一种基于机器学习的肝移植器官生物年龄模型在评估移植器官衰老方面优于捐赠者年纪

为什么肝脏年龄对移植患者很重要

肝移植能挽救生命，但供体器官始终供不应求。许多肝脏仅因供体年龄偏大而被拒绝，尽管其中一些器官可能仍可良好工作。本研究提出了一个简单但影响深远的问题：医生能否不只依据供体过了多少个生辰来判断肝脏，而是评估该器官自身实际上“有多老”？

超越日历年龄

临床上通常用供体的历年年龄来对肝脏进行分类。年长供体常被贴上高风险标签，其肝脏可能被弃用或谨慎使用。然而研究表明，肝脏的衰老速度往往比许多其他器官慢，在高龄人群中仍能保持良好功能。这意味着来自70岁供体的肝脏可能表现得像更年轻者的器官，而某些中年供体的肝脏可能已显疲惫。作者认为，关键在于器官的生物学年龄——它的真实生理状况——而不仅仅是出生证明上的日期。

将实验室检查转化为年龄估计

为了构建更好的肝脏年龄度量，研究团队在单一移植中心研究了247名已故供体。捐献前，每位供体均接受了影像检查和血液检测，涵盖肝功能、凝血和炎症等指标。这20项常规临床标志捕捉了肝组织的僵硬程度、蛋白质合成功能、血流通畅性及炎症水平。研究者利用这些测量训练了若干计算模型，包括传统统计模型和更灵活的机器学习方法，以估算每个移植物的生物学年龄。模型首先学习这些标志随年龄通常如何变化，然后用该模式为每个肝脏分配类似年龄的评分。

机器学习发现隐藏的磨损

研究者随后在一组时间上随后移植的82对供受体配对中测试了他们的模型。一种传统的线性模型最能匹配供体的实际年龄，但它主要再现了日历年龄，未能揭示关于风险的额外信息。相比之下，梯度提升的机器学习模型捕捉到了更复杂的模式。它在模仿历年年龄方面表现较差，但其生物学年龄评分与真实临床结局相关性很强。那些其生物学年龄高于供体历年年龄的肝脏，更可能在术后引起胆管问题，并与较差的移植物存活相关。在该模型中，超出预期的生物学年龄成为移植物丧失的独立风险因素，即便在调整了受体状况和手术细节后仍然显著。

将肝脏分为衰老快慢两组

为便于临床使用，团队根据生物学年龄与历年年龄之间的差距将移植物分为两组。属于加速衰老组的肝脏（器官显得比供体年纪更老）在移植后表现较差。而属于减速衰老组、其生物学年龄与或落后于历年年龄的肝脏，长期存活明显更好。值得注意的是，仅按历年年龄对供体分组时，存活曲线重叠且未显示明显差异。这表明机器学习得出的生物学年龄捕捉到了简单年龄分界线所忽略的真实生物学磨损。

这对未来移植意味着什么

通俗地说，这项工作表明某些来自年长供体的肝脏实际上可能比纸面上看起来更安全，而某些来自年轻供体的肝脏则可能出人意料地脆弱。通过将多种实验室和影像信号压缩为单一直观的“器官年龄”，该模型提供了评估移植肝脏质量与进行供受匹配的新方法。结果仍属初步并来源于单一中心，因此需要更广泛的验证。但若得到证实，使用生物学年龄而非日历年龄，可能帮助医生从供体库中挽救出更多可用肝脏，同时更好地保护患者免受高风险移植物的危害。

引用: Wang, Y., Zhang, L., Xiong, X. et al. A machine learning-derived biological age model for liver grafts provides a superior assessment of aging compared to chronological age in transplantation. Sci Rep 16, 14868 (2026). https://doi.org/10.1038/s41598-026-45531-z

关键词: 肝脏移植, 生物学年龄, 机器学习, 器官捐献, 移植物存活