, kan subfenotyper for diabetes og prediabetes til og med bestemmes. Disse klyngene var i stand til å statistisk signifikant forutsi fremtidig diabetes (N=586 med oppfølgingsdata, gjennomsnittlig oppfølgingstid 4±3,7 år, antall hendelser=48, p<0,0001), samt fremvoksende mikroalbuminuri (N=550 med oppfølgingsdata, gjennomsnittlig oppfølgingstid 4,3±3,6 år, antall hendelser=95, p=0,004). Antropometriske variabler viste varierende grad av effekter her, men var assosiert i en klynge med statistisk signifikant økt risiko for diabetes og mikroalbuminuri (p=0,01 og p=0,03).

Konklusjon

Helkropps-MR-skanninger kan bidra til å bedre vurdere risikoen for diabetes og identifisere diabetes uten tilleggsdata. Dette krever state-of-the-art statistiske modeller av kroppsfettrom. Imidlertid har ikke alle regioner av fettvev samme risiko - viscerale adipocytter påvirker metabolismen forskjellig avhengig av regionen. Fettvev i nakkeregionen, konkluderer studieforfatterne, kan være mer assosiert med insulinresistens, mens de øvre benområdene er spesielt relevante for insulinfølsomhet. Kjennetegn i den dypere nedre del av magen er derimot spesielt assosiert med diabetes, men ikke med insulinfølsomhet.

Varmekartvisualiseringer kan også bidra til å avdekke anatomisk mistenkte regioner og klargjøre rollen til fettavleiringer i nedre del av magen i patogenesen av diabetes.

Forskerteamet konkluderer med at maskinlæring derfor kan bidra til å klassifisere diabetes fra MR-skanninger av hele kroppen. Fokus for fremtidige studier kan hovedsakelig være på abdominal MR, siden disse regionene viste seg å være spesielt relevante i studien.

!-- GDPR -->