研究亮点

• 本研究首次系统整合智能舌诊图像特征与16S rRNA测序口腔菌群数据，实现了代谢功能相关脂肪肝病（MASLD）中“湿热证”与“气虚证”的精准分类，AUC高达0.939，表现优异。
• 揭示了两类MASLD中明显不同的舌象表现与口腔微生物组成特征，湿热证表现为红绛舌、腻苔，富含链球菌和罗氏菌；气虚证则舌质淡白，菌群中尼赛氏菌及链状菌等丰度增高。
• 研究证实舌象与菌群代谢之间存在显著相关性，支持传统中医“舌象-证型-病机”链条的现代微生物学解释，为客观化中医辨证提供理论依据及辅助诊断工具。

研究概述

代谢功能相关脂肪肝病（MASLD）是一种全球范围内高发的慢性肝病，传统中医通过辨证论治，常以“湿热”和“气虚”等证型细分患者。但受限于辨证的主观性和非量化特征，临床应用存在挑战。上海中医药大学团队近期在Chinese Medicine 期刊发表了一篇开创性研究，系统分析MASLD不同中医证型的舌象图像和口腔微生物组特征，结合机器学习技术，构建辅助诊断模型，实现客观精准的证型分类，为中医现代化及精准医疗提供新范例。

研究背景

MASLD涵盖从单纯脂肪肝到代谢性脂肪性肝炎甚至肝癌的疾病谱，且伴随肥胖、糖尿病等代谢紊乱风险。传统中医辨证将MASLD归属“肝胆病”范畴，认为不同致病因素产生湿热、气虚等多种证型。不同证型不仅临床表现差异，治疗方案亦截然不同，准确辨别证型至关重要。舌诊作为中医四诊之一，反映全身病理变化，但历史上依赖医生经验判断，缺乏客观、量化标准。近年来智能舌诊技术与人工智能的融合，及口腔微生物组在多系统疾病中的研究兴起，为客观揭示证型特异性生物标记提供了可能。然而，关于MASLD不同中医证型的舌象与口腔菌群特征研究仍较缺乏，尤其是两者结合应用的探讨尚属首创。本研究正是基于此背景，尝试以现代技术手段解码古老中医诊断方法。

研究方法

本研究共纳入100名受试者，包括34名健康志愿者和66名MASLD患者（36例湿热证，30例气虚证），证型由资深中医专家根据临床表现、脉象及舌象鉴别。使用TFDA-1智能舌诊设备采集高清舌象图像，运用UACANet深度神经网络完成精细的舌面与苔层分割与特征提取。口腔菌群通过16S rRNA测序进行物种鉴定与丰度分析。基于机器学习算法（逻辑回归、支持向量机、随机森林、AdaBoost、朴素贝叶斯），利用舌象特征及菌群数据，构建证型分类模型，并进行五折交叉验证以评估模型性能。统计学分析采用多种非参数及多变量检验确保结果稳健。

研究结果

1. 临床及生化特征差异
   MASLD患者较健康对照组年龄、BMI、腰臀比及血压均明显升高（P < 0.01），且血糖指标（空腹血糖、餐后2小时血糖、糖化血红蛋白）高于对照，提示代谢异常明显。湿热证患者肝功能指标（ALT、GGT、总胆红素）显著升高，气虚证者三酰甘油偏高，表明两证型在肝损伤及脂代谢水平存在差异。

特征 对照组 (N=34) 湿热证 (N=36) 气虚证 (N=30) P值 年龄（岁） 41.79±16.09 54.19±10.03 ** 56.40±9.57 ** <0.001 BMI (kg/m²) 22.57±2.90 27.01±3.87 ** 26.10±3.32 ** <0.001 ALT (U/L) 23.53±17.03 35.97±26.23 * 25.73±14.39 # 0.027 TG (mmol/L) 1.60±1.79 2.32±1.53 2.54±1.79 * 0.067 FBG (mmol/L) 5.07±0.48 8.69±4.11 ** 8.95±3.68 ** <0.001

