Sztuczna inteligencja może zmienić sposób oceny ryzyka chorób układu krążenia i chorób metabolicznych. Naukowcy wykorzystali algorytmy głębokiego uczenia do analizy rezonansu magnetycznego całego ciała u ponad 66 tysięcy osób, tworząc najbardziej szczegółową dotąd mapę składu ciała człowieka. Wyniki badania opublikowanego w czasopiśmie „Radiology” pokazują, że nie tylko ilość tłuszczu trzewnego, ale również jakość mięśni szkieletowych i rozmieszczenie tkanki tłuszczowej mogą być silnymi predyktorami cukrzycy, incydentów sercowo-naczyniowych oraz śmiertelności.
Z tego artykułu dowiesz się…
- dlaczego BMI może nie odzwierciedlać rzeczywistego ryzyka zdrowotnego
- w jaki sposób AI analizuje skład ciała na podstawie rezonansu magnetycznego
- jakie znaczenie prognostyczne mają tłuszcz śródmięśniowy i jakość mięśni
- jak nowe narzędzie może wpłynąć na diagnostykę chorób metabolicznych i onkologicznych
BMI może nie wystarczać do oceny ryzyka zdrowotnego
Od dekad wskaźnik masy ciała (BMI) pozostaje jednym z podstawowych parametrów wykorzystywanych do oceny ryzyka metabolicznego i sercowo-naczyniowego. Problem polega jednak na tym, że BMI nie pokazuje rzeczywistego składu ciała. Parametr ten:
- nie rozróżnia tkanki tłuszczowej od mięśniowej,
- nie uwzględnia jakości mięśni,
- nie pokazuje rozmieszczenia tkanki tłuszczowej,
- nie odzwierciedla zmian związanych z wiekiem.
Starszy autor badania, dr Jakob Weiss z Uniwersyteckiego Centrum Medycznego we Fryburgu, podkreślił:
Wiele ocen ryzyka i decyzji terapeutycznych nadal opiera się na BMI lub obwodzie talii, ponieważ są one łatwe do uzyskania. Jednocześnie zaznaczył: jednak BMI nie odzwierciedla wiarygodnie rzeczywistego składu ciała danej osoby.
AI przeanalizowała ponad 66 tysięcy badań MRI całego ciała
Badanie objęło 66 608 uczestników z baz:
- UK Biobank,
- German National Cohort.
Średni wiek badanych wynosił 57,7 lat, a średnie BMI 26,2. Analizowano dane zebrane między kwietniem 2014 a majem 2022 roku.
Naukowcy wykorzystali:
- rezonans magnetyczny całego ciała,
- w pełni zautomatyzowany system deep learning,
- modele AI typu open source.
Algorytmy analizowały:
- podskórną tkankę tłuszczową,
- tłuszcz trzewny,
- mięśnie szkieletowe,
- tłuszcz śródmięśniowy,
- frakcję tłuszczu mięśniowego.
Dane zostały przeliczone na tzw. wartości z-score, które uwzględniały:
- wiek,
- płeć,
- wzrost.
Pozwoliło to stworzyć referencyjne normy składu ciała dla różnych grup populacyjnych.
Jakość mięśni okazuje się kluczowym biomarkerem zdrowia
Jednym z najważniejszych wniosków badania było wykazanie, że jakość mięśni szkieletowych może być równie ważna jak ilość tkanki tłuszczowej. Naukowcy stwierdzili, że:
- wysoki poziom tłuszczu trzewnego zwiększał ryzyko cukrzycy 2,26-krotnie,
- wysoki poziom tłuszczu śródmięśniowego zwiększał ryzyko poważnych zdarzeń sercowo-naczyniowych 1,54-krotnie,
- niski poziom mięśni szkieletowych wiązał się z 1,44-krotnie wyższą śmiertelnością.
Co istotne, zależności te utrzymywały się niezależnie od klasycznych czynników ryzyka kardiometabolicznego. Pierwszy autor badania, dr Matthias Jung, wyjaśnił:
Ważna jest nie tylko ilość posiadanej masy mięśniowej, ale także jej jakość. Dodał również: znajomość objętości tkanki tłuszczowej śródmięśniowej daje nam wgląd w jakość mięśni, czego nie są w stanie zapewnić inne metody, takie jak BMI, analiza impedancji bioelektrycznej czy DEXA.
