脂肪肝病 (SLD)，以前稱為非酒精性脂肪肝病，包括由于脂質代謝異常而導致肝臟脂肪堆積引起的一系列疾病，影響著全球約 25% 的人口，使其成為全球最常見的疾病之一。最常見的肝臟疾病。SLD 通常被稱為“無癥狀肝病”，其進展時沒有明顯癥狀，并可能導致更嚴重的疾病，如肝硬化(肝臟疤痕)和肝癌。

肝活檢是一種侵入性手術，涉及從體內提取肝組織樣本，是檢測 SLD 的傳統方法。為了簡化檢測，東京理科大學(TUS)的 Kohei Soga 教授領導的研究小組此前引入了近紅外高光譜成像(NIR-HSI)作為一種非侵入性方法來可視化肝臟中的總脂質含量。近紅外光的波長(800-2500 nm)比紫外線和可見光更長，可顯示各種有機物質(包括組織中的生物分子)的吸收，從而能夠識別肝臟中的脂肪分布。

現在，在 2023 年 11 月 23 日發表在《科學報告》雜志上的一項新研究中 ，包括啟蒙大學 Kohei Soga 教授、Masakazu Umezawa 副教授、Masao Kamimura 副教授以及大阪都立大學 Naoko Ohtani 教授在內的研究團隊，通過讓機器學習模型在逐像素水平上區分肝臟中存在的脂質類型，對該方法進行了改進。該框架根據脂肪酸的碳氫鏈長度 (HCL) 和飽和度 (DS) 來區分脂質，幫助評估 SLD 進展、脂肪性肝炎 (NASH) 和 SLD/NASH 相關肝癌的風險。

“除了總脂質含量等定性信息之外，我們現在還可以可視化定性信息，例如脂質(主要是甘油三酯)中所含脂肪酸的分布特征，”梅澤博士說。

值得注意的是，由于各種生物分子的吸收光譜重疊，使用 NIR-HSI 根據分子組成識別脂質面臨著挑戰。為了解決這個問題，研究人員使用了支持向量回歸機器學習模型，該模型經過訓練可以識別 16 種脂肪酸的組成。該訓練數據是通過對喂食不同脂肪含量飲食的小鼠肝臟樣本進行氣相色譜分析獲得的。通過將機器學習應用于 NIR-HSI 數據，可以根據肝臟內脂肪(DS 和 HCL)的分布來解釋光譜信息。

DS 表示脂肪酸的雙鍵或飽和度，由CH 和CH 2數之和計算為CH 2分數。HCL代表脂肪酸鏈長，由CH 3 + CH 2 + CH + 1(COOH)基團與CH 3基團數目的比率確定。利用這種方法，研究人員成功測定了小鼠肝臟中的脂肪酸組成，揭示了其飲食中脂肪含量的相關性。例如，食用富含棕櫚酸和肉豆蔻酸等飽和脂肪的小鼠的肝臟表現出明顯高的DS，而食用α-亞油酸等不飽和脂肪的小鼠則表現出較低的DS。

DS、HCL 和總脂質含量被描繪為彩色圖，提供肝臟中脂肪分布的獨特視覺表示，從而簡化脂肪肝疾病的診斷。“以高維信息可視化脂質分布，而不是簡單地使用總脂質含量作為單一參數，為揭示肝臟疾病和代謝的病理生理狀況提供了一種新工具，”梅澤博士評論道。

事實上，通過提供一種快速且無標記的技術來識別影響大量人群的脂肪肝，該方法可能成為侵入性肝活檢程序的潛在替代方案，從而改變肝臟護理。

這種新穎的框架還可以在藥理學研究中找到潛在的應用，例如藥物代謝、毒性和功效;通過代謝成像研究代謝紊亂;并在臨床試驗中識別有反應者和無反應者。研究人員還期望該框架能夠通過生物標志物識別和治療反應預測來確定個性化營養策略，即定制計劃和優化干預措施以改善營養。總之，研究人員開發的新穎框架可以徹底改變醫療保健和相關研究。