要点
- 开发了一种可解释的基于人工智能（Artificial Intelligence, AI）的框架，用于从代谢功能障碍相关脂肪性肝病（Metabolic Dysfunction-Associated Steatotic Liver Disease, MASLD）患者的天狼星红（picrosirius red, PSR）染色肝活检切片中刻画胶原沉积表型（collagen deposition phenotypes, CDPs）。
- CDPs可捕捉不同的胶原形态学特征，与传统纤维化分期及胶原比例面积（collagen proportionate area, CPA）指标相比，具有更高的敏感性和生物学特异性。
- 转录组学和蛋白组学通路分析将特定CDPs与活跃的细胞外基质重塑及肝功能状态联系起来。
- 部分CDPs与MASLD的临床结局具有预后相关性，外部验证支持了模型的泛化能力。
- 所有计算工具和模型均可公开获取，有助于开展透明、可重复的多组学病理学研究。
研究背景
代谢功能障碍相关脂肪性肝病（Metabolic Dysfunction-Associated Steatotic Liver Disease, MASLD；原称非酒精性脂肪性肝病）中的肝纤维化是关键的病理学特征。纤维化进展预示肝硬化、肝衰竭和肝细胞癌风险升高；随着肥胖和代谢综合征负担持续增加，这已成为全球范围内的重要临床挑战。准确评估纤维化对于预后判断、治疗个体化以及疾病机制理解至关重要。然而，传统组织学纤维化分期系统仅提供序数分类评估，缺乏足够细粒度。胶原比例面积（collagen proportionate area, CPA）等定量方法虽可提高测量精度，但忽略了对生物学背景至关重要的空间结构。利用人工智能（Artificial Intelligence, AI）的先进方法已显示出增强纤维化表征的潜力，但相关工具大多仍为专有且学术研究难以获取，从而限制了透明性和可重复性。本研究针对这一空白，提出一种可解释的、由AI驱动的框架，用于从常规天狼星红（picrosirius red, PSR）染色肝活检切片中识别MASLD患者的详细胶原沉积表型（collagen deposition phenotypes, CDPs），并整合分子与临床相关性分析。
研究设计
本研究纳入一组具有PSR染色肝活检切片的MASLD患者发现队列，并与转录组学和蛋白组学数据集进行配对；同时引入外部验证队列以检验模型稳健性。研究方法包括：
- 构建基于AI的图像分析流程，采用机器学习算法对数字化PSR染色图像中的胶原沉积模式进行分割与量化。
- 基于从图像中提取的胶原形态学特征进行无监督聚类，定义不同的胶原沉积表型（collagen deposition phenotypes, CDPs）。
- 将CDPs与既有组织学纤维化分期及CPA定量指标进行比较分析。
- 整合匹配的肝组织转录组学与蛋白组学数据，开展与各CDP相关的通路富集分析，以阐明潜在生物学过程。
- 评估CDPs与临床相关指标及预后表现之间的关联，以预测队列中的疾病进展或不良结局。
所有计算模型和工具均以开放获取方式共享，以确保可重复性并促进后续研究。
主要发现
该AI框架识别出多个离散的胶原沉积表型（CDP 1至5），每一种均具有不同的胶原组织结构和形态计量学特征，而这些特征是传统纤维化评分或CPA所不能完全反映的。
更高的敏感性与生物学特异性
与CPA及序数型纤维化评分相比，CDPs在检测胶原形态学细微差异方面表现出显著更高的敏感性。更高的分辨率揭示了与特定CDPs共定位的转录组和蛋白组学特征，提示存在不同的分子签名。
通路与功能相关性
CDP 4和CDP 5与提示活跃细胞外基质重塑的通路高度相关，包括基质金属蛋白酶上调、胶原交联酶以及TGF-β和整合素相关信号级联等。相较之下，其他CDPs则与免疫调控或肝细胞功能相关通路相一致，强调了纤维化生物学的异质性。
临床与预后相关性
在发现队列中，部分CDPs与肝功能状态标志物及临床结局存在显著关联，包括进展为进展期纤维化及肝相关事件。尽管在外部验证队列中预后区分能力有所减弱，但仍可观察到，支持了模型的泛化能力。
透明性与可重复性
所有模型、算法及分析工具均已公开发布，使其他研究团队能够独立验证、优化并扩展这些发现。这种做法有助于应对该领域中由于专有AI方法限制跨研究比较而带来的重要挑战。
专家点评
本研究体现了AI驱动的定量病理学在深化我们对MASLD肝纤维化认识方面的强大能力。通过超越粗略的分类分期和简单胶原定量，识别离散的胶原沉积表型建立了一个兼具生物学意义和临床意义的框架。与多组学数据集的紧密整合揭示了纤维化异质性的潜在机制通路，或可为靶向治疗策略提供依据。需要指出的重要局限是外部队列中的预后准确性有所下降，提示仍需在更大、更多样化的人群中进一步验证。此外，临床转化还需要将该框架与无创纤维化评估工具相结合，并探索表型随时间的演变。
这种开放获取方式为计算病理学领域的透明性树立了重要先例，可缓解阻碍肝纤维化研究进展的关键障碍。未来研究应进一步纳入空间转录组学和单细胞分析，以更深入地区分不同胶原表型的细胞来源。
结论
这一开创性的基于AI的框架通过捕捉传统方法容易忽略的精细胶原沉积模式，显著推进了MASLD纤维化评估。由此获得的胶原沉积表型为细胞外基质重塑和肝功能状态提供了更丰富的生物学洞见。其临床相关性已由跨队列验证的预后关联所证实。模型的开放发布促进了可重复的多组学病理学研究，并为精准肝纤维化表型分层奠定了基础。
该方法有望优化患者风险分层、加速生物标志物发现，并最终推动针对MASLD不同纤维化微环境的抗纤维化治疗开发。
资助与ClinicalTrials.gov
研究细节未说明具体资助来源或临床试验注册号。支持机构和资助机构的致谢通常可见于原始发表文章中。
参考文献
1. Wojciechowska M, et al. Decoding fibrosis: Transcriptomic and clinical insights via AI-derived collagen deposition phenotypes in MASLD. Hepatology (Baltimore, Md.). 2026 Jun 24. PMID: 42341328.
2. Friedman SL. Liver fibrosis — from bench to bedside. J Hepatol. 2003;38 Suppl 1:S38-53.
3. Bedossa P, Carrat F. Liver fibrosis: clinical epidemiology, risk factors and natural history. Dig Dis. 2009;27(5):518-524.
4. Salgado-Somoza A, et al. Advanced AI techniques for histological assessment of liver fibrosis. Liver Int. 2023;43(4):745-756.
5. Kisseleva T, Brenner DA. Mechanisms of fibrogenesis. Exp Biol Med. 2008;233:109-122.
