口腔微生物群变化与 AI 驱动高光谱成像用于冠心病预测的前沿探索

为解决 CAD 诊断难题，武汉大学人民医院研究人员开展口腔微生物群与 AI 驱动高光谱成像预测 CAD 的研究。结果显示 CAD 患者口腔微生物群失调，模型预测性能良好。该研究为 CAD 无创诊断提供新思路，值得科研读者一读。

　　

武汉大学人民医院心血管医院（Cardiovascular Hospital, Renmin Hospital of Wuhan University）的 Zeyan Li、Xiaomeng Yang 等研究人员在《BMC Cardiovascular Disorders》期刊上发表了题为 “Exploration of oral microbiota alteration and AI-driven non-invasive hyperspectral imaging for CAD prediction” 的论文。该研究在冠心病（Coronary Artery Disease，CAD）诊断领域意义重大，为冠心病的早期发现和诊断开辟了新的途径，有望改善心血管疾病的诊疗现状。

研究背景

冠心病作为全球心血管疾病中导致死亡和慢性残疾的主要原因，一直是医学研究的重点领域。近年来，越来越多的研究表明，口腔健康与冠心病之间存在着紧密的联系。口腔微生物群失调不仅是口腔疾病发病的重要因素，还与心血管疾病风险的增加以及不良心血管事件的发生密切相关。已有研究证实，口腔中的一些常见致病菌能够在动脉斑块和动脉内膜中被检测到，它们通过诱导免疫介导的炎症反应和破坏代谢稳态等机制，促进动脉粥样硬化斑块的形成和发展 。

舌背作为口腔微生物群的重要栖息地，其微生物群落的变化对于评估口腔微生物组的整体状态具有重要意义。然而，目前尚不清楚舌背微生物群的改变是否与冠心病相关。此外，以往研究主要集中在面部皮肤特征与冠心病的关系上，但这些特征可能受到不同种族肤色的影响。而口腔高光谱成像（Hyperspectral Imaging，HSI）技术具有高光谱分辨率、宽光谱范围和卓越的空间分辨率等优势，能够提供目标物体的全面光谱信息，有效减少肤色对表面特征识别的影响。因此，开展这项研究旨在探索冠心病患者舌背微生物群的变化，并利用高光谱成像技术结合机器学习算法，为冠心病的诊断提供新的方法。

