MRI całego ciała w prognozowaniu cukrzycy

Cukrzyca typu 2 to globalny problem dotykający około 500 milionów ludzi. Chorobie towarzyszy insulinooporność, w której normalne dawki insuliny nie mogą już osiągnąć wystarczającego efektu w tkance docelowej. Istnieje wiele różnych podejść do wyjaśnienia, jak rozwija się cukrzyca typu 2. Z perspektywy epidemiologicznej otyłość jest jedną z głównych przyczyn. Jednak nie u każdej osoby z nadwagą w ciągu życia rozwija się cukrzyca typu 2. Równocześnie chorują również osoby, które nie mają nadwagi.

Dystrybucja tłuszczu wpływa na ryzyko cukrzycy

Dlatego od dawna podejrzewano, że sama otyłość nie przyczynia się do rozwoju cukrzycy typu 2. Dużo bardziej decydujące może być to, gdzie w organizmie znajduje się tkanka tłuszczowa i jak magazynowany jest nadmiar tłuszczu. Osoby, u których tłuszcz w jamie brzusznej ma tendencję do głębszego gromadzenia się, są bardziej narażone na rozwój cukrzycy typu 2 niż osoby, u których tłuszcz jest przechowywany w nieaktywnych metabolicznie obszarach ciała.

Wpływ na insulinooporność

W praktyce ludzie, którzy gromadzą tłuszcz głównie w podskórnym brzuchu lub udach, mogą mieć ochronne rezerwy trójglicerydów, które raczej utrzymują niż zmniejszają wrażliwość na insulinę. W przeciwieństwie do tego, gdy przedziały tłuszczowe znajdują się blisko tętnic, wydają się odgrywać kluczową rolę w patofizjologii insulinooporności, wydzielania insuliny i prawdopodobnie późniejszych powikłaniach metabolicznych.Na przykład wiadomo, że złogi tłuszczu w pobliżu tętnicy ramiennej są związane z opornością na insulinę i że tkanka tłuszczowa w zatoce nerkowej może sprzyjać nefropatii. Uważa się, że złogi tłuszczu w trzustce są prawdopodobnie odpowiedzialne za uwalnianie mniejszej ilości insuliny.

Oznaczanie rozkładu tłuszczu

Do tej pory jednak trudno było zmierzyć i określić rozkład tłuszczu, który jest bardziej ryzykowny dla osób dotkniętych chorobą. Stosunek obwodu bioder do talii daje niewiele informacji na temat rzeczywistego rozmieszczenia tkanki tłuszczowej. Obrazowanie całego ciała rezonansem magnetycznym (MRI) w ważeniu T1 byłoby bardziej precyzyjne. Ale niosą ze sobą również ryzyko, że brane są pod uwagę tylko niektóre regiony, a obszary, które na pierwszy rzut oka wydają się mniej prawdopodobne, nie są brane pod uwagę. Można to obejść za pomocą systemów wspomaganych komputerowo. Nowe badanie prowadzone przez Benedikta Dietza z ETH w Zurychu w Szwajcarii i Jürgena Machanna z Uniwersytetu Eberhardta-Karlsa w Tybindze zajęło się tym tematem. Praca została opublikowana w JCI Insight.

cel

Skany MRI ważone T1 umożliwiają badanie rozkładu tkanki tłuszczowej w ludzkim ciele. Może to ujawnić nieznane cechy dystrybucji tłuszczu, które mogą przyczynić się do rozwoju cukrzycy typu 2. Celem badania było zbadanie, w jakim stopniu modele uczenia maszynowego mogą dokładnie wykonywać takie analizy.

metodologia

W badaniu wykorzystano skany MRI od uczestników, którzy obecnie przechodzili badanie metaboliczne za pomocą doustnego testu tolerancji glukozy. Większość uczestników nie miała cukrzycy typu 2 w czasie badań MRI, ale miała zwiększone ryzyko (wywiad rodzinny dotyczący cukrzycy typu 2, BMI >27 kg/m² lub rozpoznany stan przedcukrzycowy).Wszyscy uczestnicy pościli podczas badania MRI; badania odbyły się wczesnym rankiem, następnie badanie stanu zdrowia, wywiad i doustny test tolerancji glukozy (OGTT).

Oznaczono objętość całkowitej tkanki tłuszczowej, trzewnej tkanki tłuszczowej i tkanki tłuszczowej kończyn górnych. Przebadano łącznie 2555 skanów całego ciała od 1080 uczestników w ośmiu kategoriach: cztery kategorie binarne: płeć, cukrzyca, stan przedcukrzycowy i cukrzyca ze współistniejącym nieprawidłową glikemią na czczo (IFG) i nieprawidłową tolerancją glukozy (IGT) oraz czterema innymi kategoriami wskaźnik masy ciała (BMI), wrażliwość na insulinę i hemoglobina glikowana. Zbadano również, czy skany MRI różnych obszarów ciała były szczególnie istotne dla odpowiednich kategorii.

Wykorzystując uczenie maszynowe i gęste splotowe sieci neuronowe, w skrócie DCNN, opracowano modele, które zostały przeszkolone w odniesieniu do ośmiu kategorii. Modele te starały się odkryć zmienne w 2371 obrazach T1-zależnych, które mogłyby być związane z cukrzycą. Wyniki porównano z modelami konwencjonalnymi.

