整合身体成分分析与机器学习以无创识别代谢功能障碍相关性脂肪肝：基于大规模体检的研究

隐藏的肝脏脂肪为何重要

许多自觉健康的人体内却在悄然累积肝脏脂肪，这一状况目前称为代谢功能障碍相关性脂肪肝（MAFLD）。它与体重增加、高血糖和心脏病密切相关，但在常规体检中常被忽视，因为体重和基础血液检测等标准指标无法完全反映体内发生的情况。本研究探讨了一种思路：将快速的身体成分扫描与现代计算算法结合，能否在严重肝损伤发生之前就识别出处于风险中的人群。

无需穿刺也能“看”到体内

研究者利用2017至2021年间在中国接受常规体检的超过2.3万名成年人记录，并补充了随后用于验证的约3300名受检者。所有人都做了两项关键检查：腹部超声以判断肝脏是否有脂肪沉积，以及使用生物电阻抗的体成分分析（类似体重秤的设备，会通过身体发送极弱电流）。该扫描可估算一个人携带的脂肪、肌肉、骨骼和水分量，以及其中有多少脂肪位于腹部深处的内脏脂肪——这种脂肪与代谢疾病的关联最为密切。

把身体测量值变成风险信号

从一长串可能的测量指标中，团队聚焦于13项可在不抽血的情况下获得的指标，如年龄、性别、腰围、体重指数（BMI）、全身含水量和内脏脂肪评分等。随后研究者通过统计检验去除重叠或冗余的指标，并采用一种名为SHAP的可解释性方法来判定哪个特征携带关于肝脏脂肪信息最多。最终，有六项指标既可靠又实用：内脏脂肪评分、腰围、体重、BMI、全身含水量以及细胞外水百分比。这些变量成为八种不同计算模型的输入，用以区分有MAFLD的人与无MAFLD的人。

能高精度识别风险的机器学习

团队构建并比较了多类机器学习模型，包括简单的逻辑回归、支持向量机，以及更复杂的基于树的方法如梯度提升和随机森林。在主数据集中采用十折交叉验证时，基于树的方法始终表现最佳，受试者工作特征曲线下面积（AUC）超过0.96。这意味着模型几乎总能把有MAFLD的人评估得比无病者更高。研究者在那批随后独立的3000多名受检者上测试这些模型时，性能仍然很强，AUC值仍高于0.95，并具有较高的准确率与召回率。用通俗话说，身体成分与机器学习相结合的方法在正确识别脂肪肝患者方面表现优异，同时将误报控制在相对较低的水平。

腹部脂肪与体液的特殊作用

在所有模型和各个亚组——男性与女性、年轻与年长、偏瘦与偏重人群中——内脏脂肪评分始终是对MAFLD最有力的单一信号。腰围和BMI也很重要，但信息量稍逊一筹，强调了脂肪分布位置比单纯体重更关键。研究还突出了体内水分平衡的重要性。较高的细胞外水百分比（可能反映轻微的液体潴留与炎症）与更高的脂肪肝发生几率相关，而较高的全身含水量则倾向于具有保护作用，可能表明更好的肌肉量和整体代谢健康。

这对日常体检可能意味着什么

对患者而言，结论是：将来在体检时短暂站到体成分设备上，并由后台的机器学习模型分析，可能在无需抽血、辐射或昂贵影像的情况下提供关于肝脏健康的早期警示。研究表明，关注深层腹部脂肪与体液平衡，比单纯关注体重或BMI更能清晰反映代谢风险。尽管还需要在不同国家与更长时间尺度上开展更多研究，这一方法指向了一个前景：在常规健康访问中悄然生成强大的个性化风险评分，帮助医生与患者在MAFLD无声进展之前采取行动。

引用: 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

关键词: 脂肪肝, 内脏脂肪, 身体成分, 机器学习, 无创筛查