在多模态研究的过程中，我们往往关注的是“预测得准不准”——AUC提升了多少，重分类改善指数是否显著。但预测本身不是终点，真正的临床价值在于：模型能否帮人类肉眼看到之前看不到的东西？
这就引出了卒中预测之后的下一站：新生物标志物的发现。
传统的生物标志物研究多采用“假设驱动”路径——基于生物学知识选定几个候选分子，验证其与结局的关联。这种模式稳健，但难免受限于既有认知。而多模态数据的丰富性，恰恰为我们提供了“发现驱动”的新可能：让算法从高维数据中自动提取出与预后强相关、且具有生物学可解释性的复合特征。这些特征可能是“特定脑区微出血负荷 + 血压变异性指标 + 某种基因型”的组合，也可能是影像组学与蛋白标志物的非线性交互——它们未必在传统认知框架内，却可能揭示新的疾病亚型或机制通路。
这便是可解释AI驱动的新标志物发现的核心价值所在。
正 文
01从“预测”到“发现”：一个被忽视的科研富矿
为什么说这是一个被忽视的方向？回顾近年发表的卒中预测研究，绝大多数止步于“我们构建了一个AUC为0.xx的模型”。模型的内部结构——哪些特征在交互、如何交互、形成了怎样的决策规则——往往被当作“黑箱”搁置一边。
如果我们愿意打开这个黑箱，里面可能藏着意想不到的发现。
设想这样一个场景：您手中有一个包含影像、动态血压、基因分型（如CORIN）和长期随访的高血压队列。传统思路是用这些数据训练一个预测模型，发一篇论文。但如果我们换一个问法呢？“模型学到的哪些特征组合，最能区分高危与低危患者？” 当算法告诉我们，“基底节区微出血 + CORIN风险基因型 + 夜间血压下降不足”这三者同时出现时，卒中风险急剧升高——这就不再只是一个预测规则，而是一个可验证的科学假说：这类患者是否存在某种共同的病理生理机制？这种“三联征”能否作为一个新亚型的定义标准？
这就是从“预测”到“发现”的跃迁。
02 方案路径：从基础到进阶的务实选择
A. 基础方案：基于可解释模型的复合标志物挖掘
如果您已有或可获取一定规模的患者队列（300-500例），包含影像、临床指标和清晰的随访结局，可以尝试从“可解释模型”入手，开启标志物发现的初探。
数据基础：脑部MRI影像（可量化脑小血管病负荷）、常规临床指标（血压、用药史等）、随访结局（卒中发生或mRS评分）。若有动态血压或系列实验室指标更佳。
技术路径：采用带交互项的广义加性模型（GAM） 或可解释的 boosting 模型（如EBM）。这类模型的独特优势在于：它们不仅能预测，其学到的特征交互项和形状函数直接揭示了变量之间如何组合、以何种形式影响结局。医生可逐一审查这些交互项，筛选出具有生物学合理性的候选“复合标志物”。
产出与目标：形成若干个由数据驱动、但可解释的候选标志物组合（例如“高WMH负荷 + 血压变异性增大”）。这些组合可作为后续机制研究或前瞻性验证的起点。目标期刊如 Journal of Stroke 或 Cerebrovascular Diseases。这类研究技术门槛适中，是从预测走向发现的第一步。
B. 进阶方案：多模态深度学习 + 符号回归，探索未知的复合标志物
如果您希望更深入地挖掘数据，且队列中额外收集了基因分型信息（如CORIN、APOE等）或蛋白质组学数据，则可以挑战更高创新性的“发现型”研究。遗传信息作为独立的生物学维度，能够揭示个体先天易感性如何与后天影像表型交互，共同塑造卒中风险轨迹——这种交互恰恰是传统单维分析难以捕捉的。
数据融合：影像特征（CNN提取的高维组学特征）+ 临床变量 + 基因/蛋白数据
技术升级：
第一阶段：采用多模态深度学习（如交叉注意力机制）构建高精度预测模型。这一阶段的目标是让模型充分学习不同模态之间的非线性交互。
第二阶段：引入符号回归（Symbolic Regression） 或神经符号集成，从训练好的模型中提取简洁、可解释的数学表达式或决策规则。这些表达式可能呈现为“IF (影像特征A > 阈值) AND (基因型B = 风险型) THEN 高风险”的形式，直接构成可验证的复合标志物。
核心产出：不再仅是预测模型，而是新发现的复合标志物集合——例如“特定脑区微出血负荷 + CORIN风险基因型 + 夜间血压下降不足”三联征。更重要的是，这些标志物不是人为预设的，而是算法从数据中“发现”的，因此可能揭示既往未被关注的机制通路。目标期刊可瞄准 Stroke、Neurology 甚至 Circulation 子刊。
