KI-Modell erkennt Sarkopenie bei Magenkrebspatienten mit einem AUC-Wert von 0,89

Sarkopenie – der progressive Verlust von Skelettmuskelkraft, Muskelmasse und körperlicher Leistungsfähigkeit – ist sowohl ein Kennzeichen des Alterns als auch ein aussagekräftiger unabhängiger Prädiktor für schlechtes Überleben bei Patienten mit Magenkrebs. Die konventionelle Diagnose erfordert jedoch gleichzeitig Griffstärketests, Ganggeschwindigkeitsmessungen und CT-basierte Muskelquantifizierung – ein arbeitsintensiver Prozess, der den routinemäßigen klinischen Einsatz einschränkt. Diese im Journal of Cachexia, Sarcopenia and Muscle veröffentlichte Studie hatte zum Ziel, ein vollständig automatisiertes multimodales KI-Modell zu entwickeln und zu validieren, das Sarkopenie und schwere Sarkopenie direkt aus präoperativen CT-Scans in Kombination mit grundlegenden klinischen Variablen erkennen kann.

In die Studie wurden 1.067 Patienten mit pathologisch bestätigtem Magenkrebs aus zwei chinesischen medizinischen Zentren aufgenommen (978 aus Zentrum 1, 89 aus Zentrum 2). Die Kohorte bestand zu 73,3 % aus Männern und zu 26,7 % aus Frauen. Die Sarkopenie-Diagnose erfolgte anhand der EWGSOP2-Kriterien: geringe Griffstärke (< 28 kg bei Männern, < 18 kg bei Frauen) sowie ein niedriger Skelettmuskelindex (SMI) auf Höhe des L3-Wirbelkörpers (< 40,8 cm²/m² bei Männern, < 34,9 cm²/m² bei Frauen). Schwere Sarkopenie erforderte zusätzlich eine Ganggeschwindigkeit < 1,0 m/s. CT-Bilder auf L3-Höhe wurden automatisch mit der TotalSegmentator-Software segmentiert. Aus diesen segmentierten Bildern wurden 1.288 Radiomics-Merkmale extrahiert und anschließend mittels Spearman-Korrelationsfilterung und LASSO-Regression mit 10-facher Kreuzvalidierung reduziert.

Das Team entwickelte vier zunehmend komplexere Modelle. Ein reines Radiomics-XGBoost-Modell erzielte AUC-Werte von 0,85 (Validierung) und 0,80 (externer Test). Ein 2D-Deep-Learning-Modell mit ResNet50-Architektur erreichte AUC-Werte von 0,79 und 0,80, während das 2,5D-Modell – das drei aufeinanderfolgende CT-Schichten auf L3-Höhe als dreikanaligen Input verwendet – die 2D-Version mit AUC-Werten von 0,81 und 0,83 übertraf. Ein XGBoost-Fusionsmodell, das klinische Variablen, Radiomics und 2,5D-Deep-Learning-Merkmale kombiniert, erreichte AUC-Werte von 0,85 und 0,86. Das Hauptmodell – ein transformerbasiertes multimodales Modell, das alle drei Datenströme über einen 8-Kopf-Aufmerksamkeits-Encoder fusioniert – lieferte die beste Leistung: AUC-Werte von 0,95, 0,87 und 0,89 für die Sarkopenie-Erkennung in Trainings-, Validierungs- und externem Testdatensatz. Bei schwerer Sarkopenie betrugen die AUC-Werte 0,93, 0,85 und 0,84 in denselben Datensätzen.

Die Kaplan-Meier-Überlebensanalyse der Kohorte aus Zentrum 1 (Nachbeobachtung ≥ 5 Jahre nach der Operation) bestätigte, dass Patienten mit Sarkopenie ein signifikant schlechteres Gesamtüberleben hatten als jene ohne Sarkopenie (p < 0,05), was den klinischen Stellenwert einer genauen Erkennung unterstreicht. Die Entscheidungskurvenanalyse zeigte, dass das Sarkopenie-Modell über ein breites Spektrum an Schwellenwertwahrscheinlichkeiten einen größeren klinischen Nettonutzen bot als unimodale Ansätze – was darauf hindeutet, dass es praktisch nützlich ist und nicht nur statistisch überlegen.

Für die breitere Langlebigkeits- und gesunde Lebensspanne-Gemeinschaft hat diese Arbeit mehrere Implikationen, die über Magenkrebs hinausgehen. Sarkopenie ist eines der folgenreichsten modifizierbaren Alterungsphänotypen – assoziiert mit Stürzen, Krankenhausaufenthalten, funktionellem Abbau und Sterblichkeit bei älteren Erwachsenen generell. Die Automatisierung ihrer Erkennung über bestehende CT-Infrastruktur, ohne zusätzliche körperliche Tests, könnte das bevölkerungsweite Screening grundlegend verändern. Die transformerbasierte Fusionsarchitektur könnte zudem als Blaupause für die Integration multimodaler Daten in anderen Sarkopenie-Kontexten dienen, einschließlich altersbedingtem Muskelverlust in Nicht-Krebs-Populationen. Einschränkungen umfassen das retrospektive Studiendesign, eine überwiegend chinesische Patientenkohorte, die die Generalisierbarkeit begrenzt, sowie die Notwendigkeit einer prospektiven Validierung vor dem klinischen Einsatz.