A testösszetétel profilozása AI-val - Zürichi Egyetemi Kórház
Az izomtömeg és az erő az életkor előrehaladtával csökken. A szarkopenia és az intra- vagy intermuscularis zsírszövet növekedése (myosteatosis) fontos prognosztikai tényező a geriátria területén, valamint a krónikus betegségekben szenvedő betegeknél. A megnövekedett izomzsír és elhízás az inzulinrezisztencia és a 2-es típusú cukorbetegség, a szív- és érrendszeri betegségek nagyobb kockázatával és a rákos betegek rosszabb túlélésével jár. "A testösszetétel döntő jelentőségű" - mondja PD dr. Roman Guggenberger, a Diagnosztikai és Intervenciós Radiológiai Intézet munkatársa.
A testösszetétel-profilalkotás (BCP) információt nyújt az izmok és a zsír arányáról és azok testben való eloszlásáról. A BCP aranystandardja a DEXA (kettős röntgenabszorpciós módszer); ez azonban röntgensugarakat használ, és nem nyújt pontos információt a regionális megoszlásról. A mágneses rezonancia tomográfia (MRT) nagy felbontású, milliméter pontosságú szeletképeket generál az egész testről néhány perc alatt, ionizáló sugárzás nélkül, és az echo frekvenciainformációinak felhasználásával meg tudja különböztetni a zsírt és a vizet. "Ez akár a mikroszkopikus zsírlerakódások zsírtartalmának számszerűsítésére is használható, például a májban" - mondja Guggenberger. A szubkután vagy zsigeri zsírról, a máj és a vázizmok zsírfelhalmozódásáról, valamint a különböző régiók izomtérfogatáról szóló részletes információk segítenek jobban azonosítani a szarkopénia kockázatának kitett betegeket, és megfelelő terápiás intézkedéseket kezdeményezhetnek, például más étrendet vagy fizikai aktiválást. Az előrehaladott krónikus betegségekben, például rákban szenvedő betegek túlélési esélyeit szintén jobban meg lehet határozni, ami szintén befolyásolja a terápiás döntéseket.
A szakértő elemzése időigényes
Az egész testet érintő MRI technika hátránya, hogy dr. Guggenberger és munkatársai jól vizsgálták például a myypopathiás reumás betegeket, mivel magas szintű szakismeretet igényel és nagyon időigényes, mert "a testben lévő struktúrákat rétegenként kell kijelölni". A magas kiadások megnehezítik e technológia szélesebb körű alkalmazását. Emiatt Ender Konukoglu professzor munkacsoportja, az ETH Zürich Computer Vision Lab munkatársa létrehozott egy mesterséges intelligencia (AI) alapú szoftver szegmentálási eszközt, amely gyors és pontos adatokat szolgáltat az MRI-ben megjelenített kötetszegmensekről. Guggenberger és csapata már ellenőrizte az erre kifejlesztett algoritmust különböző szöveteken. A szubkután zsír esetében az AI és a szakember által végzett elemzés már összehasonlítható eredményeket hoz. "Továbbra is a zsigeri zsír és a különböző izmok optimalizálásán dolgozunk" - mondja Guggenberger.
Amint a jelenleg kutatott módszer létrejön, a BCP és a klinikai végpontok kapcsolatát, például rákos betegeknél, alaposabban meg lehet vizsgálni nagy kohorszokban. Második lépésben tervezik az algoritmus átadását az MRT-ről a CT-képekre, és így a kiterjedt USZ-archívumból a CT-képek retrospektív elemzését. Ily módon még pontosabban meghatározhatók a BCP paraméterei a különböző betegségek pontosabb prognózisaihoz.
PD Dr. med. univ.Roman Guggenberger
Főorvos