Maskinlæring kartla brunfett hos 8 709 pasienter ut fra over 100 000 kliniske skanninger
En ny studie i Nature bruker en maskinlæringsmodell til å kartlegge brunfettets helsesammenhenger på et nivå som ikke var praktisk mulig med manuell analyse. Studien knytter påviselig brun fett til lavere forekomst av type 2-diabetes og hjertesykdom – og et blodtrykksmedisin peker seg ut som kandidat for videre forskning, om enn foreløpig bare i cellekulturer og mus.
Studien, publisert i Nature 14. oktober 2026, bygger på en klassisk innsikt innen menneskelig fysiologi: Brun fettvev (BAT) brenner kalorier og ser ut til å henge sammen med stoffskiftehelse. Men dokumentasjonen har vært spredt, fordi aktivt brun fett bare kan påvises med PET/CT-skanninger, og mengden av bildedata har gjort store studier upraktiske. Det er her maskinlæringen kommer inn.
Hvordan AI gjorde studien mulig
Forskerne brukte 18F-FDG-PET/CT-skanninger fra 101 243 voksne pasienter ved Memorial Sloan Kettering Cancer Center (MSKCC), tatt mellom juni 2009 og juli 2024. Skannene var kliniske, ikke tatt for forskningens skyld; studien er et eksempel på «fenotyping» av eksisterende pasientdata på stor skala.
Et AI-bildeanalyseverktøy utviklet ved MSKCC kvantifiserte brunfettaktivitet semi-automatisk hos 8 709 pasienter med påviselig BAT. Målet kombinerer to elementer: opptak av glukosesporeren (et tegn på at fettvevet er «slått på» og forbrenner energi) og vevsvolum. Verktøyet målte både total aktivitet hos hver pasient og aktivitet i seks anatomiske depoter – for eksempel aksillært, i armhulen.
Førsteforfatter Nicolás Gómez-Banoy, endokrinolog og instructor in clinical investigation i Paul Cohens gruppe ved Rockefeller University, anvendte verktøyet utviklet av kolleger ved MSKCC. Analysen dekket over 500 diagnoser, mot omtrent 50 000 pasienter i gruppens tidligere studie fra 2021 – en fordobling som ikke ville vært praktisk mulig med manuell kvantifisering. For statistisk kontroll brukte forskerne propensity-score-matching på alder, kjønn, BMI og utetemperatur, ettersom kulde påvirker brunfettaktivitet.
Hva studien fant
Ifølge News-Medical var påviselig BAT assosiert med lavere forekomst av kardiometabolske og psykiatriske tilstander, inkludert type 2-diabetes, depresjon og angst. Ifølge UA.News, med henvisning til News-Medical, hadde personer med påvist brun fett 58 % lavere odds for type 2-diabetes og 47 % lavere odds for kronisk iskemisk hjertesykdom.
Effektene varierte mellom depoter: Ifølge Gómez-Banoy var aksillært brunfett knyttet til lavere risiko for høyt blodtrykk sammenlignet med andre regioner. «Men samlet sett har pasienter med brun fett bedre glykemiske parametre, lipidprofiler og ekkokardiografiske mål, samt lavere inflammasjonsmarkører», sier han i presseutgivelsen fra Rockefeller University.
Losartan-leadet
Videre analyser viste at pasienter som tok angiotensin-reseptorblokkere (ARB) – en klasse blodtrykksmedisiner – hadde mer brun fett på skannene. Forskerne testet losartan direkte i cellekulturer: Ifølge rapporteringen økte medisinen nivået av UCP1-proteinet og oksygenforbruket i brun fettceller, via mekanismer som beskrives som forskjellige fra dens blodtrykksreduserende virkning. I mus økte losartan energiforbruket både ved romtemperatur og under kuldeeksponering, uten målbar vektreduksjon.
Grensene er viktige: Effekten av losartan på menneskelig brun fett er ikke testet i kliniske studier. Dette er et preklinisk funn, ikke et etablert terapeutisk alternativ.
Begrensningene
Irfan Lodhi, molekylærbiolog ved Washington University i St. Louis, påpeker i Nature sin nyhetsdekning at studien er retrospektiv: «Fordi dette er en retrospektiv studie, trengs mer arbeid for å bevise at brun fett faktisk forårsaker alle disse fordelene», sier han.
Studien er korrelasjonell, ikke kausal – den viser assosiasjoner, ikke at brun fett forebygger sykdom. Dataene kommer dessuten fra én enkelt kreftklinikk (MSKCC), noe som begrenser generaliserbarheten til friske befolkninger. Selv om maskinlæringen gjør det mulig å analysere disse skannene, kan den ikke erstatte fremtidige studier som følger pasienter over tid eller intervenerer direkte.
Hvorfor AI-metoden betyr noe
Verdien her ligger mindre i de enkeltfunnene enn i metoden: Et maskinlæringsverktøy gjorde det mulig å trekke ut en fysiologisk signatur – brunfettaktivitet i seks depoter – fra et klinisk bildearkiv på over 100 000 skanninger, og deretter teste den mot over 500 diagnoser. Manuell kvantifisering ville ikke vært praktisk gjennomførbar i denne skalaen.
Dette danner en mal for fremtidig forskning: store, retrospektive kohorter bygget på allerede eksisterende kliniske bilder, der maskinlæringen identifiserer mønstre og genererer hypoteser som senere kan testes i prospektive studier. Studiens største bidrag er kanskje ikke svarene den gir, men beviset på at en slik pipeline er mulig.