撰文丨王聰

編輯丨王多魚

排版丨水成文

卒中（Stroke，也叫做中風）是全球范圍內導致死亡和長期殘疾的主要原因之一。傳統的中風風險評估主要依賴于臨床風險因素的信息，這些信息大多來自自我報告的數據，比如吸煙史和缺血性中風病史等，但其在準確識別高危人群方面存在不足。之前的研究表明，傳統中風風險預測模型的準確性一般（一致性指數僅為 0.58-0.73）。

2025 年 6 月 6 日，清華大學醫學院黃天蔭教授、上海交通大學盛斌教授、李華婷研究員、賈偉平院士、清華大學自動化系戴瓊海院士、首都醫科大學附屬北京天壇醫院王擁軍教授等人在 Nature 子刊Nature Biomedical Engineering上發表了題為：A deep learning system for detecting silent brain infarction and predicting stroke risk 的研究論文。
該研究開發了一款名為DeepRETStroke的深度學習系統，用于檢測無癥狀腦梗死（SBI）和預測中風風險，只需利用視網膜圖像，無需進行腦部成像，有助于識別高危人群，從而實施預防策略，以降低未來中風風險。

諸如磁共振成像（MRI）掃描之類的腦部成像技術或許能夠檢測出亞臨床腦血管疾病的存在與否，將這些腦部成像特征納入風險評估，可能有助于更精準地識別出中風高危人群。例如，無癥狀性腦梗死（SBI）影響近 20% 的普通人群，表明存在潛在的缺血性腦血管疾病，并且與未來發生中風的風險增加有關。因此，即使在無癥狀患者中檢測到 SBI ，也可能使醫生能夠更精確地對中風風險進行分類，并使患者得到更好的管理。

美國心臟協會和美國卒中協會的科學聲明指出，患有 SBI 的患者應遵循一級預防指南以預防有癥狀的中風發作。然而，SBI 的識別主要依賴于磁共振成像（MRI）和計算機斷層掃描（CT）等腦部成像技術，這在一般性腦中風篩查中不切實際且成本過高。因此，不建議對無癥狀的一般人群進行磁共振成像（MRI）篩查以檢測 SBI。

而這凸顯了一個關鍵臨床空白——如何在普通人群中以簡便且經濟有效的方式檢測無癥狀性腦梗死（SBI），而無需進行腦部影像掃描。

醫學成像和深度學習領域的最新進展凸顯了視網膜是觀察大腦的獨特窗口。視網膜血管與腦血管在胚胎學、解剖學和生理學方面具有相似性，為檢測和預測早期腦血管變化提供了一種無創替代方法。眼底成像（Retinal photography）作為一種非侵入性的視網膜成像方法，如今在各種臨床和社區環境中被廣泛用于篩查糖尿病視網膜病變等眼部疾病，同時也被用于結合深度學習技術檢測各種全身性和神經性疾病。

在這項最新研究中，研究團隊開發了一種深度學習系統——DeepRETStroke，這是一個專用于表征眼-腦連接的領域特定基礎模型。它利用視網膜圖像來完成檢測無癥狀性腦梗死（SBI）和預測未來中風事件等下游臨床任務，展示了這種基于視網膜圖像的系統提升中風風險評估的能力。

在多民族和多國家的數據集中，研究團隊分三個階段進行了研究。首先，利用 DeepRETStroke 從視網膜圖像中檢測出 SBI；然后，利用從視網膜檢測出的 SBI 來改進首次中風風險預測，并對模型進行微調以預測中風復發。最后，研究團隊開展了一項真實世界的概念驗證研究，以證明 DeepRETStroke 在指導預防中風策略方面的有效性。

首先，研究團隊使用了 895640 張視網膜圖像對 DeepRETStroke 系統進行預訓練。然后，使用來自中國、新加坡、馬來西亞、美國、英國和丹麥的多個數據集中的 213762 張視網膜圖像對 DeepRETStroke 的下游臨床任務進行驗證，以檢測 SBI 和預測中風事件，并利用從視網膜圖像檢測出的 SBI 來改進首次中風風險預測，對模型進行微調以預測中風復發。結果顯示，DeepRETStroke 在內部驗證數據集中表現良好，預測新發中風的曲線下面積（AUC）為 0.901，預測復發中風的曲線下面積（AUC）為 0.769，外部驗證表明其在各種數據集上表現一致。

最后，研究團隊進行了一項真實世界的概念驗證研究，對包含 218 名中風患者的前瞻性研究中評估了 DeepRETStroke 相較于臨床特征在指導中風復發預防策略方面的表現，結果顯示，DeepRETStroke 能夠對中風風險進行分層，通過適當的綜合干預，與中風復發事件減少 82.44% 有關。

總的來說，基于視網膜圖像的深度學習系統DeepRETStroke在預測中風事件方面優于臨床特征，尤其是通過納入對無癥狀性腦梗死（SBI）的檢測，且無需進行腦部成像，該系統有助于識別高危人群，從而實施預防策略，以降低未來中風風險。

論文鏈接：

https://www.nature.com/articles/s41551-025-01413-9