人工智能驱动的精准肥胖表型分型与心血管代谢风险分层:一项批判性叙述性综述

《Human Nutrition & Metabolism》:Artificial intelligence for precision obesity phenotyping and cardiometabolic risk stratification: A critical narrative review

【字体: 大 中 小 】 时间:2026年10月12日 来源:Human Nutrition & Metabolism 2.7

编辑推荐:

  人工智能(artificial intelligence, AI)有望为精准肥胖表型分型与心血管代谢风险分层提供新的分析框架,但对其临床增量价值仍需审慎评估。肥胖是2型糖尿病(type 2 diabetes, T2D)、动脉粥样硬化性心血管疾病(atheros

  
人工智能(artificial intelligence, AI)有望为精准肥胖表型分型与心血管代谢风险分层提供新的分析框架,但对其临床增量价值仍需审慎评估。肥胖是2型糖尿病(type 2 diabetes, T2D)、动脉粥样硬化性心血管疾病(atherosclerotic cardiovascular disease, ASCVD)、心力衰竭(heart failure, HF)、代谢功能障碍相关脂肪性肝病(metabolic dysfunction-associated steatotic liver disease, MASLD)、慢性肾脏病(chronic kidney disease, CKD)及过早死亡的主要驱动因素。然而,临床最常用的肥胖定义与分层工具——体质指数(body mass index, BMI)——虽廉价、标准化且适用于人群筛查,却无法直接测量脂肪含量、区分脂肪与瘦体重,亦不能反映内脏脂肪(visceral adipose tissue, VAT)与异位脂肪(ectopic fat)的分布。这些局限性可能导致个体水平的心血管代谢风险被错误分类。相同BMI的个体可能因内脏脂肪、皮下脂肪储存能力、肝脏或心肌脂肪蓄积、骨骼肌质量、炎症状态、胰岛素抵抗及代谢弹性的差异而呈现截然不同的心血管代谢特征。正常体重肥胖、代谢健康型肥胖(metabolically healthy obesity, MHO)、代谢不健康型肥胖(metabolically unhealthy obesity, MUO)、内脏脂肪优势型肥胖、异位脂肪相关肥胖及肌少性肥胖(sarcopenic obesity)等表型的存在,充分说明仅凭人体测量学分类不足以支撑个体化风险评估。AI可通过机器学习(machine learning, ML)与深度学习(deep learning, DL)方法整合医学影像、电子健康档案(electronic health record, EHR)、实验室检查、多组学(omics)及可穿戴设备等多维度、异质性数据,识别潜在肥胖亚型、定量评估内脏与异位脂肪、建模纵向风险轨迹,并为T2D、心血管疾病、高血压及代谢性肝病提供个体化预测。然而,AI在肥胖医学中的前景应谨慎解读:多数模型仅在特定回顾性数据集中表现出改善的预测性能,临床转化仍受数据异质性、算法偏倚、可解释性差、外部验证不足、工作流程障碍及真实世界获益不确定等因素限制,尤其在低资源环境中尤为突出。本综述旨在评估AI在超越传统人体测量学、整合多模态数据、实现精准肥胖表型分型与心血管代谢风险分层方面的潜在价值及其临床转化要求。

