Nature BME | “眼底一张相，便知脑中险”：AI通过视网膜照片精准预测中风风险

星标“医工学人”，第一时间获取医工交叉领域新闻动态~

中风是全球范围内导致死亡和长期残疾的主要元凶之一 ,在众多中风风险因素中，“无症状性脑梗死”（Silent Brain Infarction,SBI）如同一位“沉默的杀手”。它在普通人群中的患病率高达20%，是未来发生临床中风的强烈预警信号。然而，发现这位杀手的踪迹，目前主要依赖昂贵且难以普及的脑部磁共振（MRI）或CT扫描，这使得大规模筛查在经济和可行性上都面临巨大挑战。为了填补这一关键的临床空白，一个国际化的科研团队开发并验证了一套名为DeepRETStroke的尖端深度学习系统。该系统另辟蹊径，利用一张小小的眼底视网膜照片，就能精准识别SBI的存在，并预测未来数年的中风风险，真正实现了“窥一斑而知全豹”。

图1：DeepRETStroke系统设计与研究概览。a) 当前临床实践中，高危人群或已发现SBI的患者才会被建议采取预防措施。b) DeepRETStroke系统通过一个代表“眼-脑连接”的特殊基础模型，对眼底图像进行分析，以完成SBI检测和中风风险预测等下游任务。c) 用于开发和验证该系统的多中心、多国家数据集概览。d) 用于评估系统在真实世界中指导预防策略效果的前瞻性研究设计。

技术革新：三阶预训练，铸就“眼-脑连接”AI大脑

DeepRETStroke的核心是一个专门为描绘“眼-脑连接”而设计的领域特异性基础模型。其强大的能力源于一个精密的、分三阶段的预训练策略（见图2），并利用了来自中国、新加坡、马来西亚、美国、英国和丹麦等多个国家、覆盖多种族裔的庞大数据集进行训练和验证。

第一阶段：自监督学习奠定基础。

系统首先在包含895,640张视网膜照片的超大规模数据集上进行预训练。通过自监督学习，模型能自主学习视网膜的普适性特征，构建了对眼底结构的深层理解。
第二阶段：模型初始化获取先验知识。

模型利用部分数据集进行初次中风预测训练，这使其在进入核心学习阶段前，就已具备了关于眼-脑关联的初步认知。
第三阶段：半监督学习与知识迁移。

SBI检测器训练：系统利用少量经MRI确诊的SBI样本作为“教师”，通过半监督学习策略，在大量未标记的眼底照片中“挖掘”出具有高置信度的SBI疑似样本，并为它们打上“伪标签”，从而不断扩大训练集，持续优化SBI检测器的性能。

知识迁移增强中风预测：SBI检测器会为每个样本生成一个SBI的患病概率（即“软标签”）。在预测未来中风风险时，这个“软标签”会作为一个辅助任务，与主要的中风预测任务共同训练。通过这种方式，模型不仅能预测未来事件，还能同时学习样本在当前基线下的亚临床病变状态（即SBI），从而极大地提升了中风预测的精准度。

图2：DeepRETStroke系统开发流程

性能验证：在三大任务中表现卓越

研究团队在SBI检测、新发中风预测和复发性中风预测三大任务中，对DeepRETStroke的性能进行了严格的内部和外部验证。

SBI检测：精准识别“沉默杀手”

在内部验证中，仅凭眼底照片（Fundus only），DeepRETStroke检测SBI的准确性（AUC）就达到了0.797，显著高于基于传统临床风险因素的元数据模型（Metadata only）的0.633。在多个外部数据集的验证中，这一优势也得到了保持，证明了其强大的泛化能力（如图3a所示）。

图3：DeepRETStroke系统在SBI检测任务上的性能。a）在内部（SDPP）及多个外部验证集上，模型的AUROC（曲线下面积）表现。绿色条代表仅使用临床特征（Metadata only），橙色条代表仅使用眼底照片（Fundus only），灰色条代表两者结合（Combined）。b）模型的敏感性。c）模型的特异性。可以看出，仅使用眼底照片的模型在多数情况下优于传统临床模型。

新发中风预测：五年风险，一目了然

在预测5年内首次发生中风的内部验证中，DeepRETStroke仅凭眼底照片就取得了AUC 0.901的优异成绩。在横跨11个外部多民族数据集的验证中，其AUC范围在0.728到0.895之间。在绝大多数数据集中，眼底模型的表现均优于传统临床风险模型（如图4a所示），这充分说明仅通过眼底照片进行精准中风预测是完全可行的。

图4：DeepRETStroke系统在新发中风预测任务上的性能。a）在第五年时间点的AUROC表现。b）C-index表现。在绝大多数数据集上，仅凭眼底照片（橙色条）的模型性能都优于或媲美仅使用临床特征的模型（绿色条）。

复发性中风预测：拓展应用，服务已病人群

该系统还被进一步微调，用于预测已有中风病史患者的复发风险。在内部验证中，其AUC达到了0.769，在外部验证中同样优于传统模型（0.727vs0.705）。

真实世界研究：AI指导下的干预可将中风复发风险降低82%

为了检验DeepRETStroke在真实临床场景中的价值，研究团队进行了一项包含218名卒中患者的前瞻性研究。患者被分为接受综合医院-社区一体化管理(IM组)和非一体化管理(non-IM组)。研究发现，若根据DeepRETStroke的风险分层来指导干预策略（对高危组进行强化干预，低危组进行非强化干预），相比于基于传统临床特征的风险分层，与中风复发事件减少82.44%相关联。这一惊人数据初步证明，DeepRETStroke有潜力优化风险分层，使预防资源能更有效地分配给最需要的人群。

前沿展望：开启无创、普惠的中风筛查新范式

DeepRETStroke的问世具有里程碑式的意义。它通过一个创新的AI框架，成功地将便捷、无创的眼底摄影技术与精准的脑血管疾病风险评估联系起来。

独特的生物学基础：该研究的成功建立在视网膜与大脑血管在胚胎、解剖和生理上的紧密联系之上。眼底的微血管病变，可以看作是脑血管健康的“一面镜子”。

超越传统AI：与以往直接预测“有/无中风”的AI模型不同，DeepRETStroke通过学习SBI这一亚临床脑病变特征，能更直接、更精准地预测未来的临床中风事件，性能远超同类研究。

尽管研究团队也坦诚存在一些局限，如模型主要基于中国人群开发、前瞻性验证的样本量有限等，但这项研究无疑为中风预防打开了一个全新的窗口。总而言之，DeepRETStroke系统证明了仅通过一张眼底照片，即可在无需脑部影像的情况下，实现对“沉默杀手”SBI的有效检测，并对新发和复发性中风风险进行精准预测。这项技术有望成为社区和基层医疗机构的强大筛查工具，实现大规模、低成本、高效率的中风风险早期识别与干预，最终为全球数亿高危人群带来福音。

▼参考文献

[1] 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