编辑推荐：
在常规影像随访中，无症状脑梗死（SBI）因其评估困难而易被漏诊，但其预后意义重大。为解决此难题，研究人员开展了一项基于深度学习的系列FLAIR MRI新发缺血性病灶自动检测研究。该模型在内外验证队列中AUC达0.89，并在独立无症状队列中证实，模型识别的SBI阳性患者未来症状性脑卒中复发风险显著增高（校正后风险比HR=3.8）。这表明AI能够识别常规实践中被低估的、具有独立临床意义的SBI，为脑卒中风险分层提供了可复现的影像生物标志物，有助于标准化随访解读和优化二级预防策略。
在脑卒中（Stroke）患者的长期管理中，通过系列磁共振成像（MRI）扫描来监测有无新发的脑梗死是评估病情进展和预后的关键环节。然而，依赖人工判读后续影像不仅耗时费力，还存在解读者间的差异性，使得大量“沉默的杀手”——无症状脑梗死（Silent Brain Infarctions, SBIs）在常规临床实践中被漏诊。这些未被识别的小病灶并非无害，已有研究提示其与未来发生症状性脑卒中的风险增加相关，但由于检测手段的局限，其确切的独立预后价值难以精确量化。如何从海量的影像数据中，自动、准确、可重复地识别出这些“不起眼”却至关重要的新发病灶，成为神经影像学和脑卒中二级预防领域一个亟待解决的难题。
为了应对这一挑战，一项发表在《npj Digital Medicine》上的研究，开发并验证了一个基于深度学习（Deep Learning）的人工智能模型，旨在自动检测患者在系列液体衰减反转恢复序列（FLAIR）MRI影像上出现的新发缺血性病灶，并前瞻性地评估了这些被AI识别的无症状脑梗死的远期预后意义。
这项研究主要采用了几个关键技术方法：首先，研究构建了大规模、多中心的影像队列，利用来自两家医院共1055名患者的25451对配对FLAIR序列MRI影像切片进行模型训练，确保了数据的多样性和模型的泛化潜力。其次，在模型架构与训练策略上，研究团队构建了一个卷积神经网络（CNN），并创新性地采用了有监督的对比学习（Supervised Contrastive Learning）方法，以增强模型对新旧病灶的特征区分能力，其核心任务是准确分类是否存在新发梗死病灶。最后，在严格的临床验证环节，研究不仅进行了内部和外部验证以评估模型本身的检测性能，更重要的是，将训练好的模型应用于一个独立的、包含307名无症状患者的纵向随访队列（中位随访期2年），以探究模型检测结果与未来临床结局（症状性脑卒中复发）之间的关联，从而验证其临床实用性。
研究结果：
模型开发与性能验证
研究人员利用两家医院的1055名患者的系列FLAIR MRI数据，训练了一个基于卷积神经网络和对比学习策略的深度学习模型。在内部和外部验证中，该模型对新发病灶的检测表现出了优异且稳定的性能，其接收者操作特征曲线下面积（AUC）在内部和外部验证队列中均达到了0.89。这表明该模型能够可靠地自动识别系列MRI上的新发缺血性病灶。
在无症状队列中的临床验证
为了评估模型识别结果的临床相关性，研究将该模型应用于一个独立的、包含307名初始无症状患者的队列。经过中位时间为两年的随访，研究团队分析了被模型判定为存在无症状脑梗死（SBI阳性）的患者与SBI阴性患者未来发生症状性脑卒中的风险差异。结果显示，SBI阳性患者发生后续症状性脑卒中的风险显著高于SBI阴性患者。
多变量生存分析
在调整了年龄以及主要血管危险因素（如高血压、糖尿病等）后，多变量Cox比例风险回归模型分析表明，被该深度学习模型识别为SBI阳性的患者，其未来发生症状性脑卒中的风险是SBI阴性患者的3.8倍（风险比HR=3.8）。这强有力地证明了，模型所检测到的这些“无症状”病灶，是未来症状性脑卒中复发的独立危险因素。
结论与讨论
本研究成功开发并验证了一个能够自动、准确地从系列FLAIR MRI中检测新发脑梗死的深度学习模型。该模型不仅在技术上表现出了高准确度和良好的泛化能力，更重要的是，其临床应用价值在一项前瞻性分析中得到了证实。研究发现，由该模型识别出的、在常规临床读片中可能被忽略的无症状脑梗死，与患者未来发生症状性脑卒中复发风险增加3.8倍独立相关。
这一发现具有多重重要意义。首先，在临床实践层面，它证实了利用人工智能辅助影像判读，能够发现那些具有重要预后价值但常规手段易漏诊的“隐匿性”病灶，从而弥补人工读片的局限性和主观差异性。其次，在风险分层与预防策略上，该模型为脑卒中患者的二级预防提供了强有力的决策支持工具。通过自动化、可重复地识别出高危患者（即SBI阳性者），临床医生可以针对这部分人群实施更严密的风险因素管理或更积极的预防性治疗，实现精准医疗。最后，在研究方法学上，该研究为深度学习模型在医学影像领域的应用树立了一个典范，即不仅追求模型在检测任务上的技术性能，更通过严谨的临床终点关联分析，验证了其发现的“生物标志物”具有真实的、独立的临床预后价值。总之，这项研究表明，人工智能驱动的自动化病灶检测能够提供一个标准化的、可重复的影像学生物标志物，这不仅有助于实现随访MRI解读的标准化，更能为优化脑卒中的二级预防策略提供关键信息。
