Intégration de l’analyse de la composition corporelle et de l’apprentissage automatique pour l’identification non invasive de la stéatose hépatique liée au dysfonctionnement métabolique : une étude à grande échelle basée sur des examens de santé

Pourquoi la graisse hépatique cachée compte

Beaucoup de personnes qui se sentent en parfaite santé accumulent silencieusement de la graisse dans leur foie, une affection désormais désignée sous le nom de stéatose hépatique associée au dysfonctionnement métabolique (MAFLD). Elle est étroitement liée à la prise de poids, à l’hyperglycémie et aux maladies cardiovasculaires, mais elle passe souvent inaperçue lors des bilans de routine parce que des mesures courantes comme le poids et les tests sanguins de base ne révèlent pas pleinement ce qui se passe à l’intérieur du corps. Cette étude examine si un balayage rapide de la composition corporelle combiné à des algorithmes informatiques modernes peut signaler les personnes à risque bien avant que des lésions hépatiques graves n’apparaissent.

Regarder à l’intérieur du corps sans aiguille

Les chercheurs ont exploité les dossiers de plus de 23 000 adultes en Chine ayant effectué des examens de santé réguliers entre 2017 et 2021, ainsi qu’un groupe additionnel de 3 300 personnes examinées ultérieurement pour vérifier les résultats. Chacun a passé deux tests clés : une échographie abdominale pour détecter la présence de graisse hépatique, et une analyse de la composition corporelle par impédancemétrie, un appareil ressemblant à une balance de salle de bains qui envoie un courant très faible dans le corps. Ce balayage estime la quantité de graisse, de muscle, d’os et d’eau qu’une personne porte, et combien de cette graisse est située profondément dans l’abdomen sous forme de graisse viscérale, le type le plus fortement lié aux maladies métaboliques.

Transformer les mesures corporelles en signaux de risque

À partir d’une longue liste de mesures possibles, l’équipe s’est concentrée sur 13 paramètres pouvant être collectés sans prélèvement sanguin, tels que l’âge, le sexe, le tour de taille, l’indice de masse corporelle (IMC), l’eau corporelle totale et une cote de graisse viscérale. Ils ont ensuite utilisé des contrôles statistiques pour éliminer les mesures redondantes ou chevauchantes et se sont appuyés sur une méthode d’interprétabilité appelée SHAP pour déterminer quelles caractéristiques apportaient le plus d’information sur la présence de graisse hépatique. Au final, six mesures se sont distinguées comme à la fois fiables et pratiques : la cote de graisse viscérale, le tour de taille, le poids corporel, l’IMC, l’eau corporelle totale et la proportion de fluide extracellulaire (pourcentage d’eau extracellulaire). Ces variables sont devenues les entrées de huit modèles informatiques différents entraînés à distinguer les personnes atteintes de MAFLD de celles qui ne l’étaient pas.

Apprentissage automatique qui détecte le risque avec une grande précision

L’équipe a construit et comparé plusieurs types de modèles d’apprentissage automatique, y compris la régression logistique simple, les machines à vecteurs de support et des méthodes arborescentes plus avancées comme le gradient boosting et les forêts aléatoires. En utilisant une validation croisée à dix volets sur le jeu de données principal, les modèles arborescents sont systématiquement apparus en tête, atteignant des surfaces sous la courbe ROC (AUC) supérieures à 0,96. Cela signifie que les modèles classaient presque toujours une personne atteinte de MAFLD au-dessus d’une personne non atteinte. Lorsque les chercheurs ont testé ces modèles sur le groupe séparé de plus de 3 000 patients examinés ultérieurement, les performances sont restées très solides, avec des valeurs d’AUC toujours supérieures à 0,95 et une grande précision et sensibilité. En termes concrets, l’approche combinée composition corporelle + apprentissage automatique était très efficace pour repérer correctement les personnes ayant une stéatose hépatique tout en maintenant un taux d’alarmes intempestives relativement bas.

Le rôle particulier de la graisse abdominale et des fluides corporels

Dans tous les modèles et sous-groupes — hommes et femmes, adultes jeunes et âgés, personnes minces et plus lourdes — la cote de graisse viscérale a été le signal le plus puissant de MAFLD. Le tour de taille et l’IMC étaient également importants mais légèrement moins informatifs, ce qui souligne que l’endroit où la graisse est stockée importe davantage que le poids total d’une personne. L’étude a aussi mis en avant l’importance de l’équilibre hydrique corporel. Une proportion plus élevée d’eau extracellulaire, qui peut refléter une rétention hydrique subtile et une inflammation, était associée à un risque accru de stéatose hépatique, tandis qu’un pourcentage plus élevé d’eau corporelle totale semblait protecteur, peut‑être en indiquant une meilleure masse musculaire et une meilleure santé métabolique globale.

Ce que cela pourrait signifier pour les bilans de santé quotidiens

Pour les patients, la leçon est qu’un simple passage sur un appareil d’analyse de la composition corporelle, combiné à un modèle d’apprentissage automatique fonctionnant en coulisse, pourrait un jour fournir un avertissement précoce sur la santé du foie sans aiguilles, radiation ou examens coûteux. L’étude suggère que se concentrer sur la graisse viscérale profonde et l’équilibre des fluides donne une image plus nette du risque métabolique que le poids ou l’IMC seuls. Bien que des recherches supplémentaires soient nécessaires dans d’autres pays et sur des périodes plus longues, cette approche ouvre la voie à un avenir où les visites de santé de routine génèreraient discrètement des scores de risque personnalisés et puissants, aidant médecins et patients à agir contre la MAFLD avant qu’elle ne progresse silencieusement.

Citation: 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

Mots-clés: foie gras, graisse viscérale, composition corporelle, apprentissage automatique, dépistage non invasif