基于视网膜图像的深度学习系统DeepSLE：系统性红斑狼疮无创筛查新突破

针对系统性红斑狼疮(SLE)筛查难题，上海交通大学等机构联合开发了基于视网膜图像的深度学习系统DeepSLE。该系统通过分析247,718张多族裔视网膜图像，实现SLE检测AUROC 0.822-0.969，并能同步识别狼疮视网膜病变(LR)和狼疮肾炎(LN)，为初级医疗场景提供非侵入性筛查方案。

　　

系统性红斑狼疮(SLE)是一种主要影响育龄期女性的严重自身免疫性疾病，全球约340万患者中女性占比高达90%。这种疾病可累及皮肤、关节、中枢神经系统、眼睛和肾脏等多个器官，但当前诊断面临重大挑战——复杂的诊断标准和公众认知不足导致延迟诊断现象普遍。更棘手的是，SLE相关并发症如狼疮视网膜病变(LR)和狼疮肾炎(LN)的早期筛查在基层医疗机构难以开展，现有检测方法要么依赖昂贵的专业设备(如光学相干断层扫描OCT)，要么需要侵入性操作(如肾脏活检)。

针对这些临床痛点，上海交通大学联合北京协和医院等机构的研究团队在《Cell Reports Medicine》发表了一项突破性研究。研究人员创新性地利用视网膜作为"观察窗口"，开发了名为DeepSLE的深度学习系统。这个基于视觉Transformer(ViT)的算法能够仅通过普通彩色眼底照相(CFP)就实现SLE及其并发症的检测，解决了传统筛查方法成本高、可及性差的难题。

研究团队采用了多阶段技术路线：首先使用173,346名参与者的666,383张视网膜图像进行自监督预训练；随后在中国和英国的91,598名多族裔人群中验证模型性能。关键技术包括：1)基于MAE框架的生成式自监督学习预训练；2)三阶段课程学习策略处理数据不平衡问题；3)视网膜血管形态定量分析(AutoMorph工具)解释模型决策机制；4)前瞻性读者研究验证临床实用性。

研究结果展现出三大亮点：

1. 疾病检测性能优异
   在内部验证集中，DeepSLE检测SLE的AUROC达0.969(95%CI 0.950-0.984)，灵敏度92.1%。在四个外部验证集(包括英国生物银行数据)中保持稳定表现(AUROC 0.822-0.861)。对LR和LN的检测AUROC分别达到0.872和0.851。

1. 跨人群公平性验证
   研究特别关注了算法在不同性别、年龄、族裔和社会经济地位群体中的表现。结果显示，DeepSLE在女性(AUROC 0.970)和男性(0.962)间无显著差异；在黑人(最高SLE患病率群体)和白人群体中表现相当；在不同社会经济阶层中保持稳定性能。

2. 临床实用价值突出
   前瞻性读者研究中，DeepSLE检测SLE的灵敏度(98.33%)显著高于初级保健医生(50-55%)和风湿病专家(65-73.33%)。这表明该系统可有效辅助基层医疗机构减少漏诊。

机制解释方面，通过显著性映射和血管形态定量分析发现，DeepSLE主要关注视网膜血管、黄斑区和病灶区域。定量数据显示SLE患者的视网膜血管复杂度(分形维度)、迂曲度及血管口径(CRAE/CRVE)与健康人群存在显著差异，这些生物标志物为算法决策提供了客观依据。

这项研究的突破性意义体现在三个方面：首先，首次证明普通眼底照相可用于SLE系统性筛查，相比超广域眼底照相(UWF-FP)等专业设备更易普及；其次，开创性地实现了通过视网膜图像无创预测LN，为肾脏受累早期发现提供新思路；最后，严格的公平性验证确保技术适用于不同医疗资源背景地区。

研究人员Tingyao Li、Shiqun Lin等指出，DeepSLE有望整合到现有社区眼病筛查体系中，实现SLE的"机会性筛查"。随着智能手机眼底照相技术的发展，这种低成本、非侵入性的筛查方式将惠及更多人群，特别是医疗资源匮乏地区的女性群体。

未来研究方向包括：扩大多中心验证规模、探索算法在疾病活动度评估中的应用、以及开展前瞻性干预研究验证临床效益。该成果为自身免疫疾病的数字化筛查树立了新范式，相关技术路线也可拓展至其他系统性疾病的早期发现领域。