该论文题为《A deep learning system for detecting silent brain infarction and predicting stroke risk》，由（Nan Jiang）、（Hongwei Ji）、（Zhouyu Guan）、（Yuesong Pan）等团队联合完成，作者来自上海交通大学、清华大学、北京天坛医院、新加坡国立眼科研究所、丹麦欧登塞大学医院等多家国际知名研究机构。论文发表在国际顶级期刊《Nature Biomedical Engineering》上。该研究针对现有脑影像检测静默性脑梗（Silent Brain Infarction, SBI）在普通人群中难以普及的问题，创新性地开发了一个基于视网膜影像的深度学习系统——DeepRETStroke。该系统通过使用超过89万张视网膜照片预训练，构建了一个具备眼-脑关联表征能力的专属领域基础模型，并在来自中国、新加坡、马来西亚、美国、英国和丹麦的超20万张独立视网膜图像上进行了验证。研究显示，DeepRETStroke在预测首次卒中（AUC=0.901）和复发卒中（AUC=0.769）上表现优异，且在多个外部队列中均具有良好的泛化能力。值得一提的是，该系统在一项前瞻性真实世界研究中，展现出相较于传统临床风险模型更高的预测准确性，尤其能够在无需脑影像的情况下，通过检测静默性脑梗有效优化卒中风险评估。该成果不仅为卒中一级预防提供了新的无创筛查工具，也为眼-脑互联医学提供了强有力的技术支持。
01 摘要
02 研究背景
卒中风险识别不足
传统卒中风险评估主要依赖临床危险因素（如高血压、糖尿病、吸烟等）和自我报告信息，预测能力有限，特别是在多民族、多地区人群中泛化性不足。静默性脑梗（Silent Brain Infarction, SBI）难以识别
SBI是一种常见的亚临床脑血管病变，约影响近20%普通人群。SBI是未来卒中发生的重要独立风险因素，但常常因无明显临床症状而被忽视。缺乏高效、可推广的卒中风险筛查工具
当前SBI检测严重依赖MRI或CT等脑影像学手段，成本高、可及性差，难以在普通社区人群中推广应用。
二、研究难点
SBI缺乏无创、便捷的检测手段
MRI/CT虽然是金标准，但不适用于大规模人群筛查。如何通过其他医学影像实现SBI检测是核心难题。现有卒中风险模型预测准确性不足
传统风险模型未能充分纳入亚临床脑血管病变信息（如SBI），导致卒中高危人群漏检，预测能力有限。
缺少具备跨人群、跨区域泛化能力的模型
多数已有研究基于单一人群或小规模数据，缺乏在多民族、多国家、多医疗系统下的外部验证。
如何实现眼-脑关联建模
虽然视网膜与脑血管有解剖和生理联系，但如何用深度学习有效捕捉视网膜影像中的微观脑血管表型特征，是一大技术挑战。
三、相关工作
传统卒中风险预测方法
常用的风险评分（如Framingham、China-PAR等）主要基于临床指标，预测性能在C-index 0.58–0.73之间，难以满足精确预防的需求。影像学在卒中风险评估中的应用
MRI能够检测SBI及其他亚临床脑血管病变，提高风险评估的准确性。但由于成本高、资源有限，不适用于普通人群筛查。视网膜影像在系统性疾病预测中的探索
近年来，基于视网膜影像的AI模型已应用于预测糖尿病、心血管疾病、肾病和阿尔茨海默病等。例如，Google团队和新加坡眼科研究所的研究表明，视网膜影像可以预测血压、年龄、吸烟状态等。不足与空白
尽管已有研究利用视网膜影像预测心脑血管疾病，但大多停留在预测传统风险因素或简单的卒中发生与否，缺乏对SBI这一关键中介变量的检测，也缺乏复发卒中风险预测的研究。
03 模型设计
模型整体架构
DeepRETStroke是一个基于视网膜影像的深度学习系统，主要包括：
编码器（Encoder）：基于Vision Transformer，提取视网膜图像特征。
SBI检测器：识别是否存在静默性脑梗（SBI）。
卒中风险预测器：预测未来5年卒中风险及卒中复发风险。
SBI学习器：辅助模型通过软标签更好地学习SBI特征，提升预测准确率。
训练策略
第一阶段：自监督学习，捕捉视网膜基础特征。
第二阶段：利用卒中随访数据进行风险预测，建立眼-脑关联模型。
第三阶段：通过半监督学习检测SBI，同时联合优化卒中预测。
三阶段预训练：
输入与输出
是否存在SBI（有/无）；
未来5年卒中风险概率；
卒中复发风险预测。
输入：左右眼的视网膜照片。
输出：核心方法与技术
图像增强：直方图均衡、色彩标准化、随机旋转等。
半监督学习：利用高置信度伪标签扩展训练数据，缓解SBI标签稀缺问题。