论文解读:人工智能驱动的精准肥胖表型分型与心血管代谢风险分层

一、研究背景与问题

肥胖是2型糖尿病、动脉粥样硬化性心血管疾病、心力衰竭、代谢功能障碍相关脂肪性肝病、慢性肾脏病及过早死亡的主要驱动因素。然而,临床最常用的肥胖定义与分层工具——体质指数(body mass index, BMI)——虽廉价、标准化且适用于人群筛查,却存在根本性局限:它无法直接测量脂肪含量、不能区分脂肪与瘦体重、也无法反映内脏脂肪(visceral adipose tissue, VAT)与异位脂肪的分布。相同BMI的个体可能因内脏脂肪、皮下脂肪储存能力、肝脏或心肌脂肪蓄积、骨骼肌质量、炎症状态、胰岛素抵抗及代谢弹性的差异而呈现截然不同的心血管代谢特征。
正常体重肥胖、代谢健康型肥胖(metabolically healthy obesity, MHO)、代谢不健康型肥胖(metabolically unhealthy obesity, MUO)、内脏脂肪优势型肥胖、异位脂肪相关肥胖及肌少性肥胖(sarcopenic obesity)等表型的存在,说明仅凭人体测量学分类不足以支撑个体化风险评估。腰围、腰臀比、腰高比等替代指标虽优于BMI,但仍是体型的间接反映,无法区分内脏与皮下脂肪、不能定量异位脂肪,也难以反映脂肪组织炎症、纤维化、内分泌功能障碍或胰岛素抵抗。此外,人体测量学阈值在不同种族、性别、年龄及体型人群中不可通约,进一步限制了其临床解释力。

二、研究目的与意义

该综述旨在系统评估人工智能(artificial intelligence, AI)在超越传统人体测量学、实现精准肥胖表型分型与心血管代谢风险分层方面的潜在价值。研究问题聚焦于:AI如何被用于表征BMI无法充分反映的肥胖表型,以及这些表型如何贡献于心血管代谢风险分层与临床决策支持。综述强调,AI不应被视为传统肥胖评估的固有替代品,而应作为补充工具,其临床采用应取决于可复现的增量价值、恰当的校准、外部验证、决策相关获益、可接受的资源需求及前瞻性证据。

三、主要技术方法

研究人员采用结构化叙述性综述(structured narrative review)方法。文献检索覆盖PubMed/MEDLINE、Scopus和Web of Science数据库,检索时间从建库至2026年7月22日,并辅以Google Scholar补充检索及参考文献回溯。检索词分为四组:肥胖与身体成分术语、人工智能术语、数据源术语及结局术语。纳入标准包括同行评审的原始研究、系统综述、荟萃分析、循证共识声明、方法学指南及权威临床指南。证据综合采用叙述性方式,因纳入研究在人群、输入数据、表型定义、算法、比较对象、验证程序及临床结局方面存在显著异质性。研究赋予系统综述、共识声明、外部验证模型、前瞻性研究及跨独立人群复现发现更高的解释权重。

四、主要研究结果

4.1 传统肥胖指标的局限性

BMI存在"人体测量学还原论"问题,将生物学异质性疾病压缩为单一数值阈值,可低估或高估个体心血管代谢风险。腰围、腰臀比、腰高比等替代指标虽能部分反映中心性肥胖,但仍为间接标志物,无法区分内脏与皮下脂肪、不能定量异位脂肪,也难以反映脂肪组织功能障碍。传统指标无法捕捉脂肪组织生物学质量——肥胖相关风险不仅取决于脂肪总量,更取决于脂肪储存位置及其生物学行为。VAT在代谢上不同于皮下脂肪,与胰岛素抵抗、炎症信号、脂质通量改变及不良心血管代谢结局关联更强。此外,BMI阈值在不同种族间不可通约,亚洲人群在较低BMI水平即出现内脏脂肪蓄积及代谢并发症,削弱了通用人体测量学阈值支持全球风险预测的假设。

4.2 超越BMI的肥胖表型概念化

综述系统阐述了四种核心肥胖表型框架。MHO与MUO的区分反映代谢异质性——MHO并非良性状态,其心血管风险仍高于代谢健康的正常体重个体,但风险水平较低且可能随时间转化。VAT与皮下脂肪(subcutaneous adipose tissue, SAT)的区分捕捉脂肪库特异性风险——VAT在血管分布、神经支配、脂肪细胞形态、免疫细胞含量及内分泌活性方面不同于SAT,与胰岛素抵抗、血脂异常及心血管疾病关联更强。异位脂肪表型(肝脏、胰腺、心脏、骨骼肌)反映脂肪储存能力受损及更晚期代谢功能障碍,肝脏脂肪与胰岛素抵抗、血脂异常及MASLD密切相关。肌少性肥胖整合脂肪过多与肌肉质量、力量及功能降低,尤其在老年人群中常见,但不仅限于老龄化人群。

