脂肪肝病 (SLD)，以前称为非酒精性脂肪肝病，包括由于脂质代谢异常而导致肝脏脂肪堆积引起的一系列疾病，影响着全球约 25% 的人口，使其成为全球最常见的疾病之一。最常见的肝脏疾病。SLD 通常被称为“无症状肝病”，其进展时没有明显症状，并可能导致更严重的疾病，如肝硬化(肝脏疤痕)和肝癌。

肝活检是一种侵入性手术，涉及从体内提取肝组织样本，是检测 SLD 的传统方法。为了简化检测，东京理科大学(TUS)的 Kohei Soga 教授领导的研究小组此前引入了近红外高光谱成像(NIR-HSI)作为一种非侵入性方法来可视化肝脏中的总脂质含量。

近红外光的波长(800-2500 nm)比紫外线和可见光更长，可显示各种有机物质(包括组织中的生物分子)的吸收，从而能够识别肝脏中的脂肪分布。

现在，在《Scientific Reports》杂志上发表的一项新研究中，包括启蒙大学 Kohei Soga 教授、Masakazu Umezawa 副教授、Masao Kamimura 副教授以及大阪都立大学 Naoko Ohtani 教授在内的研究团队对这种方法进行了改进通过机器学习模型逐像素区分肝脏中存在的脂质类型。

该框架根据脂肪酸的碳氢链长度 (HCL) 和饱和度 (DS) 来区分脂质，帮助评估 SLD 进展、脂肪性肝炎 (NASH) 和 SLD/NASH 相关肝癌的风险。

“除了总脂质含量等定性信息之外，我们现在还可以可视化定性信息，例如脂质(主要是甘油三酯)中所含脂肪酸的分布特征，”梅泽博士说。

值得注意的是，由于各种生物分子的吸收光谱重叠，使用 NIR-HSI 根据分子组成识别脂质面临着挑战。为了解决这个问题，研究人员使用了支持向量回归机器学习模型，该模型经过训练可以识别 16 种脂肪酸的组成。