MRI i AI ujawniają „ukrytą warstwę danych”
Zdaniem autorów badania ogromna ilość danych dotyczących składu ciała już dziś znajduje się w rutynowo wykonywanych badaniach obrazowych. Problem polega na tym, że dane te zazwyczaj nie są analizowane ilościowo. Dr Weiss podkreślił:
Już codziennie wykonujemy badania obrazowe pacjentów. Następnie dodał: w każdym skanie jamy brzusznej lub klatki piersiowej informacja jest dostępna, po prostu nie mierzymy jej rutynowo ani nie raportujemy. Sztuczna inteligencja pozwala nam teraz wykorzystać tę ukrytą warstwę danych w ilościowy i powtarzalny sposób.
To oznacza, że przyszłościowo AI mogłaby automatycznie analizować istniejące badania TK i MRI bez konieczności wykonywania dodatkowych procedur diagnostycznych.
Powstaje nowy model spersonalizowanej oceny ryzyka
Badacze stworzyli internetowy kalkulator z-score składu ciała, który umożliwia porównanie parametrów pacjenta z normami uwzględniającymi:
- wiek,
- płeć,
- wzrost.
Zdaniem naukowców takie podejście może poprawić:
- precyzję badań przesiewowych,
- indywidualizację terapii,
- ocenę ryzyka metabolicznego,
- monitorowanie efektów leczenia.
Dr Weiss wyjaśnił:
To narzędzie ma potencjał, aby określić, czy skład ciała danej osoby naraża ją na większe ryzyko chorób metabolicznych w porównaniu z rówieśnikami w tym samym wieku.
Możliwe zastosowania w onkologii i leczeniu otyłości
Autorzy badania podkreślają, że narzędzie może znaleźć zastosowanie również poza diabetologią i kardiologią. AI może pomóc między innymi:
- w onkologii,
- podczas terapii lekami GLP-1,
- w ocenie sarkopenii,
- w przewidywaniu toksyczności leczenia.
Szczególnie istotne może być rozróżnienie:
- korzystnej utraty tkanki tłuszczowej,
- niepożądanej utraty mięśni.
To ważne w kontekście gwałtownego wzrostu stosowania leków takich jak:
- semaglutyd,
- tirzepatyd,
- inne agonisty GLP-1.
Kolejny krok: walidacja kliniczna i normy specyficzne dla chorób
Naukowcy planują obecnie:
- walidację modeli w populacjach klinicznych,
- opracowanie norm dla konkretnych chorób,
- ocenę wpływu parametrów składu ciała na przeżycie i nawroty nowotworów.
Szczególny nacisk ma zostać położony na pacjentów onkologicznych, u których skład ciała może silnie wpływać na skuteczność terapii i tolerancję leczenia.
AI może zmienić sposób interpretacji badań obrazowych
Rozwój algorytmów deep learning sprawia, że klasyczne badania obrazowe przestają być wyłącznie narzędziem diagnostycznym służącym do wykrywania zmian anatomicznych. Coraz częściej stają się źródłem złożonych danych prognostycznych i metabolicznych. Nowe badanie sugeruje, że w przyszłości:
- radiologia może stać się bardziej predykcyjna,
- skład ciała będzie analizowany automatycznie,
- AI pomoże identyfikować osoby wysokiego ryzyka jeszcze przed wystąpieniem objawów choroby.
Główne wnioski
- Algorytm AI przeanalizował skany MRI całego ciała ponad 66 000 osób, tworząc referencyjne mapy składu ciała.
- Wysoki poziom tłuszczu trzewnego wiązał się z 2,26-krotnie większym ryzykiem rozwoju cukrzycy.
- Niska masa mięśni szkieletowych zwiększała ryzyko śmiertelności o 44%, niezależnie od innych czynników kardiometabolicznych.
- Naukowcy podkreślają, że jakość mięśni może być ważniejszym biomarkerem zdrowia niż sam wskaźnik BMI.
Źródło:
- https://www.rsna.org/news/2026/may/ai-analyzes-whole-body-mri
- https://pubs.rsna.org/doi/10.1148/radiol.251939