4.3 AI在肥胖表型分型中的应用

机器学习(machine learning, ML)适用于结构化临床变量建模,而深度学习(deep learning, DL)更适合影像分割与特征提取。监督学习用于分类已知高风险状态,无监督聚类可识别潜在肥胖亚型。例如,Coral等人在四个欧洲队列中通过无监督聚类识别出五种表型谱,其心血管代谢生物标志物偏离BMI预期,并改善了主要不良心血管事件及T2D的预测。Xue等人在大型中国队列中识别出四种肥胖亚型,包括相对健康代谢型、高尿酸血症型、高血糖-胰岛素抵抗型及平均型。影像学方面,AI可实现VAT与异位脂肪的自动化分割与定量,放射组学(radiomics)可捕获脂肪组织成分与功能的更高维度特征。基于EHR的纵向深度自编码器(deep autoencoder)分析可识别临床相关肥胖聚类,支持将肥胖视为动态临床状态而非静态分类。

4.4 多模态数据整合

影像学直接定量脂肪库与身体成分区室,是验证低成本多模态流程的参考标准。多组学(omics)揭示BMI无法捕获的潜在生物学——包括神经酰胺相关胰岛素抵抗、支链氨基酸失调及蛋白质组与表观基因组标志物。EHR数据以纵向方式捕获常规诊疗信息,是规模化精准表型分型的核心。可穿戴设备与数字表型(digital phenotyping)捕获连续的真实世界行为与生理信号——包括身体活动、久坐行为、睡眠、饮食及用药依从性。多模态整合的价值不在于数据量,而在于互补性:影像学定义脂肪分布与器官受累,组学揭示分子通路与生物标志物,EHR追踪纵向临床状态与治疗史,可穿戴设备反映行为与动态生理。

4.5 AI驱动的心血管代谢风险预测

传统风险模型(如Pooled Cohort Equations、QRISK、PREVENT)依赖预设预测因子,主要面向人群水平估计。AI模型可整合更广泛的特征空间,包括非结构化与纵向数据,并动态重加权预测因子。Chen等人开发的10年冠状动脉疾病元预测模型结合多基因风险评分与可修饰临床因素,在UK Biobank测试队列中AUC达0.84,在外部All of US队列中达0.81,优于PCE、QRISK3、PREVENT及早期整合模型。然而,综述强调,AUC仅衡量区分能力,不能确定预测概率是否准确、患者是否被分配到临床恰当的风险类别,或模型使用是否改善照护。校准(calibration)对于指导筛查、转诊、治疗或随访决策的预测至关重要。决策曲线分析(decision-curve analysis)比单纯区分度更能评估临床实施价值。

五、讨论与结论

AI在肥胖医学中的前景应谨慎解读。多数模型在选定回顾性数据集中显示改善的预测性能,但临床转化受数据异质性、算法偏倚、可解释性差、外部验证不足、工作流程障碍及真实世界获益不确定等因素限制,尤其在低资源环境中尤为突出。AI系统不仅需评估预测准确性,还需评估可解释性、公平性、临床实用性、安全性及对患者结局的影响。综述强调,AI不应被视为传统风险评分的简单替代,而应拓宽预测任务本身——传统工具从有限预测因子估计平均风险,AI系统可整合高维临床背景、检测潜在交互并生成更个体化的预测。
研究结论指出,当前证据对AI辅助肥胖表型分型的分析可行性支持力度强于对其相对于传统评估的一致优越性支持。AI应被视为潜在互补工具而非固有优越替代品。其临床采用应取决于可复现的增量价值、恰当的校准、外部验证、决策相关获益、可接受的资源需求及前瞻性证据。在低资源环境中,轻量级AI模型可能支持肥胖照护的可及性与公平性,但需解决数字基础设施、代表性数据集、专科能力及照护连续性等挑战。未来研究应优先开展前瞻性评估、外部验证、公平性评估及工作流程整合研究,以确定AI在精准肥胖医学中的真实临床价值。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号