Wyniki

W badaniu zbadano, czy MRI można wykorzystać do przewidywania, którzy uczestnicy mają lub mogą zachorować na cukrzycę. Modele początkowo przeszkolone pod kątem cukrzycy i innych kategorii osiągnęły ~99% obszaru pod krzywą operatora odbiornika, w skrócie AUROC, dla przypisania płci. Dla kategorii cukrzycy wyniki wynosiły ~85% dla cukrzycy i ~70% dla stanu przedcukrzycowego i innych kategorii cukrzycy. Oba były lepsze od konwencjonalnych modeli. Ogólnie AUROC dla cukrzycy wyniósł 0,87.

Średnie bezwzględne błędy regresji były również porównywalne między modelami a badaniami konwencjonalnymi: znormalizowany średni błąd bezwzględny (MAE) dla wieku wynosił 0,17 i był równoważny średniemu błędowi ±10 lat. Dla BMI wynosił 0,07 z błędem średnim ±2 kg/m² i 0,13 dla HbA1c z błędem średnim ±0,4%. Błąd wrażliwości na insulinę wynoszący 0,26 korelował ze średnim błędem ±10,2 AU, a zatem miał najniższy wynik regresji dla zmiennych wyników ciągłych.

Analiza wrażliwości z różnymi modelami

Różne obrazy lub sekcje obrazów były istotne dla różnych kategorii. Mniejsze obrazy również wystarczały do ​​wykrycia płci. Jednak to nie zadziałało w kategorii cukrzycy lub stanu przedcukrzycowego – gdzie wyniki AUROC były niższe. Obrazy czysto brzuszne miały tylko niewielki wpływ na rozpoznanie cukrzycy, ale nie miały żadnego wpływu w kategorii cukrzycy z IFG+IGT. Jednak gdy te same modele przeprowadzono tylko przy pierwszym skanowaniu odpowiednich uczestników, osiągnęły również niższe wartości AUROC dla cukrzycy i stanu przedcukrzycowego, ale pozostały precyzyjne diagnostycznie w rozszerzonych kategoriach cukrzycy w porównaniu z pierwotnym zestawem danych.

mapy ciepła

Mapy cieplne wskazywały, że dolne rejony brzucha były szczególnie krytyczne: były one związane nie tylko ze wzrostem kategorii cukrzycy (89%) i dlatego były bardziej odpowiednie dla modeli umożliwiających wykrywanie cukrzycy. W kategorii cukrzycy z IFG + IGT był on również znacznie wyższy, z zaznaczeniem 84% - niezależnie od tego, jak ważny był region dla poszczególnych uczestników. W przypadku stanu przedcukrzycowego liczba ta wynosiła 69%. Regiony górnej części nóg (66%), ramiona (51%) i okolice szyi (51%) również zostały wykryte jako istotne.Aby określić płeć, górny obszar klatki piersiowej, w tym piersi, został wyróżniony jako jeden z głównych regionów z 73%. Wartości odpowiednio 67% i 61% stwierdzono dla rąk i nóg. W mapach cieplnych regiony górnej części nóg były ważne dla BMI z 64%, dla wrażliwości na insulinę te same regiony z 70%.

Po dalszym podziale za pomocą grupowania można było nawet określić podfenotypy cukrzycy i stanu przedcukrzycowego. Te klastry były w stanie statystycznie istotnie przewidzieć przyszłą cukrzycę (N=586 z danymi z obserwacji, średni czas obserwacji 4±3,7 lat, liczba zdarzeń=48, p<0,0001), jak również pojawiającą się mikroalbuminurię (N=550). z danymi z obserwacji, średni czas obserwacji 4,3±3,6 roku, liczba zdarzeń=95, p=0,004). Zmienne antropometryczne wykazywały tu różny stopień wpływu, ale były powiązane w skupieniu ze statystycznie istotnie zwiększonym ryzykiem cukrzycy i mikroalbuminurii (p=0,01 ip=0,03).

Wniosek

Skany MRI całego ciała mogą pomóc w lepszej ocenie ryzyka cukrzycy i identyfikacji cukrzycy bez dodatkowych danych. Wymaga to najnowocześniejszych modeli statystycznych przedziałów tkanki tłuszczowej. Jednak nie każdy region tkanki tłuszczowej niesie to samo ryzyko – adipocyty trzewne w różny sposób wpływają na metabolizm w zależności od regionu. Autorzy badania stwierdzają, że tkanka tłuszczowa w okolicy szyi może być bardziej powiązana z insulinoopornością, podczas gdy górna część nóg jest szczególnie istotna dla wrażliwości na insulinę. Z drugiej strony cechy w głębszej dolnej części brzucha są szczególnie związane z cukrzycą, ale nie z wrażliwością na insulinę.

Wizualizacje map ciepła mogą również pomóc w odkryciu anatomicznie podejrzanych regionów i wyjaśnieniu roli złogów tłuszczu w podbrzuszu w patogenezie cukrzycy.

Zespół badawczy doszedł do wniosku, że uczenie maszynowe może zatem pomóc w klasyfikowaniu cukrzycy na podstawie skanów MRI całego ciała. W przyszłości badania mogą koncentrować się głównie na rezonansie magnetycznym jamy brzusznej, ponieważ regiony te okazały się szczególnie istotne w badaniu.

!-- GDPR -->