Cell子刊：于君团队等推出代谢功能障碍相关脂肪性肝炎（MASH）的非侵入性诊断模型

香港中文大学于君教授、黄炜燊教授、加州大学圣地亚哥分校的Rohit Loomba教授以及温州医科大学第一附属医院郑明华教授等人在 Cell 子刊 Cell Metabolism 上发表了题为：A blood-based biomarker panel for non-invasive diagnosis of metabolic dysfunction-associated steatohepatitis 的研究论文。

该研究成功鉴定了代谢功能障碍相关脂肪性肝病（MASLD）与代谢功能障碍相关脂肪性肝炎（MASH）的非侵入性诊断标志物，并构建了相应的诊断模型。

当前诊断MASH的金标准仍为肝组织活检，这种方法具有侵入性，缺乏高敏感性和特异性的非侵入性诊断标志物。针对这一现状，研究团队从四个独立队列中收集了700例受试者的血清样本，包括184例来自香港的发现队列和516例来自圣地亚哥、温州及香港的验证队列。

通过对正常对照、代谢功能障碍相关脂肪肝（MASL）和代谢功能障碍相关脂肪性肝炎（MASH）组团队前期研究得到的6种蛋白和17种临床变量进行检测，并结合随机森林算法和单因素逻辑回归方法进行筛选，研究团队成功构建了一种基于7种血清蛋白生物标志物和临床变量的非侵入性生物标志物模型。该模型不仅能够诊断MASLD，还能在经活检证实患有MASLD的患者中准确区分并识别出MASH。

为了提高临床实用性，研究团队优化了一个包含三种标志物（CK-18、CXCL10和BMI）的组合模型。该模型在诊断MASLD时表现出色，AUROC达到0.954；在诊断MASH时同样具有优异的性能，AUC为0.823。这一诊断效能在中国和美国的三个独立人群中得到了验证，AUC分别为0.802、0.805和0.823。此外，该模型还能够评估MASH的改善情况和治疗疗效，AUC达到0.857。

总的来说，该研究依托多中心人群研究，建立了针对血清蛋白标志物的机器学习模型，该模型在区分MASH及预测其治疗效果方面展现出了显著潜力。这一非侵入性早期诊断模型，对于降低不必要的肝组织活检、提高MASH的临床诊断效率和准确性具有重要意义。

香港中文大学于君教授、黄炜燊教授和加州大学圣地亚哥分校Rohit Loomba教授为论文共同通讯作者，香港中文大学张翔博士、刘德华博士和温州医科大学第一附属医院郑明华教授为该论文共同第一作者。