Cell子刊：盛斌/戴荣平团队开发新型AI模型DeepSLE，从视网膜图像检测系统性红斑狼疮

系统性红斑狼疮（SLE）是一种严重的自身免疫疾病，会累及多个器官，包括皮肤、关节、中枢神经系统、眼睛和肾脏。它影响着全球约 340 万人，在这些患者中，估计有 300 万是女性。

之前的研究表明，女性患 SLE 的可能性是男性的数倍，发病高峰通常在 15-45 岁之间。SLE 患病率的这种性别差异凸显了了解女性患者在疾病诊断和治疗方面所面临独特挑战的重要性。此外，由于 SLE 诊断标准复杂且公众对其缺乏认识，导致其诊断延误的情况十分普遍。SLE 的早期发现以及后续的治疗措施对于提高 SLE 缓解的可能性和改善患者预后至关重要。

然而，由于缺乏被广泛接受的、标准化的、无创且经济有效的筛查工具来实现早期检测，特别是针对无症状个体或症状轻微的人群，SLE 的筛查仍是全球公共卫生面临的重要挑战。

2025 年 6 月 25 日，上海交通大学盛斌教授团队与中国医学科学院北京协和医院戴荣平团队合作，在 Cell 子刊 Cell Reports Medicine 上发表了题为：A deep learning system for detecting systemic lupus erythematosus from retinal images 的研究论文。

该研究开发了一款通过视网膜图像中检测系统性红斑狼疮（SLE）及其相关并发症的深度学习系统——DeepSLE。

对于系统性红斑狼疮（SLE）患者来说，筛查 SLE 相关并发症，包括狼疮性视网膜病变（LR）和狼疮性肾炎（LN），是必不可少的。早期识别和处理这些并发症能够增强个性化护理，并改善患者的长期预后。

然而，挑战依然存在。与低视力相关的视网膜变化可能很细微，可能需要使用先进的成像技术，例如光学相干断层扫描（OCT）或眼底荧光血管造影来检测。目前狼疮性肾炎（LN）的筛查依赖于尿液分析和血清肌酐测定，而肾脏活检仍是诊断的金标准。因此，在 LR 和 LN 的筛查方面仍存在显著差距，因为这些筛查程序在初级保健和资源匮乏的环境中并未得到常规实施。

SLE 患者经常出现视网膜病变，此外，视网膜的变化往往主要与系统性红斑狼疮的活动期相吻合，还能为疾病活动度和严重程度提供有价值的见解。因此，视网膜有可能作为一种无创、即时检测且经济有效的生物标志物，用于检测 SLE 及其相关并发症。此外，数字视网膜成像如今在初级保健验光和社区环境中已广泛普及，且价格低廉。

如今，深度学习（Deep Learning，DL）已被广泛应用于视网膜成像中，用于检测各种视网膜疾病（例如糖尿病视网膜病变、年龄相关黄斑变性）以及全身性疾病（例如糖尿病、慢性肾病和心血管疾病）。然而，利用深度学习从视网膜眼底图像中检测系统性红斑狼疮（SLE）及其相关并发症的研究，仍然较少。

在这项多中心研究中，研究团队开发、验证并对外测试了一种基于 Vision Transformer（ViT）的深度学习系统——DeepSLE，该系统仅通过视网膜眼底图像检测系统性红斑狼疮（SLE），进一步探索了检测 SLE 相关视网膜和肾脏并发症的可行性和潜力，并进行了概念验证。

首先，研究团队利用来自 173346 名参与者的 666383 张视网膜眼底图像对 DeepSLE 系统进行了预训练。随后，使用来自不同多民族数据集的视网膜眼底图像对 DeepSLE 系统进行了训练和验证，这些数据集包含来自中国和英国的 91598 名参与者提供的超过 254246 张图像。研究团队进一步评估了该模型在不同亚组中检测 SLE 的性能（这些亚组是按照性别、年龄、种族和经济状况进行分层）。为了确保 DeepSLE 的相关性和可解释性，研究团队还进行了显著性分析和视网膜血管变量分析，以深入了解其检测系统性红斑狼疮的诊断机制。此外，研究团队还开展了一项前瞻性读者研究，以比较 DeepSLE 与初级保健医生和专科医生的表现。

结果显示，在包含来自中国和英国的 247718 张图像的多民族验证数据集中，DeepSLE 在系统性红斑狼疮（SLE）检测中实现了 0.822-0.969 的受试者工作特征曲线下面积。此外，DeepSLE 在按性别、年龄、种族和经济状况分层的各个亚组中均表现出稳健的性能。为确保 DeepSLE 的可解释性，研究团队还进行了定性和定量分析。此外，在前瞻性读者研究中，DeepSLE 展示出比初级保健医生更高的灵敏度。

总的来说，DeepSLE 为从视网膜图像中检测系统性红斑狼疮（SLE）及其相关并发症提供了数字解决方案，具有巨大的临床应用潜力。