脑卒中是全球致残致死的主要病因之一，传统风险评估依赖患者自报的临床特征（如吸烟史、糖尿病史等），预测准确性有限（一致性指数C指数仅0.58-0.73）。无症状脑梗死（Silent brain infarctions，SBI）在普通人群中发病率达20%，表明潜在的缺血性脑血管疾病，并与未来中风风险增加有关，是脑卒中的重要风险标志物。但现行核磁共振成像（MRI）和计算机断层扫描（CT）等脑成像检测成本高昂难以普及，因此美国心脏协会和美国中风协会不建议用MRI筛查无症状的普通人群来检测SBI。

近日，清华大学黄天荫、戴琼海院士、上海交通大学盛斌、李华婷、贾伟平院士和首都医科大学北京天坛医院王拥军等人联合在《Nature Biomedical Engineering》发表了题为“A deep learning system for detecting silent brain infarction and predicting stroke risk”的文章。该研究开发出基于视网膜图像的深度学习系统DeepRETStroke，首次实现通过非侵入性眼底照相精准分层预测脑卒中风险，为卒中预防管理提供新策略。

该研究创造性构建了眼-脑轴特定垂域的跨器官影像基座模型, 通过89.56万张视网膜图像预训练模型，捕捉微血管病变特征，输出SBI检测结果和五年卒中风险，并且在多个数据集上进行了验证，最终成功构建全球最大的视网膜图像分析系统DeepRETStroke。研究团队还在马来西亚、新加坡、美国、英国、丹麦及中国香港等多个人群队列的20万张眼底图像和临床数据中进一步验证。结果表明DeepRETStroke系统在内部数据集上表现良好，SBI检测AUC达0.797，灵敏度0.800，特异性0.781；首发脑卒中5年风险预测AUC达0.901；复发脑卒中预测AUC达0.769。外部验证证明了不同数据集的一致性能。

DeepRETStroke首次实现通过视网膜图像量化脑血管病变，可无创识别既往未被诊断的SBI，同时还可预测未来5年首次脑卒中及卒中复发的风险，显著优于传统基于年龄、血压等临床指标的预测模型，并且在不同人种中具有较好的鲁棒性和泛化性。该技术可部署于社区医疗场景，患者只需常规眼底拍照即可完成评估，为脑卒中早筛提供了可及性强的工具，有望改变现行依赖影像学的筛查模式。

论文链接：https://www.nature.com/articles/s41551-025-01413-9

注：此研究成果摘自《Nature Biomedical Engineering》杂志，文章内容并不代表本网站的观点和立场，仅供参考。