Integration von Körperzusammensetzungsanalyse und maschinellem Lernen zur nichtinvasiven Identifikation von metabolisch bedingter Fettlebererkrankung: eine groß angelegte Studie auf Basis von Gesundheitsuntersuchungen

Warum verstecktes Leberfett wichtig ist

Viele Menschen, die sich völlig gesund fühlen, entwickeln unbemerkt Fettansammlungen in der Leber, eine Erkrankung, die heute als metabolisch bedingte Fettlebererkrankung (MAFLD) bezeichnet wird. Sie steht in engem Zusammenhang mit Gewichtszunahme, hohem Blutzucker und Herzkrankheiten, wird bei Routinetests jedoch oft übersehen, weil Standardgrößen wie Gewicht und einfache Bluttests nicht vollständig offenlegen, was im Körper geschieht. Diese Studie untersucht, ob ein schneller Scan der Körperzusammensetzung kombiniert mit modernen Computeralgorithmen Personen mit Risiko lange vor Auftreten schwerer Leberschäden erkennen kann.

Im Körper schauen ohne Nadel

Die Forschenden nutzten Daten von mehr als 23.000 Erwachsenen in China, die zwischen 2017 und 2021 regelmäßige Gesundheitsuntersuchungen hatten, plus einer zusätzlichen Prüfstichprobe von 3.300 Personen, um die Ergebnisse zu validieren. Alle Teilnehmenden hatten zwei wichtige Tests: einen abdominalen Ultraschall, um zu sehen, ob Fett in der Leber vorhanden war, und eine Analyse der Körperzusammensetzung mittels bioelektrischer Impedanz, einem waageähnlichen Gerät, das einen sehr schwachen Strom durch den Körper schickt. Dieser Scan schätzt, wie viel Fett, Muskelmasse, Knochen und Wasser eine Person hat und wie viel dieses Fetts tief im Bauchraum als viszerales Fett sitzt — die Fettform, die am stärksten mit Stoffwechselerkrankungen verknüpft ist.

Körpermaße in Risikosignale verwandeln

Aus einer langen Liste potenzieller Messwerte konzentrierte sich das Team auf 13 Variablen, die ohne Blutentnahme erhoben werden können, etwa Alter, Geschlecht, Taillenumfang, Body‑Mass‑Index (BMI), Gesamtkörperwasser und eine Bewertung des viszeralen Fetts. Anschließend entfernten sie überschneidende oder redundante Messwerte mit statistischen Prüfungen und nutzten eine Interpretierbarkeitsmethode namens SHAP, um zu erkennen, welche Merkmale am meisten Informationen über Leberfett lieferten. Am Ende hoben sich sechs Messwerte sowohl durch Zuverlässigkeit als auch Praktikabilität hervor: Viszeralfettrating, Taillenumfang, Körpergewicht, BMI, Gesamtkörperwasser und der Anteil der Flüssigkeit außerhalb der Zellen (Extrazellulärwasser‑Prozent). Diese Variablen dienten als Eingaben für acht verschiedene Computermodelle, die darauf trainiert wurden, Personen mit MAFLD von solchen ohne zu unterscheiden.

Maschinelles Lernen, das Risiko mit hoher Genauigkeit erkennt

Das Team entwickelte und verglich mehrere Typen von Modellen des maschinellen Lernens, darunter einfache logistische Regression, Support‑Vector‑Machines und komplexere baumbasierte Verfahren wie Gradient Boosting und Random Forests. Mit einer zehnfachen Kreuzvalidierung innerhalb des Hauptdatensatzes lagen die baumbasierten Modelle durchweg vorne und erreichten Flächen unter der ROC‑Kurve (AUC) von über 0,96. Das bedeutet, die Modelle stuften eine Person mit MAFLD fast immer höher ein als eine Person ohne. Als die Forschenden diese Modelle an der separaten Gruppe von mehr als 3.000 später untersuchten Patienten testeten, blieb die Leistung sehr stark, mit AUC‑Werten weiterhin über 0,95 sowie hoher Genauigkeit und Sensitivität. Im realen Kontext war der kombinierte Ansatz aus Körperzusammensetzung und maschinellem Lernen sehr gut darin, richtig Personen mit Fettleber zu erkennen und dabei Fehlalarme relativ gering zu halten.

Die besondere Rolle von Bauchfett und Körperflüssigkeiten

Über alle Modelle und Untergruppen hinweg — Männer und Frauen, jüngere und ältere Erwachsene, schlanke und kräftigere Menschen — war das Viszeralfettrating das stärkste Einzelsignal für MAFLD. Taillenumfang und BMI waren ebenfalls wichtig, aber etwas weniger aussagekräftig, was betont, dass der Speicherort des Fetts wichtiger ist als das Gesamtgewicht. Die Studie hob auch die Bedeutung des Wasserhaushalts hervor. Ein höherer Anteil an Extrazellulärwasser, der subtile Flüssigkeitsansammlungen und Entzündungen widerspiegeln kann, war mit höheren Chancen auf Fettleber assoziiert, während ein höheres Gesamtkörperwasser tendenziell schützend wirkte, möglicherweise als Hinweis auf bessere Muskelmasse und allgemeinere metabolische Gesundheit.

Was das für Routinetermine bedeuten könnte

Für Patientinnen und Patienten ist die Botschaft: Ein kurzer Schritt auf ein Gerät zur Körperzusammensetzungsanalyse, kombiniert mit einem im Hintergrund laufenden Modell des maschinellen Lernens, könnte eines Tages eine frühe Warnung zur Lebergesundheit liefern — ganz ohne Nadeln, Strahlung oder teure Bildgebung. Die Studie legt nahe, dass der Fokus auf tiefes Bauchfett und Flüssigkeitsbalance ein klareres Bild des metabolischen Risikos bietet als allein Gewicht oder BMI. Zwar sind weitere Untersuchungen in anderen Ländern und über längere Zeiträume nötig, doch dieser Ansatz weist in Richtung einer Zukunft, in der routinemäßige Gesundheitsbesuche stillschweigend leistungsfähige, personalisierte Risikoscores erzeugen, die Ärzten und Patienten helfen, bei MAFLD zu handeln, bevor sie sich unbemerkt verschlechtert.

Zitation: He, Y., Cao, Y., Chen, Z. et al. Integrating body composition analysis and machine learning for non-invasive identification of metabolic dysfunction-associated fatty liver disease: a large-scale health examination-based study. Sci Rep 16, 7038 (2026). https://doi.org/10.1038/s41598-026-37852-w

Schlüsselwörter: Fettleber, viszerales Fett, Körperzusammensetzung, maschinelles Lernen, nichtinvasive Screening