唾液代谢指纹与神经网络结合：为糖尿病患者的牙周炎筛查开启新路径

一项新发表的研究证实，结合唾液代谢分析与人工智能技术可以快速、准确地识别同时患有2型糖尿病和牙周炎的高危患者。这一创新方法具有操作简单、检测速度快的优势，为临床筛查提供了新的可能性。

背景

2型糖尿病与牙周炎之间存在双向的病理关联。一方面，高血糖环境会削弱免疫功能，增加口腔感染风险，促进牙周疾病的进展；另一方面，牙周炎引发的持续全身炎症反应会加重胰岛素抵抗，影响血糖控制。因此，同时患有这两种疾病的患者面临更高的并发症风险，包括心血管疾病、肾脏损害和神经并发症。

早期识别这类高危患者对于干预和管理至关重要。传统的诊断方法往往耗时且需要多次医疗访问。唾液作为一种容易获取的生物体液，其组成成分能够反映机体的代谢状态和疾病信息。最近，研究人员开发了一种快速的质谱分析技术——探针电喷雾电离质谱（PESI-MS），可在0.7分钟内完成一个样本的分析。但如何从复杂的代谢数据中提取有用信息进行诊断，仍需要更高效的计算方法。

主要发现

• 轻量级液体神经网络（LNN）在测试集上达到了91.9%的准确率，对同时患有牙周炎和2型糖尿病的患者组实现了100%的召回率（即完全能够识别所有患者）
• 与其他循环神经网络相比，LNN的可训练参数数量仅为其三分之一，这意味着该模型更加轻量、计算效率更高，更适合在基层医疗机构部署
• 采用深度学习方法（包括LNN、双向长短期记忆网络和多头注意力机制）的模型明显优于传统机器学习方法（如偏最小二乘法判别分析、随机森林和支持向量机），后者的AUC值仅为0.73-0.78，而深度学习模型利用了质谱数据的序列特征，性能显著提升
• 该研究纳入了来自两个研究中心的426名受试者，包括114名健康对照者、209名单纯牙周炎患者和103名合并2型糖尿病的牙周炎患者，样本量充分，代表性良好

临床意义

这项研究展示了一种实用的临床筛查新方案。通过结合快速的唾液代谢指纹采集（PESI-MS分析仅需不到1分钟）与高效的人工智能算法，医疗工作者可以在短时间内为怀疑患有牙周炎的2型糖尿病患者进行风险评估。在基层医疗机构中，这种简便、无创的方法尤其具有价值。

对于患者而言，这一创新提供了几个优势。首先，唾液采集是完全非侵入性的，患者无需承受穿刺或抽血的痛苦。其次，检测速度快，患者可以在同一次就诊中获得结果。最后，高准确率（特别是对高危患者的100%识别率）可以确保不会遗漏需要进一步干预的患者。

从疾病管理的角度，早期识别同时患有2型糖尿病和牙周炎的患者有助于制定更有针对性的治疗策略。这类患者通常需要来自内分泌科和口腔科的多学科协作管理，而准确的筛查可以引导患者进入适当的转诊途径，提高治疗效果。

局限性

尽管研究成果令人鼓舞，但在将该技术转化为临床实践前，仍需考虑几个方面的局限性。首先，这是一项横断面研究，反映的是某个时间点的情况，尚无纵向随访数据来验证该筛查方法是否能预测患者的长期预后或疾病进展。其次，研究纳入的样本数量虽然较为充分，但仍主要来自两个研究中心，地理覆盖范围有限，不同人群的适用性需要在更大规模的多中心研究中验证。

此外，该研究使用的PESI-MS技术和LNN模型目前可能还未在所有医疗机构中广泛应用，推广过程中可能需要针对不同的硬件环境和临床条件进行模型的调适和验证。同时，唾液代谢组学数据的生物学可重复性也需要在不同的标本采集和处理条件下进行评估。

Original paper: Lightweight liquid neural networks decipher salivary metabolic fingerprinting for high-risk periodontitis screening in diabetes. — NPJ digital medicine. 10.1038/s41746-026-02593-7

🎧 收听播客