脂肪肝病 (SLD)，以前称为非酒精性脂肪肝病，包括由于脂质代谢异常而导致肝脏脂肪堆积引起的一系列疾病，影响着全球约 25% 的人口，使其成为全球最常见的疾病之一。最常见的肝脏疾病。SLD 通常被称为“无症状肝病”，其进展时没有明显症状，并可能导致更严重的疾病，如肝硬化(肝脏疤痕)和肝癌。
肝活检是一种侵入性手术，涉及从体内提取肝组织样本，是检测 SLD 的传统方法。为了简化检测，东京理科大学(TUS)的 Kohei Soga 教授领导的研究小组此前引入了近红外高光谱成像(NIR-HSI)作为一种非侵入性方法来可视化肝脏中的总脂质含量。近红外光的波长(800-2500 nm)比紫外线和可见光更长，可显示各种有机物质(包括组织中的生物分子)的吸收，从而能够识别肝脏中的脂肪分布。
现在，在 2023 年 11 月 23 日发表在《科学报告》杂志上的一项新研究中 ，包括启蒙大学 Kohei Soga 教授、Masakazu Umezawa 副教授、Masao Kamimura 副教授以及大阪都立大学 Naoko Ohtani 教授在内的研究团队，通过让机器学习模型在逐像素水平上区分肝脏中存在的脂质类型，对该方法进行了改进。该框架根据脂肪酸的碳氢链长度 (HCL) 和饱和度 (DS) 来区分脂质，帮助评估 SLD 进展、脂肪性肝炎 (NASH) 和 SLD/NASH 相关肝癌的风险。
“除了总脂质含量等定性信息之外，我们现在还可以可视化定性信息，例如脂质(主要是甘油三酯)中所含脂肪酸的分布特征，”梅泽博士说。
值得注意的是，由于各种生物分子的吸收光谱重叠，使用 NIR-HSI 根据分子组成识别脂质面临着挑战。为了解决这个问题，研究人员使用了支持向量回归机器学习模型，该模型经过训练可以识别 16 种脂肪酸的组成。该训练数据是通过对喂食不同脂肪含量饮食的小鼠肝脏样本进行气相色谱分析获得的。通过将机器学习应用于 NIR-HSI 数据，可以根据肝脏内脂肪(DS 和 HCL)的分布来解释光谱信息。
DS 表示脂肪酸的双键或饱和度，由CH 和CH 2数之和计算为CH 2分数。HCL代表脂肪酸链长，由CH 3 + CH 2 + CH + 1(COOH)基团与CH 3基团数目的比率确定。利用这种方法，研究人员成功测定了小鼠肝脏中的脂肪酸组成，揭示了其饮食中脂肪含量的相关性。例如，食用富含棕榈酸和肉豆蔻酸等饱和脂肪的小鼠的肝脏表现出明显高的DS，而食用α-亚油酸等不饱和脂肪的小鼠则表现出较低的DS。
DS、HCL 和总脂质含量被描绘为彩色图，提供肝脏中脂肪分布的独特视觉表示，从而简化脂肪肝疾病的诊断。“以高维信息可视化脂质分布，而不是简单地使用总脂质含量作为单一参数，为揭示肝脏疾病和代谢的病理生理状况提供了一种新工具，”梅泽博士评论道。
事实上，通过提供一种快速且无标记的技术来识别影响大量人群的脂肪肝，该方法可能成为侵入性肝活检程序的潜在替代方案，从而改变肝脏护理。
这种新颖的框架还可以在药理学研究中找到潜在的应用，例如药物代谢、毒性和功效;通过代谢成像研究代谢紊乱;并在临床试验中识别有反应者和无反应者。研究人员还期望该框架能够通过生物标志物识别和治疗反应预测来确定个性化营养策略，即定制计划和优化干预措施以改善营养。总之，研究人员开发的新颖框架可以彻底改变医疗保健和相关研究。
免责声明：本文由用户上传，如有侵权请联系删除！
