在当今全球健康版图上，代谢相关脂肪性肝病（MASLD）与心血管疾病（CVD）的“强强联合”构成了严峻的公共卫生挑战。据统计，全球约30-40%的成年人受MASLD影响，而对于这些患者，CVD是其主要死因。传统的风险评估工具，如Framingham风险评分（FRS）等，在处理这种由胰岛素抵抗（IR）、慢性炎症、致动脉粥样硬化性血脂异常及共同遗传背景交织而成的复杂疾病网络时，常显得力不从心，可能低估风险，错失干预良机。
人工智能，特别是其分支机器学习和深度学习，正成为解开这一复杂谜团的新钥匙。它们能够从海量、异构的数据中挖掘出隐藏的高阶关联模式，为精准医疗带来革命性视角。
AI赋能临床与实验室数据的风险分层
在临床层面，AI模型利用常规的临床和实验室数据，已能高效助力MASLD的诊断与肝纤维化分期。机器学习算法可以识别与脂肪肝相关的关键指标，其诊断性能甚至优于现有的无创标志物。更重要的是，AI能够精准预测MASLD患者未来的心血管事件风险。研究表明，多种机器学习算法（如随机森林、梯度提升等）构建的模型，在预测主要不良心血管事件（MACE）和动脉粥样硬化性心血管疾病（ASCVD）方面表现优异，多数模型的曲线下面积（AUC）大于0.8，显著超越了传统评分系统。可解释人工智能（XAI）技术进一步打开了模型的“黑箱”，揭示了如中性粒细胞与高密度脂蛋白胆固醇比值（NHR）、全身免疫炎症指数（SII）等综合炎症指标在风险预测中的关键作用。
深度学习释放医学影像的深层价值
当AI的目光投向医学影像，其能力得到了更大的拓展。在肝脏成像方面，深度学习可以辅助超声鉴别脂肪肝，甚至能直接从常规MRI序列中准确量化肝脏脂肪分数（PDFF）。基于CT或MRI的深度学习模型，在无创评估肝纤维化分期方面也达到了很高的诊断准确度（AUC 0.9-0.97）。在心血管成像领域，AI能够对冠状动脉CT血管成像（CCTA）进行自动化、精细化的斑块分析，精确量化斑块体积、成分（如脂质核心），并识别易损斑块特征，从而提供超越管腔狭窄程度的更早期风险预警。
更具前瞻性的是“机会性筛查”理念。AI能够从为某一器官（如心脏）拍摄的影像中，额外提取另一器官（如肝脏）的疾病信息。例如，有研究利用AI从冠状动脉钙化（CAC）扫描图像中同时评估肝脏脂肪含量，发现AI计算的肝脂分数是心血管事件的独立预测因子。这实现了“一次扫描，多重评估”，极大提高了医疗资源的利用效率。这些应用的背后，是卷积神经网络（CNN）、视觉变换器（ViT）等深度学习架构以及影像组学技术的强力支撑。
多模态与多组学AI揭示疾病新机制
为了更全面地把控风险，研究者正致力于融合临床、影像、基因组、转录组、蛋白质组、代谢组等多维度数据，构建多模态AI模型。这种系统生物学方法旨在绘制MASLD与CVD相互作用的全局网络图谱。AI驱动的多组学分析已经鉴定出一系列可能与两种疾病共病相关的潜在生物标志物和通路。例如，蛋白CNPY4、ENTPD6，基因HNF4A、LTBP4，代谢物苯乙酰甘氨酸（PAG）、柠檬醛等都被发现与MASLD及其心血管风险存在关联。共同涉及的生物学通路包括胰岛素信号、IL-6/JAK/STAT炎症通路、PPAR信号通路、嘌呤代谢等。这些发现为理解“肝-心轴”的分子对话机制和寻找新的治疗靶点提供了宝贵线索。
挑战与未来方向
尽管前景广阔，但AI在这一领域的临床转化仍面临诸多挑战。数据质量参差不齐、单中心回顾性研究带来的算法偏差、模型在不同人群和医疗中心中的泛化能力不足，以及众所周知的“黑箱”问题，都是亟待解决的瓶颈。此外，如何将AI工具无缝整合到现有临床工作流中，并证明其成本效益，也关乎其最终落地。
展望未来，联邦学习有望在保护数据隐私的前提下，联合多家机构数据训练出更稳健的模型。生成式AI或许能助力解决数据稀缺问题。最终目标是构建一个集成、多模态、可解释的智能决策支持系统，实现对MASLD患者心血管风险的早期、动态、精准化管理，将医生从繁重的数据整合分析中解放出来，更专注于体现人文关怀的临床决策与患者照护。
通过人机协同，AI有望引领我们更好地应对MASLD与CVD这一对交织的全球健康威胁，最终惠及全球数以亿计的患者。
