Fluolab【Nat.Biomed.Eng】“眼”中风云：通过一张视网膜照片，洞察大脑中风风险
2025年6月6日，《自然-生物医学工程》（Nature Biomedical Engineering）期刊上发表了一篇具有里程碑意义的研究论文，题为《一个用于检测无症状脑梗死和预测中风风险的深度学习系统》。 该研究由一个国际化的多机构团队完成，他们成功开发并验证了一个名为“DeepRETStroke”的人工智能（AI）系统。该系统仅通过分析一张普通的眼底（视网膜）照片，就能够精准地识别出“沉默的”脑部病变，并预测长达五年的中风（俗称“脑卒中”）风险，其准确性显著优于传统的临床风险评估方法。
这不仅仅是一项技术突破，它预示着一种全新的、低成本、无创、高效的中风预防和筛查模式的到来，有望在全球范围内改变我们对抗这一重大疾病的策略。
一、 引言：洞察健康的“窗户”与中风预测的困境
1. 中风：一个严峻的全球健康挑战
中风是全球范围内导致死亡和长期残疾的主要原因之一。它的发生往往是突如其来的，但其背后的病理过程——脑血管的病变——却可能是长期且隐蔽的。如果我们能提前、准确地识别出那些即将发生中风的高危人群，就能采取有效的预防措施，从而大大降低发病率和死亡率。
2. “沉默的杀手”——无症状脑梗死（SBI）
在很多情况下，患者在出现明显的中风症状（如偏瘫、失语）之前，大脑中已经发生了微小的、没有引起任何症状的梗死灶，这在医学上被称为“无症状脑梗死”（Silent Brain Infarction, SBI）。 SBI就像是中风来临前的一次“无声的警告”，它影响了高达20%的普通人群。 携带SBI的个体，其未来发生有症状中风的风险会显著增加。
3. 当前筛查方法的“两难”
高昂的“金标准”：目前，检测SBI最可靠的方法是进行脑部磁共振成像（MRI）或CT扫描。 然而，这些检查设备昂贵、操作复杂，且无法广泛普及，因此让全体民众都去接受脑部扫描来筛查SBI，在经济上和实践上都是不现实的。 美国心脏协会和美国卒中协会甚至不推荐对无症状的普通人群进行MRI筛查。 这就造成了一个巨大的临床空白：如何经济、便捷地找出这些“沉默的”高危患者？
“模糊的”传统评估：传统的风险评估方法，大多依赖于一些临床指标和问卷调查，例如年龄、性别、血压、吸烟史等。 这些模型虽然有用，但其预测准确率一直处于“中等水平”，尤其是在不同种族人群中表现不一，难以做到精准识别。
4. 新的希望：眼睛是心灵的窗户，也是大脑的“显示器”
近年来，科学家们发现，眼睛深处的视网膜是人体唯一可以直接、无创地观察到血管和神经的地方。 视网膜血管在胚胎起源、解剖结构和生理功能上与脑血管高度相似。 这意味着，视网膜上微血管的任何微小变化，比如变窄、扩张或出现微动脉瘤，都可能反映出大脑血管的健康状况。 因此，视网膜成为了我们窥探大脑健康状态的一扇独特的“窗户”。
基于这一洞见，本研究的团队提出了一个大胆而创新的设想：我们是否能利用人工智能，教会计算机“看懂”视网膜照片，从而解读出大脑的健康信息，甚至预测中风的风险？DeepRETStroke系统便是在这一思想指导下诞生的。
二、 DeepRETStroke：一个窥探大脑的“智能之眼”
DeepRETStroke的核心是一个基于深度学习的“基础模型”，研究团队通过一种独创的、精巧的“三阶段预训练策略”来构建和优化这个模型，使其具备强大的“眼-脑关联”表征能力。
1. 创新的三阶段预训练策略
这个训练过程可以通俗地理解为对一个AI“医学生”的系统化培养，目标是让他成为一个顶级的“阅片专家”。
第一阶段：海量学习，打好基础（自监督学习）
研究团队首先收集了近90万张（895,640张）视网膜照片，构成了一个庞大的数据库。18 在这个阶段，他们并不告诉AI这些照片对应的人是否生病，而是采用一种名为“掩码自动编码器”的自监督学习方法。 这就像是给AI看一张张被随机遮挡了一部分的拼图，然后让AI去猜测并复原被遮挡的部分。通过完成这个“看图填空”的任务，AI系统自主地学习到了视网膜的正常解剖结构、血管的普遍形态以及图像的基本特征。 这个过程为AI打下了坚实的“医学影像学”基础，使其对视网膜有了深刻的、普遍性的理解。