研究方法

1. 研究设计与参与者：该研究分为两个阶段。第一阶段在 2023 年 7 月至 8 月，于武汉大学人民医院前瞻性招募了 211 名胸痛患者，用于开发和测试冠心病模型；第二阶段在 2024 年 8 月至 10 月，在宜昌市中心人民医院招募了 65 名胸痛患者，对第一阶段建立的模型进行测试。研究通过冠状动脉造影（Coronary Angiography，CAG）检查，将至少一支冠状动脉狭窄≥50% 的患者定义为冠心病患者，并排除了有舌部手术史、临床基线特征缺失 > 30%、拒绝高光谱图像采集和急性心肌梗死的患者。最终，190 名符合条件的参与者签署了知情同意书，参与了本研究。
2. 标本采集与 16sRNA 基因测序：根据 CAG 结果，参与者被分为冠心病组和对照组。在参与者进行口腔卫生清洁和进食前的早晨，使用舌刮器从舌后部到前部采集舌苔标本，重复 5 - 7 次，将采集的标本置于含有磷酸盐缓冲盐水溶液的 1.5ml Eppendorf 管中，经离心后，弃去上清液，将沉淀物保存于 - 80°C 直至分析。提取细菌 DNA 后，使用特定引物对 16sRNA 基因的特定区域（16SV3 - V4）进行 PCR 扩增，随后进行 DNA 文库制备和测序。
3. 序列组装与分析：对参与者的舌苔微生物组 16sRNA 序列信息进行比较分析。利用 FLASH 软件合并双端读数，使用 fastp 软件进行质量过滤，去除嵌合体序列。通过计算 Chao1、Shannon、Simpson 和 Pielou_e 等 4 个指标来评估微生物群落的 α 多样性，基于加权和非加权 unifrac 距离确定 β 多样性，并进行主坐标分析（Principal Coordinate Analysis，PCoA）以阐明两组之间微生物群落的差异。此外，还进行了 T 检验、线性判别分析效应大小（Linear Discriminant Analysis Effect Size，LEfSe）分析和网络分析，以深入研究两组之间微生物群落的差异和共生关系。
4. 高光谱图像研究设置：每位参与者提供 25 张合格的高光谱图像，共收集了 4750 张图像用于模型的开发和测试。将第一阶段的合格图像随机分为训练集（70%，N = 2555）和内部测试集（30%，N = 1095），第二阶段的图像作为外部测试集（30%，N = 1095）。在 CAG 检查前，使用 XIMEA USB3 Vision Camera 对所有符合条件的患者进行舌背高光谱图像采集。
5. 高光谱图像采集：在图像采集前，患者需禁食并使用无菌生理盐水漱口。相机在 688 - 951nm 波长范围内捕获 25 个光谱带，光谱分辨率为 4 - 25nm，最大空间分辨率为 644×484 像素。使用 150W 石英钨卤灯光源进行照明，相机光学元件与舌上表面的距离为 100cm，每位患者的图像采集时间少于 1 秒。若舌部运动干扰图像采集，则重新进行拍摄。
6. 高光谱图像数据的预处理和注释：对原始高光谱图像进行预处理，以减少环境光条件和传感器暗电流的影响，然后进行校准和标准化处理。在 ENVI5.3 软件中提取 25 个波段的光谱和空间特征。
7. 高光谱特征和模型构建：使用 30 种单机学习算法，包括 16 种线性模型、5 种非线性模型、4 种贝叶斯模型、3 种决策树和集成模型以及 2 种神经网络，利用训练集中每位患者 25 个波段的光谱和空间特征训练预测冠心病的模型。通过随机森林（Random Forest，RF）算法选择最显著的高光谱特征，并进行五折交叉验证以提高模型的泛化能力。
8. 预测模型升级：为提高冠心病预测模型的性能，采用决策级融合策略实现模型融合。将 30 个单模型在不同特征集上分别训练，通过加权投票在决策层面聚合它们的预测分数。通过比较外部和内部测试集中的 ROC 曲线和 F1 分数，选择最佳的融合模型。
9. 诊断性能评估：通过计算灵敏度（Sensitivity，SE）、特异性（Specificity，SP）、受试者工作特征曲线下面积（Area Under the Curve，AUC）、决策曲线分析（Decision Curve Analysis，DCA）、校准曲线、阳性预测值（Positive Predictive Value，PPV）、阴性预测值（Negative Predictive Value，NPV）、准确率（Accuracy，ACC）和 F1 分数等指标，评估冠心病预测模型的性能。
10. 统计分析：使用 SPSS Statistics version 29 和 Python version 3.12 进行统计分析。连续变量以平均值 ± 标准差或中位数（四分位数间距）表示，分类变量以比例表示。连续数据采用单因素方差分析或 Kruskal - Wallis 秩和检验进行比较，分类数据采用卡方检验或 Fisher 精确检验进行评估，双侧检验，P < 0.05 为差异具有统计学意义。