注： *P<0.05与对照组比较，*P<0.01与对照组比较，#P<0.05湿热组与气虚组比较。

2. 舌象特征明显区分两证型
   湿热证表现为舌体红绛，苔较厚且腻（perAll指数显著高于气虚组，P<0.01），舌色更深，苔色偏黄。气虚证则普遍舌质淡白，伴白苔，舌体裂纹较多（P<0.01），且明显有齿痕。

图1：智能舌诊典型图示，左为湿热证红绛带腻苔，右为气虚证淡白带裂纹苔薄。

3. 口腔菌群构成差异显著
   湿热证口腔微生物多样性指数（Faith’s PD）显著低于气虚证（P=0.032），群落结构差异通过PCoA分析明显区分。湿热证口腔菌群以链球菌属（Streptococcus）、罗氏菌属（Rothia）富集；气虚证则尼赛氏菌属（Neisseria）、链状菌属（Fusobacterium）、牙龈卟啉单胞菌属（Porphyromonas）及嗜血杆菌属（Haemophilus）较多（P<0.05）。功能预测显示两组菌群均参与代谢相关通路，但在糖代谢和脂代谢通路表达存在差异。

4. 舌象特征与菌群丰度相关
   Pearson相关分析显示，Prevotella属与舌体色彩参数（TB-G，TB-B，TB-L）呈负相关，Haemophilus属与多项舌色指标呈正相关，提示菌群代谢活性与舌面颜色变化存在显著联系。

5. 机器学习模型实现MASLD证型高效分类
   使用逻辑回归模型仅基于舌象特征区分湿热与气虚证，AUC为0.889，准确率75%。整合口腔菌群指标后，模型性能显著提升，AUC达0.939，准确率85%，表明微生物数据有效增强了证型辨识能力。随机森林模型表现最佳，特征重要性分析显示舌苔厚度指数与Fusobacterium、Porphyromonas是分类的最关键变量。

表3：不同机器学习模型性能比较

图2：MASLD两证型口腔菌群多样性及结构差异分析

图3：菌群功能通路富集分析

图4：舌象颜色指标与菌群丰度相关热图

研究意义与价值

本研究首次从智能舌诊和口腔微生物组双重视角系统解析MASLD主要中医证型“湿热证”与“气虚证”的异质性，结合机器学习构建了高效、自动化的证型分类工具。研究结果不仅科学验证了传统中医“舌象-证型-病机”关系的现代微生态基础，也为临床实施标准化、客观化中医辨证开辟路径。在代谢性疾病精准诊疗浪潮下，基于舌诊图像+微生物组的多模态诊断方法兼具非侵入性、快速性和生物学合理性，提升了辨证水平和临床决策的科学性。此外，口腔菌群作为潜在生物标志物的发现，为MASLD个体化干预及微生态调节治疗提供新靶点。未来研究可扩大样本量，纳入其他MASLD证型及肠道菌群分析，结合多组学探讨病因病机机制，进一步推动中医数字化和精准医疗进程。

梅斯编辑点评：

该研究创新性地将智能舌诊深度图像分析技术与高通量口腔微生物测序结合，应用至MASLD的中医证型辨识，弥补了传统舌诊主观性强、诊断标准缺乏客观参照的瓶颈。特别是机器学习模型的引入，实现了高效的证型自动分类，显著提升了中医辨证的量化和精准度。未来，可以结合粪便菌群、代谢组学及炎症指标，建立更为全面的生物信息学模型，推动中医与现代医学的深度融合。此外，临床转化应用中，简化采样流程、验证模型泛化能力，将助力开发便携式的智能诊断设备和辅助平台，促进中医治疗方案的个体化制定。

原始出处

https://cmjournal.biomedcentral.com/articles/10.1186/s13020-025-01118-w

Tags： Chinese Medicine：代谢功能相关脂肪肝病综合症辨识新视角，智能舌诊结合口腔微生物组精准分类中医证型