Deep Learning zur Schätzung des biologischen Alters anhand von Ganzkörper-MRTs und Untersuchung dessen Assoziation mit Gebrechlichkeit und langfristiger Sterblichkeit

• Antragsteller: Dr. Matthias Jung
• Fachliche Zuordnung: Radiologie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 518480401

Zielsetzung: Ziel der geplanten Studie ist zu evaluieren, ob Deep Learning-basierte Schätzungen des biologischen Alters auf Grundlage von 3D-Segmentierungen der Körperkonstitution (engl. body composition, BC) anhand von Ganzkörper-MRTs (BC-Altersmodell), Gebrechlichkeit und die Gesamtmortalität unabhängig vom chronologischen Alter vorhersagen können. Hintergrund: Europas Bevölkerung wird älter. Das von der WHO definierte Konzept des gesunden Alterns gewinnt an Bedeutung. Im Gegensatz zum gesunden Altern ist Gebrechlichkeit ein Zustand erhöhter Anfälligkeit für Stressoren, der das Risiko für gesundheitliche Beeinträchtigungen wie Stürze, Krankenhausaufenthalte und den Tod erhöht. Gebrechlichkeit steht in engem Zusammenhang mit der BC einer Person und spiegelt eher das biologische als das chronologische Alter wider. Eine nicht-invasive und opportunistische Messung des biologischen Alters könnte die personalisierte Medizin und das Management von Gebrechlichkeit verbessern. Ob Deep Learning (DL) biologisches Alter auf der Grundlage von 3D-Segmentierungen von Muskel- und Fettkompartimenten aus Ganzkörper-MRTs schätzen kann, ist bisher nicht untersucht worden. Methoden: Das BC-Altersmodell wird auf 30.000 Ganzkörper-MRTs der Nationalkohorte (NAKO) entwickelt. Das DL-Modell wird 3D-BC-Segmentierungsmasken als Input verwenden und eine Schätzung des chronologischen Alters ausgeben (es wird angenommen, dass bei der asymptomatischen NAKO das chronologische dem biologischen Alter entspricht). Das entwickelte BC-Altersmodell wird in der UK Biobank (n= 55.345) unabhängig auf die Vorhersagekraft des primären Outcomes Gebrechlichkeit und des sekundären Outcomes Gesamtmortalität getestet. Vorarbeiten: Als Vorarbeit für das geplante Projekt haben wir n=200 Ganzkörper-MRTs aus der NAKO verwendet, um einen Patch-basierten Stapel von convolutional neural networks (CNNs) für die automatische Quantifizierung der 3D-BC zu entwickeln, die wie folgt definiert wurde: subkutanes Fett (SAT), viszerales Fett (VAT), intramuskuläres Fett (IMAT) und die Muskulatur. Die Performance des 3D-CNN wurde an unabhängigen internen und externen Datensätzen validiert, die zu keinem Zeitpunkt während des Modeltrainings gesehen wurden. Die vom 3D-CNN vorgenommenen Segmentierungen ergaben durchschnittliche Dice-Scores von ≥0.96 auf dem unabhängigen internen Validierungssatz (NAKO, n=50) und ≥ 0.95 auf der externen Validierungsgruppe (UK Biobank, n=50) für SAT, VAT, IMAT und für die Muskulatur. Relevanz: Auf BC basierende Schätzungen des biologischen Alters könnten als neues Maß zur Identifizierung von Risikopersonen in der Gerontowissenschaft und als ein opportunistischer Bildgebungsmarker zur (frühen) Identifikation von Gebrechlichkeit in der klinischen Routine dienen.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeber: Professor Dr. Michael Lu