研究结果

1. 冠心病患者的口腔微生态失调：通过 16sRNA 基因测序分析参与者的舌苔样本，发现冠心病患者口腔微生物群的 α 多样性显著改变，Chao1、Pielou_e、Shannon 和 Simpson 等群落多样性和丰富度指数均显著低于对照组。PCoA 分析显示，冠心病组和对照组之间存在显著差异。在门水平上，冠心病患者的放线菌门（Actinobacteria）、厚壁菌门（Firmicutes）和脱硫杆菌门（Desulfobacterota）相对丰度显著升高，而变形菌门（Proteobacteria）相对丰度显著降低。在属水平上，奈瑟菌属（Neisseria）和尤里真杆菌群（Eubacterium_yurii_group）在对照组中的相对丰度显著较高，而链球菌属（Streptococcus）、罗氏菌属（Rothia）、梭杆菌属（Fusobacterium）等在冠心病组中的相对丰度显著较高 。LEfSe 分析确定了两组之间舌苔微生物群中的差异分类群，进一步揭示了两组微生物群落的特征。
2. 冠心病患者口腔微生物群的重建：网络分析表明，对照组和冠心病组之间有 13 个属的微生物群存在显著关联。对照组的微生物网络拓扑性质，包括节点数、边数和平均度，均显著高于冠心病组，这表明对照组的微生物网络结构更为复杂和稳定。
3. 模型开发和高光谱特征展示：对 276 名胸痛患者进行前瞻性研究并进行冠状动脉造影检查，最终 190 名患者纳入研究，共获得 4750 张高光谱图像。训练集用于特征选择和模型开发，采用多种机器学习算法和五折交叉验证。基于决策级融合策略，将单个模型集成以优化整体模型性能。通过随机森林算法对舌背高光谱特征进行识别和排序后，开发了 30 个个体预测模型。分析光谱和纹理特征发现，对照组和冠心病患者之间的光谱和纹理特征存在显著差异。
4. 内部和外部测试集的模型评估：使用 31 种不同的机器学习算法开发模型，包括 30 个个体模型和 1 个基于决策级策略的融合模型。在内部测试集中，表现最佳的 6 个模型（GP - GB - SVM、GP、GB、SVM、RF 和 TheilSen）的 AUC 值范围为 0.783 - 0.921；在外部测试集中，AUC 值范围为 0.685 - 0.860。校准曲线显示，GP - GB - SVM、GP、GB 和 RF 模型在内部测试集中的诊断性能令人满意，但存在高估冠心病风险的趋势；在外部测试集中，GP - GB - SVM 模型的校准曲线显示出 CAD 概率与实际观察结果之间的最高相关性。DCA 分析表明，这 6 个模型在内部和外部测试集中均具有出色的净效益，其中 GP - GB - SVM 模型的净临床效益显著高于其他 5 个模型。

研究结论与讨论

本研究通过对冠心病患者舌背微生物群的 16sRNA 测序和高光谱成像技术的应用，揭示了冠心病患者口腔微生物群的显著变化，并构建了基于高光谱图像的机器学习模型用于冠心病的预测。研究结果表明，冠心病患者口腔微生物群存在明显的失调，微生物群落的多样性、丰富度和网络稳定性均降低。同时，基于高光谱图像的 GP - GB - SVM 融合模型在冠心病预测中表现出卓越的性能，为冠心病的无创诊断提供了新的方法。

从病理生理学角度来看，口腔微生物群失调在动脉粥样硬化斑块的形成和心血管疾病的进展中起着重要作用。本研究进一步证实了冠心病患者口腔微生物群的变化，这些变化可能通过影响免疫介导的炎症反应和脂质代谢稳态等机制，促进冠心病的发生和发展。此外，研究还发现了冠心病患者口腔微生物网络拓扑特征的改变，提示口腔微环境稳态的失衡可能在冠心病的发病过程中发挥作用。

在临床应用方面，目前冠心病的诊断主要依赖冠状动脉造影这一侵入性检查方法，存在一定的手术风险和经济负担。本研究利用舌背高光谱图像克服了传统方法中肤色差异对表面特征信息的干扰，提供了更全面的表面特征信息。基于高光谱图像的模型无需其他临床特征即可实现对冠心病的快速筛查，为冠心病的早期诊断提供了新的思路。特别是在资源有限的地区，该融合模型有望辅助医生进行冠心病的筛查和诊断，帮助判断患者是否需要进一步进行冠状动脉造影检查，从而减少不必要的检查，提高医疗资源的利用效率。

然而，本研究也存在一些局限性。首先，虽然发现了冠心病患者口腔微生物群的变化，但未进一步探究其确切机制和潜在的生物标志物。其次，研究的样本量和人群多样性可能有限，影响了研究结果的普遍性，未来需要纳入更大规模、更多样化的多民族队列进行验证。此外，研究仅应用了现有的机器学习算法，在算法创新方面还有待进一步探索，如优化算法、提高模型效率、增强模型可解释性和优化数据处理等。同时，模型未结合基线特征进行构建，未来需要进一步完善。最后，高光谱成像技术在资源有限的地区可能难以普及，限制了该诊断方法的广泛应用。

总体而言，本研究为冠心病的诊断提供了新的视角和方法，强调了口腔微生物群在冠心病发生发展中的重要作用，以及高光谱成像技术结合机器学习算法在冠心病无创诊断中的潜力。未来的研究需要进一步解决现有局限性，推动相关技术在临床实践中的广泛应用，为冠心病的早期诊断和治疗提供更有力的支持。