损失函数：结合交叉熵、时间依赖性Cox损失和软标签约束。
04 实验设置
1️⃣ 数据集
覆盖6个国家，20多个队列，样本量超21万人。
SBI检测：开发于中国SDPP队列，验证于武汉、香港、英国、新加坡、丹麦等多中心数据。
卒中预测：使用中国、新加坡、英国、马来西亚等11个队列进行开发和验证。
卒中复发预测：开发于中国NDSP，验证于马来西亚MeLODY。
2️⃣ 基线方法
临床模型（Metadata）：基于年龄、血压、血糖等传统临床变量。
联合模型（Combined）：视网膜影像特征 + 临床变量。
对比DeepRETStroke（纯影像模型）与传统模型的性能。
3️⃣ 评估指标
SBI检测：AUC、灵敏度、特异性。
卒中预测：C-index、时间依赖性AUC。
真实世界评估：风险分层下的卒中发生率和相对风险降低（aRR）。
05 结果与分析
SBI检测性能
在内部验证集上，DeepRETStroke的AUC达到0.797，明显高于基于临床变量的Metadata模型（AUC 0.633）。
在五个外部验证队列上，AUC介于0.751–0.792，表现稳定，跨人群泛化良好。
灵敏度和特异性均在75%以上，显示出良好的筛查能力。
卒中预测性能
首次卒中预测（5年风险）
内部验证AUC高达0.901，C-index为0.910，显著优于Metadata模型。
外部验证AUC在0.728–0.895之间，表现稳定。
在多民族、多国家人群中均优于传统风险模型。
卒中复发预测
内部AUC为0.769，联合模型可提升至0.833。
外部验证同样显示DeepRETStroke高于Metadata模型（AUC 0.727 vs 0.705）。
真实世界应用效果
在前瞻性真实世界队列中，基于DeepRETStroke的风险分层，可以有效指导卒中预防策略。
与传统模型相比，使用DeepRETStroke进行风险分层后，卒中复发率下降了82.44%（aRR，95%CI 1.58%–324.47%）。
模型能够准确识别高风险人群，低风险组的卒中发生率也明显降低。
可解释性分析
热力图显示，模型主要关注视网膜血管、视盘等区域，这些与微血管病变高度相关。
可视化验证模型不仅是“黑盒”，而是基于生物学相关特征进行决策。
06 结论
本研究提出的DeepRETStroke模型能够通过简单的视网膜照片，无创、高效地检测静默性脑梗（SBI）并预测未来卒中风险。该模型在多个国家和人群中表现出优异的准确性和泛化能力，显著优于传统基于临床变量的风险预测模型。特别是在前瞻性真实世界研究中，DeepRETStroke有效提升了高风险人群的识别率，并帮助降低了卒中复发风险。相比依赖昂贵的脑MRI，DeepRETStroke提供了一种低成本、易推广的卒中风险筛查新路径。该研究证明，视网膜影像不仅是眼睛的“窗口”，也是大脑健康的重要“探针”，为卒中预防和公共健康管理提供了创新的人工智能解决方案。
07 论文评价
✅创新亮点
1️⃣ 全球首个视网膜影像驱动的SBI检测与卒中预测系统
无需MRI，通过视网膜图像即可实现静默性脑梗（SBI）检测，并显著提升卒中风险预测精度。
2️⃣ 独创的“眼-脑关联”领域基础模型（Foundation Model）
基于超89万张视网膜影像预训练，深度捕捉视网膜与脑血管微观结构的潜在关联。
3️⃣ 首创SBI检测与卒中预测深度融合框架
将SBI这一关键亚临床表型纳入卒中预测模型，突破传统依赖临床变量的风险评估方式。
4️⃣ 多阶段自监督 + 半监督联合学习策略
解决SBI标签稀缺问题，显著增强模型的鲁棒性和跨人群泛化能力。
5️⃣ 强大的跨国、多民族验证
在中国、新加坡、英国、马来西亚、丹麦等多个国家队列中均表现优异，具备良好的全球适用性。
6️⃣ 落地真实世界，指导精准预防
在真实前瞻性队列中验证，通过风险分层有效降低卒中复发率，具备实际临床应用价值。
⚠方法不足
该研究虽然在视网膜影像辅助卒中风险预测方面取得了突破性进展，但仍存在一定局限。首先，模型的预训练数据主要来自中国人群，存在潜在的种族偏倚风险。其次，SBI标签依赖于有限的MRI检查，缺乏大规模的视网膜与脑影像配对数据，可能影响模型的进一步优化。此外，不同中心的MRI解读存在标签一致性不足的问题。由于SBI在普通人群中的患病率较低，样本不平衡仍是模型面临的挑战之一。同时，模型主要依赖静态的视网膜图像，未能融合时间序列临床数据或其他多模态信息，限制了风险预测的全面性。最后，真实世界前瞻性验证的样本量相对较小，随访时间有限，仍需通过更大规模、更长期的研究进一步验证模型的临床价值。
08 参考资料
论文链接：