03 基金指向：从近五年国自然看“发现型研究”的资助逻辑
本课题的核心定位是“从数据中发现新标志物”，而非“用已知指标建模型”。这一方向是否有足够的基金支持？我们梳理了2016-2024年间部分相关国自然项目，发现三条清晰的资助脉络：一是新型影像标志物的挖掘持续升温，二是跨维度生物标志物（如肠道菌群、代谢物） 成为新热点，三是可解释性方法开始受到关注。以下三个项目最具代表性：
《基于磁量图成像技术的心源性卒中新型影像标志物研究》（青年项目，2018，20万元）
核心启示：该项目直接以“新型影像标志物”为题目，聚焦于心源性卒中的磁量图成像特征。其研究范式是：从先进的成像技术中提取既往无法量化的特征，验证其作为标志物的价值。与本课题相比，该项目局限于单一影像模态，而我们的方案更进一步——通过可解释AI，让算法自动发现跨模态（影像+临床+遗传）的复合标志物，发现的广度与深度均有提升。
《基于肠道菌群的卒中早期预后、复发风险预测及预防干预新技术研究》（重点项目，2021，290万元）
核心启示：这是本批次中资助强度最高的项目之一，其核心创新在于引入了全新的生物维度——肠道菌群。这传递了一个明确信号：基金委高度认可“发现新型生物标志物”的研究价值，尤其是那些能打开新机制通路的发现。本项目与肠道菌群研究在逻辑上高度一致：都是寻找既往未被充分关注的标志物，只是我们将目光投向了基因-影像-临床的交互界面。
《基于自适应免疫遗传算法的缺血性脑卒中预后代谢标志物组群识别研究》（青年项目，2018，20万元）
核心启示：这个项目的标题中有两个关键词值得注意：一是“代谢标志物组群”（复合标志物），二是“自适应免疫遗传算法”（启发式搜索方法）。它示范了如何用算法从高维数据中“识别”标志物组合，而非仅靠统计检验筛选。这与本课题的“符号回归+可解释AI”思路异曲同工，但我们的方法在模型可解释性和临床可读性上更进一步。
从这些项目可以看出，“发现型研究”的资助逻辑正在成形：引入新维度（肠道菌群、代谢组、影像组） + 采用新方法（智能算法、可解释AI） + 产出新标志物（复合的、可验证的），是获得认可的标准范式。本课题恰好契合这三条——以基因-影像-临床多模态为新维度，以符号回归和可解释AI为新方法，以数据驱动的复合标志物为新产出，定位清晰，创新空间明确。
04 项目价值：从数据到发现的灵活路径
这项研究的意义，不在于“又建了一个预测模型”，而在于从您手中已有的数据中，挖掘出原本看不见的临床新知。
核心数据：至少300-500例具有清晰随访结局的卒中或高血压队列，包含影像及临床指标。若前瞻性地收集了基因分型（尤其是CORIN等）或蛋白组学数据，则进阶方案的发现潜力将大幅提升。
灵活方案：即使暂时没有遗传数据，基于影像+临床的基础方案同样能产出有意义的候选标志物。我们可根据您的数据基础，定制最适配的技术路线。
科研成果：
论文发表：基础方案瞄准IF 3-5分期刊，进阶方案可挑战IF 8分以上。
基金申请：为新标志物的前瞻性验证研究、或基于新亚型的机制探索项目提供扎实前期基础。
临床转化：发现的复合标志物可直接转化为临床筛查规则，或作为新药研发的富集标志物。
关于本选题的一点说明
本文探讨的“可解释AI驱动的新标志物发现”框架，源于我们在多模态研究中的持续思考：预测模型的真正价值，或许不在于其预测精度本身，而在于它能否帮我们看到之前看不到的东西。无论您是手握丰富队列却苦于深度挖掘，还是已有初步发现但不知如何验证，我们都期待与您交流——基于您的具体数据资源，共同规划从“数据”到“发现”的最佳路径。
我们深知临床数据的宝贵与科研的严肃性。任何正式合作都始于严格的保密协议（NDA），并在您对数据、进程与成果拥有完全主导权的前提下开展。我们的核心角色，是成为您科研思路的专业技术合伙人。
本期方案，初稿由「研途智康」智能体从 【Gap·洞察】 模块进入分析生成。
让临床智慧，驱动科研创新 「研途智康 | Synapse Research」不仅是工具，更是您从“想课题”到“出成果”的决策与执行引擎。我们以五大核心优势，构建闭环式科研支撑：
我们将深度理解您的临床需求，融合数据与趋势，为您规划专属科研路径。 欢迎在公众号留言简述您的临床方向，或体验Demo：https://demo.aikkang.com 智康相伴，研途坦然 | Intelligence that connects |
E N D
噶搓气
人真的会在一瞬间
一把火烧了自己的执念与幻想