基于深度学习视网膜图像分析系统DeepRETStroke的无创性脑梗检测与卒中风险预测研究

针对传统脑成像检测无症状性脑梗死(SBI)在人群中不可行的问题，上海交通大学等团队开发了基于视网膜图像的深度学习系统DeepRETStroke。该系统通过89万张视网膜照片预训练，在21万张多国数据验证中，SBI检测AUC达0.797，5年卒中预测AUC达0.901，显著优于临床特征模型。前瞻性研究显示其指导干预可减少82.44%卒中复发，为无创性脑血管评估提供新范式。

　　

脑血管疾病是全球致死致残的主要原因之一，其中无症状性脑梗死(SBI)在普通人群中的发生率高达20%，是未来发生症状性卒中的重要危险因素。然而，目前SBI的诊断主要依赖磁共振成像(MRI)或计算机断层扫描(CT)等脑成像技术，这些检查成本高昂且不易普及，导致大量高危人群无法得到及时筛查。更棘手的是，传统基于临床特征的卒中风险评估模型预测准确性有限(C-index仅0.58-0.73)，特别是在多民族人群中表现欠佳。如何通过简便、经济的方法实现精准的脑血管风险评估，成为临床实践中的重大挑战。

在这一背景下，上海交通大学、清华大学等机构的研究团队另辟蹊径，将目光投向了"眼睛是心灵的窗户"这一古老智慧。视网膜作为中枢神经系统的延伸，其血管与脑血管在胚胎起源、解剖结构和生理特征上高度相似，可能成为观察脑血管健康的独特窗口。随着眼底摄影技术在糖尿病视网膜病变等眼病筛查中的广泛应用，以及深度学习(DL)技术在医学影像分析中的突破，通过视网膜图像无创评估全身性疾病已成为可能。研究团队由此提出假设：能否利用深度学习技术，从视网膜图像中捕捉SBI的特征，进而提升卒中风险的预测精度？

为验证这一设想，研究人员开发了名为DeepRETStroke的深度学习系统。该系统采用三阶段预训练策略：首先基于69万张中国人群视网膜照片构建基础编码器；然后通过半监督学习策略，利用少量有脑成像标签的数据训练SBI检测器；最后通过知识迁移，将SBI特征识别与卒中风险预测任务联合训练。研究纳入了来自中国、新加坡、马来西亚、美国、英国和丹麦的21万张视网膜图像进行验证，并开展了前瞻性队列研究评估临床效用。

关键技术方法包括：(1)采用对比度受限自适应直方图均衡化(CLAHE)和色彩归一化技术增强图像质量；(2)基于Vision Transformer(ViT-large)构建域特异性基础模型；(3)采用半监督协同训练策略解决标签数据稀缺问题；(4)通过SHAP和遮挡法进行模型可解释性分析；(5)在11个外部验证队列中评估模型性能。

研究结果部分显示：

1. SBI检测：在内部验证集中，DeepRETStroke的AUC达到0.797(95%CI 0.500-0.995)，显著优于仅使用临床特征的元数据模型(0.633)。在5个外部验证数据集中，AUC保持在0.751-0.792之间，显示良好的泛化能力。

2. 首发卒中预测：系统在内部验证中的5年预测AUC达0.901，C-index为0.910。外部验证AUC范围为0.728-0.895，尤其在长期预测中表现稳定。亚组分析显示，在糖尿病、高血压和颈动脉粥样硬化患者中预测性能一致。

3. 复发卒中预测：模型微调后在内部验证中AUC为0.769，结合临床特征后提升至0.833。外部验证AUC为0.727，优于临床模型。

4. 前瞻性研究：在218名卒中/SBI患者中，基于DeepRETStroke分层的强化管理组比传统临床特征分层减少82.44%(95%CI 1.58-324.47%)的卒中复发事件。

5. 可解释性分析：梯度SHAP和遮挡法显示，模型主要关注视网膜血管等与脑血管病变相关的解剖结构。

在讨论部分，作者指出这项研究具有多重创新价值：首次将SBI这一亚临床脑血管病表型纳入卒中预测框架；采用大规模跨国多民族队列验证；开发了可同时预测首发和复发卒中的多功能系统。与既往仅使用卒中二分类标签的研究相比，DeepRETStroke通过挖掘视网膜中的脑血管特征，实现了更精准的风险评估。研究还创新性地采用半监督学习策略，有效缓解了医学影像分析中标注数据稀缺的普遍难题。

从临床转化角度看，DeepRETStroke的优势在于：(1)仅需常规眼底照相检查，无需昂贵脑成像设备；(2)可整合到现有糖尿病视网膜病变筛查流程中，实现"一拍多查"；(3)前瞻性研究证实其风险分层能有效指导干预决策。这些特点使其特别适合在社区医疗机构推广应用，有望改变当前脑血管病筛查依赖神经影像学的格局。

当然，研究也存在一定局限：训练数据主要来自中国人群，尽管在多民族外部验证中表现良好，但在其他族裔中的适用性仍需进一步确认；前瞻性研究的样本量较小，需要更大规模的临床验证；视网膜图像质量对预测性能的影响也需要系统评估。

这项发表在《Nature Biomedical Engineering》的研究，通过跨界融合眼科影像学和神经病学，开创了无创性脑血管评估的新范式。DeepRETStroke系统不仅为卒中高危人群筛查提供了经济便捷的工具，其"以眼观脑"的研究思路也为其他系统性疾病的无创诊断提供了借鉴。随着人工智能技术在医学领域的深入应用，这类基于多模态数据的疾病预测模型，或将重塑未来慢性病的防控体系。