编辑推荐：
在慢性疾病与身体成分改变密切相关的背景下，为寻找可靠评估疾病风险和进展的生物标志物，研究人员开发并验证基于双能 X 线吸收法（DXA）扫描身体成分的生物年龄指标（BCBA）。结果显示 BCBA 与多种慢性病显著相关，能助力疾病评估和干预。
随着全球老龄化加剧，年龄相关疾病如心血管疾病、癌症和痴呆症等的发病率大幅上升，给公共健康带来了巨大挑战。在临床中，通常用实际年龄（Chronological Age，CA）来评估个体患病风险，但由于个体衰老进程差异大，CA 无法精准检测与年龄相关的疾病。比如，有的人上了年纪仍能保持身心健康，而有的人却在年轻时就因加速衰老需要医疗干预。为了更准确地评估衰老进程，生物年龄（Biological Age，BA）的概念应运而生，它通过与同一年龄段的预期水平比较，来评估个体的生物功能。然而，现有的 BA 生物标志物在推广应用中存在诸多问题，像基因测序和磁共振成像（MRI）等检测方法价格昂贵，普通大众难以承受；一些血液检测的生物标志物缺乏可解释性，无法与实际行动或生理指标相关联，难以据此设计干预措施来延缓加速衰老。
与此同时，身体成分与慢性疾病之间的联系逐渐受到关注。身体成分指的是人体中脂肪组织和骨骼肌的分布情况。已有研究表明，脂肪分布、肌肉量与肾脏疾病、代谢紊乱等慢性疾病的发生发展密切相关。例如，脂肪组织的含量是心脏代谢紊乱的可靠指标，内脏脂肪组织（Visceral Adipose Tissue，VAT）更是克罗恩病患者疾病进展的重要决定因素。而且，体内脂肪比例相对瘦肉较高的人，患胰岛素抵抗和代谢综合征的风险也会增加。
在这样的背景下，香港大学李嘉诚医学院诊断放射学系的研究人员开展了一项研究，旨在开发并验证一种基于双能 X 线吸收法（Dual - Energy X - ray Absorptiometry，DXA）扫描身体成分的生物年龄指标 —— 身体成分生物年龄（Body Composition Biological Age，BCBA），为评估健康状况和预测疾病结果提供新途径。该研究成果发表在《Communications Medicine》上。
研究人员在本次研究中主要运用了以下关键技术方法：
- 数据来源：使用英国生物银行（UK Biobank）的数据，该数据库包含超过 500,000 名个体的信息。
- 模型构建：采用深度学习技术，训练 Densenet121 模型。以正常参考组参与者的 DXA 图像作为模型输入，实际年龄作为输出，通过这种方式学习正常人群身体成分的衰老模式，进而计算个体的 BCBA。
- 模型评估：运用多种评估指标，如均方误差（MSE）、平均绝对误差（MAE）、R 分数和平均绝对百分比误差（MAPE）等，来量化预测的 BCBA 与实际年龄之间的差异，以此评估模型的准确性和稳健性。
下面来看看具体的研究结果：
- 数据特征：经过筛选，正常参考组有 4313 名女性和 3422 名男性。疾病组的平均年龄显著高于正常参考组。而且，疾病组的 VAT 百分比更高，瘦体重百分比更低。男性组中患慢性病的人数比女性组更多，在 2 型糖尿病（Type 2 Diabetes Mellitus，T2DM）和动脉粥样硬化性心血管疾病（Atherosclerotic Cardiovascular Disease，ASCVD）方面，男性阳性病例数几乎是女性的两倍。
- 模型性能评估：通过计算不同组别的 R 分数发现，正常参考组测试集的 R 分数较高，疾病组的 R 分数较低，这表明正常参考组的 BCBA 与实际年龄更接近，而疾病组的 BCBA 与实际年龄差异更大。对比 BCBA 与 CA 的差值发现，正常组的差值接近 0，次优组和疾病组的差值大于 0，即这些组的 BCBA 大于 CA，呈现加速衰老趋势；而超正常组的差值小于 0，表现出 “减速” 衰老趋势。同时，研究还发现 60 - 69 岁年龄组的 BCBA 值与 CA 更为接近，40 - 49 岁年龄组的差异较大。
- BCBA 作为多种疾病生物标志物的评估：分析发现 BCBA 与 CA 的年龄差和多种疾病的发生率呈显著正相关。例如，对于 ASCVD，女性的优势比为 1.07（p<0.0001），男性为 1.10（p<0.0001）；对于主要不良心血管事件（Major Adverse Cardiovascular Events，MACE），女性优势比为 1.10（p<0.0001），男性为 1.11（p<0.0005）；对于 T2DM，女性优势比为 1.08（p<0.0001），男性为 1.04（p<0.0001）；对于高血压，女性优势比为 1.06（p<0.0001），男性为 1.04（p<0.0001）。这说明 BCBA - CA 的值越大，患病的可能性越高，BCBA 具有作为多种疾病生物标志物的潜力。
- BCBA 作为多种疾病预后生物标志物的评估：根据 BCBA 与 CA 的差值将参与者分为低风险组（BCBA - CA ≤ 0）和高风险组（BCBA - CA > 0）。分析发现，在 ASCVD、MACE 和高血压方面，高风险组和低风险组在女性和男性中均有显著差异（p<0.005）。在 T2DM 方面，女性队列中低风险组和高风险组有显著差异（p<0.005），男性队列中也有明显区分且达到统计学意义（p<0.05）。这表明 BCBA 可作为多种疾病的预后生物标志物。
- BCBA 与一般心血管风险评估的比较：研究人员构建了多个模型进行比较，结果显示仅以 BCBA 和 BCBA 与 CA 的差值作为输入的模型（Model 3），在预测 ASCVD 和 MACE 方面，性能优于直接使用身体成分数据和一般风险因素构建的模型（Model 1 和 Model 2）。而且，将 Model 3 与包含人口统计学特征的 Model 1 结合后，预测准确性进一步提高。
研究结论和讨论部分表明，BCBA 作为一种基于 DXA 扫描身体成分的生物年龄指标，具有作为衰老生物标志物的潜力。它不仅能反映个体的衰老程度，还与多种慢性疾病的发生和预后密切相关，为临床评估慢性疾病风险和制定个性化干预措施提供了新的依据。然而，该研究也存在一些局限性。比如，需要使用外部数据集进行进一步验证和前瞻性验证；研究仅基于白种人数据，其结果在不同种族和民族人群中的普遍性有待测试；研究仅关注了 4 种疾病，未来应纳入更多疾病以全面评估 BCBA 的效用；研究构建正常参考队列仅基于 VAT 和瘦体重，未考虑衰老过程中其他生理变化；此外，分析中未考虑生活方式和社会经济等混杂因素。尽管如此，这项研究依然为慢性疾病风险评估提供了新的方向。将深度学习模型与传统风险因素相结合，有望更精准地预测心血管疾病等慢性疾病的发生发展，对未来临床实践和公共健康领域的研究具有重要的指导意义。
