Deep learning zur Alters-Abschätzung basierend auf bildgebenden Verfahren des Thorax

• Antragsteller: Professor Dr. Shadi Albarqouni; Dr. Jakob Weiss
• Fachliche Zuordnung: Radiologie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 525002713

Das chronologische Alter ist ein wichtiger Risikofaktor für viele chronische Erkrankungen. Da wir jedoch alle unterschiedlich schnell altern, ist das chronologische Alter ein inkorrektes Maß. Dies macht genauere Schätzungen des tatsächlichen biologischen Alters wünschenswert. In dem geplanten Projekt werden auf Grundlage von radiologischen Bilddaten (Röntgen und CT) des Brustkorbs mittels künstlicher Intelligenz Verfahren entwickelt, um das biologische Altern zu quantifizieren und untersucht, ob diese Verfahren eine verbesserte Prävention von Herz-Kreislauf-Erkrankungen und Krebs ermöglichen. In den letzten Jahrzehnten ist die Lebenserwartung kontinuierlich gestiegen. Die krankheitsfreien Lebensjahre sind jedoch relativ stabil geblieben, was eine erhebliche ökonomische Belastung für die Gesellschaft und das Gesundheitssystem bedeutet. Daher ist die Verzögerung des Einsetzens von Erkrankungen ein vielversprechender Weg, um ein gesundes Altern zu fördern. Insbesondere die Prävention und Früherkennung von Krankheiten von hoher sozioökonomischer Bedeutung wie Krebs und Herz-Kreislauf-Erkrankungen haben Priorität, um die Gesundheit und Langlebigkeit zu erhöhen. Das biologische Alter ist ein Konzept, um Unterschiede in der Geschwindigkeit von Altern abzuschätzen, die nicht durch das chronologische Alter erfasst werden. In den letzten Jahren wurden mehrere Verfahren zur Quantifizierung des biologischen Alters entwickelt, darunter Bluttest sowie funktionelle Ansätze. Ihre Relevanz in der klinischen Routine ist jedoch begrenzt. In diesem Zusammenhang könnte die medizinische Bildgebung ein wirksames Mittel zur Abschätzung des biologischen Alterns sein, indem altersbedingte Veränderungen basierend auf im Bild sichtbaren anatomischen Veränderungen, wie z. B. degenerative Veränderungen der Wirbelsäule, Erweiterung des Herzens/Gefäße und Veränderungen der Lunge, gemessen werden. Im Gegensatz zu molekularen Messungen können bildbasierte Veränderungen des Alterns opportunistisch anhand von Daten extrahiert werden, die in der klinischen Routine gewonnen wurden. Darüber hinaus können diese Verfahren das Altern bestimmter Organsysteme abschätzen, was krankheitsspezifische Präventivmaßnahmen gegenüber allgemeinen Schätzungen des biologischen Alters verbessern könnte. Die in dieser Studie vorgeschlagenen bildbasierten Schätzungen des Alterns mithilfe von Deep Learning werden diese Wissenslücke adressieren und könnten dazu beitragen, die klinische Entscheidungsfindung für das Screening und die Prävention chronischer Krankheiten zu verbessern. Vorläufige Daten zeigen, dass Deep Learning ein Röntgen-Thorax-Alter aus einem Röntgenbild abschätzen kann und dass dieses Röntgen-Thorax-Alter die Langlebigkeit besser vorhersagt als das chronologische Alter. Das vorgeschlagene Projekt wird auf diesen ersten Ergebnissen aufbauen mit dem Ziel, die Anwendung auf andere Bildgebungsmodalitäten auszuweiten und Multiomics-Daten zu nutzen, um auf Ursachen des Alterns zu schließen.

• DFG-Verfahren: Sachbeihilfen