AI揭示掃描中隱藏慢性壓力信號新指標

人工智能揭示例行CT掃描中隱藏的壓力信號

研究人員利用深度學習人工智能模型，首次在常規CT掃描中發現了一種基於影像的慢性壓力生物標誌物，透過測量腎上腺體積，創造出「腎上腺體積指數」（Adrenal Volume Index，AVI）。此指數與皮質醇水平、全ostatic負荷（身體應對壓力的累積負擔）、主觀感受壓力甚至長期心血管疾病風險（包括心臟衰竭風險）都有高度相關。

利用人工智能測量例行CT掃描中的腎上腺體積

該研究的首席作者、約翰霍普金斯大學醫學院的Elena Ghotbi博士，開發並訓練了一套深度學習工具，能自動從已完成的胸部CT掃描中精準計算腎上腺大小。美國每年進行數千萬次胸部CT掃描，這種方法利用現有的影像資料，為大規模評估慢性壓力的生物學影響提供了可能，涵蓋多種健康狀況，且無需額外檢查或輻射。

讓壓力的身體負擔可視化

放射學教授Shadpour Demehri指出，慢性壓力極為普遍，許多成年人每日都在經歷。過去，慢性壓力的累積效應只能透過問卷調查、血液中慢性炎症等間接指標，或繁複的皮質醇測試來估計。這次研究首次讓醫生能「看見」身體內長期壓力的痕跡——即腎上腺體積的變化，成為慢性壓力的一種具體、生理性的測量指標。

與單一時間點的皮質醇測試不同，腎上腺體積更像是一個長期壓力的累積指標。

多族裔大型隊列驗證影像、生理與心理壓力的聯繫

研究團隊分析了2842名參與者（平均年齡69.3歲，女性佔51%）的數據，這些資料來自「多族裔動脈粥樣硬化研究」（Multi-Ethnic Study of Atherosclerosis），該研究結合了胸部CT影像、經過驗證的壓力問卷、皮質醇測量以及全ostatic負荷指標。研究人員利用AI自動描繪和量度腎上腺體積，並以體積除以身高平方計算出AVI。

參與者在兩天內每天提供八次唾液樣本以測量皮質醇，另外全ostatic負荷則綜合了身體質量指數、肌酐、血紅蛋白、白蛋白、血糖、白血球數量、心率及血壓等多項指標。

腎上腺體積指數反映壓力、激素及心臟風險

研究發現，AVI與皮質醇水平、全ostatic負荷及多種心理社會壓力指標（如抑鬱分數和自我感受壓力問卷）高度吻合。AVI越高，代表整體皮質醇暴露及峰值越高，身體負擔越重。感受到高壓力的人群AVI明顯高於低壓力者。AVI還與左心室質量指數相關，這是反映心臟結構變化的指標。AVI每增加1 cm³/m²，心臟衰竭與死亡風險便上升。

Ghotbi博士表示，憑藉長達10年的追蹤數據，AVI不僅是首個被證實與心血管臨床結果（特別是心臟衰竭）獨立相關的影像指標，也為慢性壓力的評估提供了具體數據支持。

量化壓力累積影響的新方法

加州大學洛杉磯分校（UCLA）流行病學教授Teresa E. Seeman讚揚此研究，指出過去三十多年來，慢性壓力對人體多系統的損害已廣為人知。這項工作令人興奮之處在於，它將常規影像特徵——腎上腺體積，與生物和心理壓力指標結合，並證明其能獨立預測重大臨床事件，真正推進了壓力累積影響的量化。

Demehri教授強調，這種簡單的影像測量與多個既有壓力和疾病指標相連結，為日常臨床實踐中測量慢性壓力開闢了一條實用新路。這種生物標誌物可從美國廣泛執行的CT掃描中獲得，符合生理學上慢性壓力對腎上腺的影響機制，未來或可應用於多種中老年人常見的壓力相關疾病。

—

編輯評論：深度解析慢性壓力的影像新視角

這項研究突破了過去只能用問卷或生化標誌間接評估慢性壓力的限制，直接從現有的醫療影像中量化壓力負擔，為醫學界帶來革命性的工具。腎上腺體積作為一個「身體內部的壓力累積計」，不僅具備生理學依據，也與心理感受和長期心血管風險緊密相連，這種跨領域的綜合評估大大提升了對慢性壓力影響的理解和預測能力。

對香港及全球高度壓力社會而言，這種無需增加額外檢查就能檢測慢性壓力的技術，意義深遠。它不僅能協助醫生更早辨識壓力對身體的隱性損害，還可能引導個人化的預防和治療策略，改善心理與心血管健康。

然而，未來還需進一步研究驗證此指標在不同族群、不同疾病狀態下的泛用性及準確度。此外，如何將這種AI工具整合入臨床工作流程，並讓非專業醫療人員也能理解並應用這項指標，亦是一大挑戰。最終，這項研究展現了AI與醫學影像結合的巨大潛力，為慢性疾病管理和壓力健康研究開啟全新篇章。

以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。