一种基于视网膜图像的深度学习系统 DeepRETStroke
这篇发表于《Nature Biomedical Engineering》的研究论文《A deep learning system for detecting silent brain infarction and predicting stroke risk》提出了一种基于视网膜图像的深度学习系统 DeepRETStroke，用于检测无症状性脑梗死（Silent Brain Infarction, SBI） 并预测卒中风险。以下是对该文档的详细解读：
点击下载文章
文章解读
🧩 核心摘要（一句话概括）
本研究开发了一种名为 DeepRETStroke 的深度学习系统，能够通过一张普通的视网膜照片，以高精度检测无症状性脑梗死 并预测未来5年的卒中风险，提供了一种非侵入性、低成本的全新卒中筛查方案。
🧠 研究背景与意义
- 卒中是全球范围内导致死亡和长期残疾的主要原因之一。
- 传统的卒中风险评估主要依赖临床风险因素（如吸烟、既往卒中史），准确率有限（C-index 0.58–0.73）。
- 无症状性脑梗死（SBI） 是一种常见的亚临床脑血管病变，影响约20%的普通人群，与未来卒中风险显著相关。
- 目前SBI的检测依赖于MRI或CT等脑成像技术，成本高、不便普及，不适用于大规模筛查。
👁️ 研究目标
开发一种非侵入性、低成本、易于推广的卒中风险评估工具，利用视网膜图像和深度学习技术：
- 检测SBI
- 预测首发性和复发性卒中风险
- 验证其在多中心、多种族人群中的泛化能力
🛠️ 系统构建与训练
数据来源
- 预训练数据：895,640张视网膜图像（来自中国两大糖尿病研究队列）
- 验证数据：213,762张视网膜图像，来自中国、新加坡、马来西亚、美国、英国、丹麦等多个国家和种族的人群
模型架构
- 基于 RETFound 和 Masked AutoEncoder 的视觉Transformer
- 采用三阶段预训练策略：
- 自监督预训练：学习视网膜图像通用特征
- 初始化训练：使用无MRI的SDPP数据训练卒中预测器
- 半监督学习 + 知识迁移：结合SBI检测与卒中预测，提升模型对脑-眼关联的理解
📊 主要结果
1. SBI检测性能
- 内部验证 AUC = 0.797
- 外部验证 AUC 范围：0.751–0.792
- 优于仅使用临床特征的模型（AUC ≈ 0.633）
2. 卒中预测性能
- 首发性卒中预测：
- 内部验证 AUC = 0.901，C-index = 0.910
- 外部验证 AUC 范围：0.728–0.895
- 复发性卒中预测：
- 内部验证 AUC = 0.769
- 外部验证 AUC = 0.727
3. 真实世界研究
- 在218名参与者中进行前瞻性研究
- 使用DeepRETStroke指导综合管理（IM）策略
- 结果显示，与基于临床特征的模型相比，DeepRETStroke可降低82.44%的复发性卒中事件
🔍 可解释性分析
- 使用 SHAP 和 遮挡法 可视化模型关注的视网膜区域
- 模型主要关注视网膜血管结构，与脑血管病变相关的区域高度吻合
✅ 优势与创新点
- 首次将SBI作为中间表型纳入卒中预测模型
- 多中心、多种族验证，泛化能力强
- 非侵入性、低成本，适合大规模筛查
- 支持首发性和复发性卒中预测
- 前瞻性研究验证临床实用性
📈 系统性能一览表
| 任务 | 数据集 | 评估指标 | DeepRETStroke 表现 | 对比临床模型表现 |
|---|---|---|---|---|
| SBI检测 | 内部验证 | AUC | 0.797 | 0.633 |
| 外部验证 | AUC范围 | 0.751 - 0.792 | 较低 | |
| 首发卒中预测 | 内部验证 | AUC | 0.901 | 0.892 |
| (5年风险) | 外部验证 | AUC范围 | 0.728 - 0.895 | 表现不一，多数较低 |
| 复发卒中预测 | 内部验证 | AUC | 0.769 | 0.568 |
| (5年风险) | 外部验证 | AUC | 0.727 | 0.705 |
📊 核心流程图：DeepRETStroke 系统工作流程
📄 中文简报
标题：【重大突破】眼底照片可替代脑扫描，AI系统精准预测脑卒中风险
背景：
- 脑卒中是国民生命健康的“头号杀手”。
- 近20%的“健康”人群存在无症状脑梗死，是卒中的“沉默前兆”，但依赖昂贵的MRI检测，难以普及。
- 临床急需一种准确、便捷、廉价的卒中风险筛查工具。
我们的解决方案：DeepRETStroke 人工智能系统
- 原理： 利用“眼睛是大脑的窗口”这一医学原理，通过分析视网膜血管的变化，间接评估脑血管健康状况。
- 输入： 一张常规的眼底照片。
- 输出：
- 判断是否存在“无症状脑梗死”。
- 预测未来5年发生首次卒中的风险。
- 预测卒中患者未来5年再次复发的风险。
关键成果与优势：
- 精度高： 在国内外多个人群中验证，对卒中的预测准确率显著优于传统临床问卷模型。
- 泛化性强： 在中国、新加坡、欧美等多国不同种族人群中均表现稳定。
- 临床价值显著： 前瞻性研究表明，基于该系统的风险分层指导预防策略，可显著降低82%的卒中复发事件。
- 易于推广： 无需脑部扫描，只需一张眼底照片，检查快速、无创、成本极低，非常适合社区医院和体检中心大规模筛查。
总结与展望：
DeepRETStroke 成功地将前沿人工智能技术与临床医学需求相结合，为卒中的早发现、早预警、早干预提供了一把强有力的新武器。未来有望成为常规健康体检的一部分，从根本上改变卒中防控的格局，具有巨大的社会效益和临床应用前景。