一个深度学习系统用于检测静音脑梗塞和预测中风风险.
Nan Jiang1,2,3, Hongwei Ji3, Zhouyu Guan1
1Shanghai Belt and Road International Joint Laboratory for Intelligent Prevention and Treatment of Metabolic Disorders, Department of Computer Science and Engineering, School of Electronic, Information, and Electrical Engineering, Shanghai Jiao Tong University, Institute for Proactive Healthcare, Shanghai Jiao Tong University, Department of Endocrinology and Metabolism, Shanghai Sixth People's Hospital Affiliated to Shanghai Jiao Tong University School of Medicine, Shanghai Diabetes Institute, Shanghai Clinical Center for Diabetes, Shanghai Key Laboratory of Diabetes Mellitus, Shanghai, China.
一个新的深度学习系统DeepRETStroke使用视网膜图像来检测静音脑梗塞 (SBI) 并预测中风风险. 这种人工智能工具为脑部成像提供了一个非侵入性的替代方案,用于预防中风的策略.
科学领域:
- 眼科和神经病学 眼科和神经病学
- 人工智能在医学中的应用
- 心血管疾病研究研究
背景情况:
- 目前用于检测静音脑梗塞 (SBI) 的脑成像方法尚未被一般人广泛使用.
- 沉默性脑梗塞是未来中风事件的重要风险因素.
- 需要使用非侵入性,可扩展的方法来识别高风险中风的个体.
研究的目的:
- 开发和验证一个深度学习系统,DeepRETStroke,利用视网膜图像来检测SBI.
- 评估DeepRETStroke在预测事件和复发性中风事件方面的能力.
- 将DeepRETStroke的疗效与传统的临床特征进行比较,以指导中风复发的预防.
主要方法:
- 在895,640张视网膜照片的大数据集上预训练DeepRETStroke系统,以建立眼脑连接基础模型.
- 在多个国家的213,762张视网膜照片中验证DeepRETStroke的性能,用于SBI检测和中风事件预测.
- 对218名中风参与者进行前性研究,以评估DeepRETStroke与中风复发预防策略的临床特征.
主要成果:
- 在内部验证中,DeepRETStroke表现出强的表现,在事件中风预测中达到0.901的曲线下的面积 (AUC) 和0.769的复发性中风预测.
- 在各种外部验证数据集中观察到一致的性能,证实了系统的通用性.
- 在一项前性研究中,DeepRETStroke在预测中风事件方面被证明优于临床特征,特别是在结合SBI检测时.
结论:
- DeepRETStroke提供了一种可行且有效的非侵入性方法,用于使用视网膜图像检测静音脑梗塞.
- 该系统显示了改善中风风险预测和指导个性化预防策略的巨大潜力.
- 基于视网膜图像的深度学习在心血管疾病研究和中风管理方面呈现出有前途的进步,绕过了对大脑成像的需求.
相关概念视频
Ischemic Stroke l: Introduction
Hemorrhagic Stroke l: Introduction
Transient Ischemic Attack l: Introduction