第二阶段：初步启蒙，建立关联（模型初始化）
有了基础知识后，AI需要开始学习具体的“诊断技能”。研究团队利用一个包含数万人的数据集，初步训练AI去预测5年内的中风发生风险。 这一步的目的是让模型在进入更复杂的学习阶段之前，预先获得关于“眼-脑连接”的先验知识。 就像是让医学生第一次接触到病例，开始将影像特征与疾病结果联系起来。
第三阶段：融会贯通，知识迁移（半监督学习与知识迁移）
这是整个训练策略中最核心、最巧妙的一环。
专家指导（小样本学习）：研究团队拥有一个规模不大但信息完备的“金标准”数据集，这里的参与者既有视网膜照片，也有脑部MRI扫描结果，明确知道谁患有SBI。 AI首先在这个高质量数据集上学习，训练出一个专门用于检测SBI的“SBI检测器”。
举一反三（生成伪标签）：随后，研究人员将这个训练好的“SBI检测器”应用到一个规模大得多的数据集上，这个大数据集只有视网膜照片，没有MRI结果。 AI会对每一张照片进行分析，并给出一个概率，例如“根据这张视网膜，该参与者有85%的可能性患有SBI”。这些高置信度的预测结果，就被当作“伪标签”贴在了数据上。 通过这种方式，原本没有标签的大量数据被有效利用起来，极大地扩充了训练样本量。
知识迁移（联合训练）：最后，AI系统进入最终的优化阶段。它会同时学习两项任务：一是利用包含真实标签和伪标签的“软标签”（即SBI的概率分布），去学习识别SBI的视网膜特征；二是在此基础上，预测未来中风的发生。 这种联合训练的方式，使得从SBI检测中学到的知识（关于大脑当前亚临床病变的信息）能够被有效“迁移”并用于增强对未来临床事件（中风）的预测能力。 模型因此学会了“看到某些视网膜特征，不仅意味着现在可能有SBI，更预示着未来中风的风险很高”。
通过这精巧的三步，DeepRETStroke最终成为了一个能够深刻理解“眼-脑”内在联系的强大AI系统。
三、 成果斐然：多国数据验证DeepRETStroke的卓越性能
一个AI模型的好坏，不能只看它在开发数据集上的表现，更要看它在全新的、多样化的外部数据上的泛化能力。为此，研究团队在全球范围内收集了来自中国、新加坡、马来西亚、美国、英国和丹麦等多个国家、多个种族的庞大数据集，对DeepRETStroke进行了严格的验证。
1. 精准识别“沉默的杀手”——无症状脑梗死（SBI）
在SBI检测任务中，DeepRETStroke的表现非常出色。在内部验证中，仅使用视网膜照片的“Fundus only”模型，其AUC（受试者工作特征曲线下面积，是衡量模型预测准确性的指标，1为完美，0.5为随机猜测）达到了 0.797，显著高于仅使用传统临床风险因素（如年龄、血压等）的“Metadata only”模型（AUC为0.633）。 在多个外部国家的多种族数据集上，其AUC也稳定在0.751至0.792之间，证明了其强大的跨人群泛化能力。
2. 远见卓识：预测未来5年的中风风险
DeepRETStroke最令人瞩目的成果在于其对未来中风风险的预测能力。
首次中风预测：在预测从未发生过中风的人群未来5年内首次发生中风的风险时，DeepRETStroke的“Fundus only”模型在内部验证集上取得了高达 0.901 的AUC。 这一表现同样远超传统临床模型。在11个外部验证数据集上，其AUC范围在0.728到0.895之间，展现了高度的一致性和鲁棒性。 这意味着，仅凭一张眼底照片，AI就能比传统方法更准确地筛查出未来可能发生中风的高危人群。
复发性中风预测：对于已经发生过一次中风的患者，预测其是否会再次复发是一个重要的临床难题。研究团队对模型进行了微调，使其同样能够胜任这项任务。在内部验证中，其AUC达到了 0.769，再次证明了模型的有效性。
