Clear Sky Science · de

Biologisches Alter aus Bildgebung über mehrere Organe hinweg verknüpft mit Sterblichkeit und altersbedingten Gesundheitsfolgen

· Zurück zur Übersicht

Warum manche Körper schneller altern als andere

Zwei Personen können am selben Tag geboren sein und dennoch sehr unterschiedliche Gesundheit haben. Die eine läuft vielleicht Marathon, während die andere mit Herzerkrankungen oder Gedächtnisproblemen kämpft. Diese Studie stellt eine einfache, aber kraftvolle Frage: Können medizinische Bilder unserer Organe zeigen, wie alt unser Körper innerlich wirklich ist, und können diese verborgenen Alter vor künftigen Erkrankungen und sogar vor frühem Tod warnen?

Figure 1
Figure 1.

Ein Blick in sieben Schlüsselorgane

Die Forschenden analysierten Scans von mehr als 70.000 Teilnehmern der UK Biobank, einer großen Gesundheitsstudie mit mittelalten und älteren Erwachsenen. Sie konzentrierten sich auf sieben Organe, die für verbreitete altersbedingte Erkrankungen zentral sind: Gehirn, Herz, Leber, Bauchspeicheldrüse, Milz, beide Nieren und die lichtempfindliche Schicht im Augenhintergrund (mittels Augenbildgebung statt MRT erfasst). Diese Aufnahmen zeigen Aussehen und Bewegung der Organe in hoher Detailtreue, doch die Alterungsmuster in ihnen sind für das menschliche Auge zu komplex, um sie allein zu erkennen.

Computern das Lesen des Organalters beibringen

Um diese Muster zu entschlüsseln, nutzte das Team Deep Learning, eine Form künstlicher Intelligenz, die darin stark ist, Strukturen in Bildern zu finden. Für jedes Organ trainierten sie ein Modell auf Scans von Menschen, die für dieses Organ als gesund galten, wobei das Kalenderalter der Person als Stellvertreter für ihr „normales“ biologisches Alter diente. Der Rechner lernte, wie ein typisches Organ von 50-, 60- oder 70-Jährigen aussieht, ohne dass jemand manuell Merkmale auswählte. Auf die Gesamtbevölkerung angewandt lieferte das Modell ein vorhergesagtes Organalter; zieht man das tatsächliche Alter davon ab, erhält man eine „vorhergesagte Alterslücke“. Eine positive Lücke bedeutete, dass das Organ älter als erwartet erschien (beschleunigtes Altern), eine negative Lücke deutete auf jünger wirkendes Gewebe (verzögertes Altern) hin.

Ungleichmäßiges Altern im Körper

Die Modelle verfolgten das Alter für alle sieben Organe zuverlässig, wobei das Gehirn die engste Übereinstimmung zwischen vorhergesagtem und tatsächlichem Alter zeigte — wahrscheinlich, weil seine Struktur sich stark und konsistent mit der Zeit verändert. Dennoch altern die verschiedenen Organe nicht im Gleichschritt. Bei den meisten Menschen waren die vorhergesagten Alterslücken eines Organs größtenteils unabhängig von denen anderer Organe. Stärkere Verknüpfungen traten nur zwischen gepaarten Organen auf, wie den beiden Nieren und beiden Augen, sowie zwischen Organen im Bauchraum, wobei das Alterungsmuster der Leber moderate Beziehungen zu benachbarten Organen zeigte. Dieses Mosaikmuster stützt die Idee, dass Altern kein einheitlicher Prozess ist: Bei der einen Person könnte das Herz schneller altern, bei einer anderen das Gehirn oder die Nieren.

Figure 2
Figure 2.

Frühe Warnzeichen für Krankheit und Tod

Die entscheidende Frage war, ob diese Organ-Alterslücken tatsächlich gesundheitliche Relevanz haben. Die Forschenden verfolgten die Teilnehmenden über die Zeit und registrierten, wer wichtige Erkrankungen wie Alzheimer, Herzinfarkte, chronische Nierenerkrankung und Typ-2-Diabetes entwickelte und wer während des Studienzeitraums verstarb. Personen, deren Gehirn, Herz oder Bauchspeicheldrüse älter als ihr Kalenderalter erschien, hatten ein deutlich erhöhtes Risiko, früher zu sterben. Ein älter wirkendes Gehirn sagte stark das spätere Auftreten von Alzheimer voraus; ein älter wirkendes Herz kündigte Herzinfarkte und chronische Herzerkrankungen an; und ältere Nieren signalisierten ein deutlich höheres Risiko für chronische Nierenerkrankungen. In vielen Fällen erschienen die Organe biologisch älter Jahre vor einer Diagnose, was darauf hindeutet, dass bildgebungsbasierte Alter als frühe Warnsignale dienen könnten, noch lange bevor Symptome auftreten.

Wie das Modell Altern sieht

Um zu prüfen, ob der Computer auf sinnvolle Veränderungen statt auf zufälliges Rauschen achtete, visualisierte das Team, welche Bildbereiche die Altersabschätzung am stärksten beeinflussten. Beim Gehirn konzentrierte sich das Modell auf die mit Flüssigkeit gefüllten Räume, die sich vergrößern, wenn Hirngewebe mit dem Alter schrumpft. In den Augenaufnahmen richtete es die Aufmerksamkeit auf Blutgefäße und die Sehnervengegend, die bekanntermaßen altersbedingt verändern. Am Herzen hob es die Muskelwände und die Hauptkammer hervor, und in Nieren und Leber betonte es Bereiche, die mit Blutfluss und Organform assoziiert sind. Diese Muster stimmen mit etabliertem medizinischem Wissen überein und stützen die Annahme, dass die Modellvorhersagen reale biologische Veränderungen widerspiegeln.

Was das für die zukünftige Versorgung bedeutet

Zusammen zeigen diese Erkenntnisse, dass einfache Scans, interpretiert von moderner KI, abschätzen können, wie alt unsere Organe biologisch funktionieren, und dass diese verborgenen Alter echte Informationen über künftige Erkrankungen und Überleben liefern. Die Arbeit steht noch am Anfang: Die Studie umfasste überwiegend ältere Erwachsene aus relativ ähnlichen Hintergründen, und die genauen Schwellen zwischen „normalem“ und „beschleunigtem“ Altern sind noch nicht endgültig festgelegt. Aber wenn die Ergebnisse in vielfältigeren Gruppen validiert und mit weiteren Gesundheitsdaten kombiniert werden, könnte das bildgebungsbasierte biologische Alter ein mächtiges Instrument der personalisierten Medizin werden — Ärzten helfen zu erkennen, welche Organe lange vor Ausbruch einer Krankheit besonders Aufmerksamkeit benötigen.

Zitation: Ecker, V., Yang, B., Gatidis, S. et al. Imaging-derived biological age across multiple organs links to mortality and aging-related health outcomes. npj Aging 12, 51 (2026). https://doi.org/10.1038/s41514-026-00377-7

Schlüsselwörter: biologisches Alter, medizinische Bildgebung, Deep Learning, multi-organales Altern, Krankheitsrisiko-Vorhersage