利用全身[18F]FDG PET/CT和机器学习技术，绘制血糖连续范围内的系统性器官间代谢网络图谱

《European Journal of Nuclear Medicine and Molecular Imaging》：Mapping systemic inter-organ metabolic networks across glycemic continuum using whole-body [18F]FDG PET/CT and machine learning

本研究利用全身[1?F]FDG PET/CT扫描，分析1159名成人中正常血糖、糖尿病前期和糖尿病患者的器官间代谢网络连接性变化。通过构建群体偏差网络和个体化偏差网络，发现糖尿病前期表现为广泛连接减弱，糖尿病则以局部连接中断为特征。机器学习模型基于脑-周围连接等关键预测因子，对糖尿病前期和糖尿病的区分AUC达0.75。

　　

摘要

目的

葡萄糖稳态依赖于多个器官之间的协调作用，其紊乱与糖尿病的发展密切相关。本研究探讨了通过全身[1?F]FDG PET/CT评估的器官间代谢协调性在血糖连续谱上（无论是群体层面还是个体层面）如何发生变化，以及个性化功能障碍特征是否能够改善糖尿病风险的早期分层。

方法

我们分析了来自两个独立中心的1,149名成年人的全身[1?F]FDG PET/CT扫描数据，根据空腹血糖将这些受试者分为正常血糖组、糖尿病前期组和糖尿病组。从20个主要器官中提取了标准化摄取值（该值经过瘦体重归一化处理）。随后使用广义线性模型根据年龄、性别和BMI对这些数值进行了进一步调整，以减少人口统计学因素的干扰。通过自举相关矩阵并应用错误发现率校正方法构建了群体层面的代谢连接网络。为了捕捉个体层面的代谢失调情况，我们通过量化每个受试者的器官间协调性与人口统计学匹配的参考模式的差异来生成偏差网络。这些个性化的网络特征被用于训练和验证一个机器学习模型，以区分糖尿病前期和糖尿病。

结果

在群体层面，网络拓扑分析显示，从正常血糖状态到糖尿病前期再到糖尿病状态，器官间代谢连接性逐渐减弱。糖尿病前期的特点是多个器官之间的连接普遍但轻微减弱，而糖尿病则表现为较少但更集中的连接紊乱，表明网络紊乱趋向于局部化。具体变化包括糖尿病前期肾脏之间的协调性降低，以及糖尿病状态下大脑与肝脏之间的连接中断。个性化偏差网络捕捉到了个体层面的代谢连接差异，其中糖尿病前期的异质性更为显著。基于这些个性化特征训练的机器学习模型成功地区分了糖尿病和糖尿病前期（AUC=0.75，外部验证结果），其中大脑与外周器官之间的连接成为最具信息量的预测因子。

结论

本研究揭示了不同血糖状态下器官间代谢连接性紊乱的独特模式，并证明个性化网络特征能够有效捕捉个体特定的代谢失调情况。