3. 真实世界研究：从理论到实践的飞跃
为了验证DeepRETStroke在真实临床环境中的实用价值，团队进行了一项前瞻性的“概念验证”研究。 他们招募了218名有中风史或SBI的参与者，并根据他们自己的意愿分为两组：一组接受“综合管理（IM）”，另一组则不接受。
研究的关键在于，他们同时使用传统的临床模型和DeepRETStroke模型对所有参与者进行风险分层（分为高风险和低风险）。随后，他们比较了两种分层方法指导下的干预效果。结果令人震惊：
与基于传统临床特征的模型相比，采用DeepRETStroke进行风险分层并实施相应的综合干预策略，与复发性中风事件减少了82.44%相关联。
这一结果强有力地证明，DeepRETStroke不仅在理论预测上表现优越，更能转化为实际的临床获益，通过更精准地识别高危患者，帮助医生制定更有效的预防策略，从而真正地减少中风的发生。
四、 讨论与展望：AI点亮中风防治的未来
1. 研究的独特优势与创新价值
此前的研究虽然也探索了利用视网膜图像预测心血管疾病，但本研究具有几个无可比拟的优势：37
聚焦SBI：首次将AI的焦点对准了SBI这一关键的亚临床病变，使预测模型从简单地预测“有/无中风”的二元结果，深化到理解其背后的病理基础，从而更直接、更精确地预测未来的临床事件。
超大规模与多样性：研究使用了规模空前的多国、多种族数据集进行训练和验证，并进行了长达5年的随访，确保了模型的普适性和长期有效性。
功能全面：模型不仅能预测首次中风，还能预测复发性中风，满足了更广泛的临床需求。
前瞻性验证：通过真实世界的前瞻性研究，证实了其临床实用价值，完成了从算法到应用的闭环验证。
2. 临床应用的巨大潜力
DeepRETStroke的问世，为中风的预防和筛查描绘了一幅崭新的蓝图：
低成本、高效率的广泛筛查：视网膜照相技术已经非常成熟，在许多社区医院、体检中心甚至眼镜店都有配备。未来，人们可能在进行常规眼部检查的同时，就能完成一次精准的中风风险评估。
精准预防与个性化管理：通过精准识别高危人群，医疗资源可以被更有效地利用，针对这部分人群进行强化干预和健康管理，实现“上医治未病”的目标。
推动公共卫生决策：该技术有望成为公共卫生领域进行大规模慢病筛查的有力工具，帮助政府和卫生机构更科学地制定防控策略。
3. 挑战与未来方向
研究团队也坦诚地指出了研究的局限性，并为未来的工作指明了方向：
数据来源的局限：尽管验证数据是多国多中心的，但模型开发的核心数据集主要来自中国人群，未来需要纳入更多不同种族的原始数据进行模型优化。
潜在偏倚：在任何回顾性研究中，选择偏倚、标签偏倚等问题都无法完全避免。
需要更大规模的前瞻性验证：当前的前瞻性研究样本量有限，未来需要更大规模的临床试验来进一步验证该系统在真实临床实践中的长期效果和成本效益。
五、 结论
DeepRETStroke系统的成功研发，是人工智能、医学影像学和临床医学深度融合的典范之作。它巧妙地利用视网膜这扇“窗户”，通过先进的深度学习技术，实现了对大脑健康状况的无创、精准洞察。这项研究不仅为我们提供了一个强大的工具来检测无症状脑梗死和预测中风风险，更重要的是，它展示了一种全新的、更普惠、更精准的疾病预防模式。我们有理由相信，随着这项技术的不断完善和推广，未来我们将能更有效地将中风的防线前移，挽救无数生命，改善亿万人的生活质量。
参考文献
Jiang, N., Ji, H., Guan, Z. et al. A deep learning system for detecting silent brain infarction and predicting stroke risk. Nat. Biomed. Eng (2025). https://doi.org/10.1038/s41551-025-01413-9