基于人工智能的自闭症识别：通过高光谱成像检测儿童红细胞中的氧化应激

为何一滴血可能揭示隐匿的压力

长期以来，医生怀疑许多疾病在症状出现前数年就悄悄损伤细胞，但缺乏简单工具来观察这种早期损害。本研究探讨了一种通过一滴血并结合先进成像与人工智能读取隐匿损伤的新方法。研究聚焦于自闭症儿童，但该方法最终可能用于监测与细胞“磨损”相关的广泛状况。

观察血细胞的新方式

红细胞不仅负责运输氧气；其脆弱的外膜也记录着个体所经历的化学应激。当机体暴露于氧化应激——有害的反应性分子与体内防御失衡时——膜中某些易损脂质是最先受攻击的对象。研究者没有去寻找某一种特定化学物质，而是采用了高光谱成像，这种技术记录了细胞每一小片如何在比人眼可见范围更广的多色光谱中散射光。每个像素成为一种颜色指纹，反映出存在的分子及其在膜中的排列方式。

构建健康与受压细胞的图谱

为理解氧化应激对红细胞的影响，团队首先建立了受控的实验室模型。他们从健康成人采集少量血样，并将部分样本温和处理以暴露于过氧化氢——一种常见的氧化剂。借助高光谱暗场显微镜，他们记录了许多个体细胞的详细散射光谱图，并将这些图谱归为八种重复出现的“光谱特征”。同时，他们对膜脂进行化学分析，证实氧化会减少敏感的多不饱和脂肪并增加更为稳定的饱和脂肪。特定的光谱特征在这种化学重塑发生时以一致的方式发生偏移，显示出该成像方法可以在不接触细胞或添加染料的情况下“看见”膜结构的变化。

将方法应用于自闭症儿童

有了这个参照，研究者转向了27名自闭症谱系障碍男童和31名年龄与体格相近的神经典型男童的血样。他们用相同的高光谱协议对每位儿童的红细胞成像。自闭症儿童中若干光谱特征与神经典型儿童不同，而且这些变化的方向与之前在被氧化的成人样本中观察到的非常相似。一个特定的光谱特征尤为显著，该特征与膜中丧失易损脂质而获得更刚性脂质相关。结果指向一个共同模式：许多自闭症儿童的红细胞似乎带有加剧氧化应激的光学标志。

让人工智能解读这些模式

由于高光谱数据复杂，团队使用了人工神经网络——受大脑电路启发的计算模型——来学习光谱特征组合如何与自闭症或典型发育相关。在将数据谨慎分为训练集与测试集并剔除无益输入后，系统能够以约93%的整体准确率将儿童样本分为“自闭症”和“神经典型”两类，具有较高的灵敏度和特异性。另一个旨在揭示隐藏关系而非直接预测的AI工具，强调了一个关键的光谱特征与自闭症组的强关联，进一步支持特定膜变化模式是核心的观点。

这对未来护理可能意味着什么

作者强调，这尚非用于诊断自闭症的测试，也不应被用来对个别儿童贴标签。相反，这项研究表明红细胞膜携带着可读的氧化应激记录，高光谱成像结合AI能够仅用两微升血液快速提取这些信息，无需侵入性操作或添加化学试剂。长期来看，类似方法可能帮助医生追踪细胞所承受的隐匿压力程度，指导个性化的营养与治疗选择，并在严重疾病出现前监测疗法是否正在恢复更健康的细胞膜。

引用: Vartian, R., Sansone, A., Batani, G. et al. AI-based autism identification from hyperspectral imaging detection of oxidative stress in pediatric red blood cells. Commun Med 6, 266 (2026). https://doi.org/10.1038/s43856-026-01581-y

关键词: 氧化应激, 红细胞, 高光谱成像, 自闭症, 人工智能