摘要：代谢功能障碍相关脂肪性肝病（MASLD）已成为全球最常见的慢性肝病，影响约30%的普通人群。其隐匿性强、早期症状不显著的特点，导致多数患者确诊时已进展至纤维化甚至肝硬化阶段，死亡率较健康人群翻倍。传统筛查手段如肝活检存在侵入性风险，而非侵入性检测[
引言
代谢功能障碍相关脂肪性肝病（MASLD）已成为全球最常见的慢性肝病，影响约30%的普通人群。其隐匿性强、早期症状不显著的特点，导致多数患者确诊时已进展至纤维化甚至肝硬化阶段，死亡率较健康人群翻倍。传统筛查手段如肝活检存在侵入性风险，而非侵入性检测[如纤维化-4指数（FIB-4）、天冬氨酸转氨酶与血小板比值指数（APRI）等]在敏感性和特异性上仍有局限[1,2]。2025年美国消化疾病周（DDW）公布的两项突破性研究，分别从蛋白质组学和机器学习模型的角度，为MASLD的早期预测与精准分类提供了全新解决方案。本文整理了两项研究的核心发现，以飨读者。
这5种血液蛋白质居然能提前16年预警MASLD风险[1]我国广东省人民医院消化内科沙卫红教授带领的科研团队，借助蛋白质组学技术展开深入研究，成功识别出5种能够前瞻性地预判MASLD的发病风险的血浆蛋白（CDHR2、FUOM、KRT18、ACY1、GGT1），并基于这一重要发现，构建起MASLD的早期预测模型。且借助该模型，最远可将预测MASLD的发病风险时间窗口提前至16年之久。
▎研究方法与结果：
研究团队通过分析了英国生物银行中52952名基线时未患MASLD参与者的蛋白质组学数据（受试者中有782名在随访中被诊断为MASLD）。运用多变量Cox回归分析，筛选出关键蛋白质（在2737种血浆蛋白中筛选），并构建内部验证的预测模型，对比基线蛋白质浓度五分位数组间的MASLD累积发病率，评估诊断前蛋白质浓度的时间变化趋势，发现：
图1 研究结果示意图
①在分析的2737种蛋白质中，有5种成为预测5年内MASLD发病的可靠生物标志物：CDHR2（曲线下面积AUC=0.825）、FUOM（AUC=0.815）、KRT18（AUC=0.810）、ACY1（AUC=0.803）和GGT1（AUC=0.797）；②这5类蛋白质在发病前16年的血浆浓度就出现显著变化，且基线时这些蛋白质水平较高的参与者，患MASLD的风险显著增加将近10倍（风险比HRs=7.05-9.81）；
③5种蛋白组合预测MASLD发病准确性高，5年AUC达0.857，10年0.775，10年以上0.739，全时段0.758。结合临床指标后，5年AUC提升至0.894，10年0.840，10年以上0.807，全时段0.822。单独蛋白模型5年预测准确率83.8%，16年75.6%（图2）；
图2 根据5种血浆蛋白质构建的模型预测MASLD的准确性
同时研究人员在100名中国人的小型独立队列进行验证，结果也有力彰显了模型的稳健性。此项研究首次将蛋白质组学应用于MASLD的超早期预警，为无症状人群的筛查提供了高效工具。研究的报告者，来自广东省人民医院消化内科的研究报告者表示：“若能在症状出现前十余年识别高危个体，通过生活方式干预或药物预防，有望大幅降低肝病进展风险。”
PURI模型——机器学习赋能纤维化精准分类[2]美国Puneet Puri团队发现，基于FIB-4的风险分层显示，对MASLD患者的临床分类并不理想，因此他们假设，将合并症纳入患者评估模型或许能提高对MASLD患者的分类性能。为了验证这一假设，研究人员决定开发一种利用广泛可得的临床数据的机器学习方法并将这种ML模型与现有的无创检测（NITs）进行比较。
▎研究方法与结果：
研究人员通过利用MDClone ADAMS平台（一款自助式数据分析平台），对2017年1月至2022年6月期间接受振动控制瞬时弹性成像以评估肝脏疾病的3990名退伍军人前瞻性队列展开研究，确定疑似患有MASLD的患者有3151名（排除患有酒精性、病毒性和自身免疫性等其他病因肝病的患者）。
表1 对模型构建和性能具有重要性的探索特征
之后通过机器学习方法从41个变量中筛选出8个用于预测显著肝纤维化（≥F2）；计算FIB-4、APRI等现有无创检测指标构建对比模型，以肝脏硬度划分肝纤维化分期；测试13种机器学习模型，评估召回率≥80%的模型的准确率、召回率、AUROC和F1评分（表1），基于随机森林（RF）和k近邻（kNN）算法开发出PURI，并与现有无创检测指标比较发现：
采用RF方法的PURI表现最佳，在肝脏硬度≥8kPa时，AUROC为0.80；在≥10kPa时，AUROC为0.88。
而PURI模型仅需常规临床数据即可运行，无需额外检测成本，尤其适合基层医疗机构。Puri P教授强调：“PURI的目标是让精准诊断走出三甲医院，惠及全球数亿MASLD患者。”
小结从“治疾病”到“防未病”，MASLD的诊疗模式正经历革命性转变。蛋白质组学与机器学习的结合，不仅为肝病研究开辟了新赛道，更将推动公共卫生策略向精准化、前瞻性迈进。正如DDW大会总结所述：“这是肝病学的黄金时代——我们从未如此接近战胜沉默的肝脏杀手。”参考文献：[1]Yu S, et al. Plasma proteomic profiles predict metabolic dysfunction-associated steatotic liver disease up to 16 years before onset. DDW 2025, Abstract 323. [2]Puri P, et al. Prospective Universal Risk Instrument (PURI): A novel machine learning model for fibrotic MASLD. DDW 2025, Abstract 327.
来源：医学界消化频道
