DeepSLE:上海交大盛斌团队开发深度学习系统探索红斑狼疮筛诊新路径

医学

Medicine

2025年6月25日，上海交通大学计算机学院人工智能教育部重点实验室盛斌教授团队与中国医学科学院北京协和医院眼科/中国医学科学院眼底病重点实验室戴荣平教授团队通过多年医工交叉融合创新，在Cell Press细胞出版社旗下期刊Cell Report Medicine发表题为“A deep learning system for detecting systemic lupus erythematosus from retinal images”的突破性研究成果，构建了全球首个基于视网膜图像的深度学习筛查系统（DeepSLE），实现了对系统性红斑狼疮（Systemic Lupus Erythematosus, SLE）及其眼、肾等器官并发症的无创高效筛查，使其适用于大规模机会性筛查，尤其为女性群体提供了安全便捷的评估手段，提供了通过AI创新显著缩小罕见病区域医疗资源差异的有效路径。

▲长按图片识别二维码阅读原文

系统性红斑狼疮（SLE）是一种多器官受累的自身免疫性疾病，其核心病理特征是免疫紊乱引发的血管炎症。该疾病可导致肾脏、心血管、神经系统等多方面的损伤。尽管SLE被归类为罕见病，全球患者人数约为340万，但由于其高致残率以及复杂的诊疗需求，它已成为严重威胁全球公共健康的重大疾病。流行病学数据揭示显著性别差异：90% 患者为女性（约300万），男女患病率之比达 1:9，发病高峰集中于15-45岁育龄期。这种生物学倾向性也使女性面临诊断延迟困境：非特异性症状（如疲劳、关节痛）常被归因于 "女性亚健康"，导致平均诊断延迟达3-5年，而延迟诊断与肾脏损伤风险增加 2.3 倍直接相关。更严重的是，活动期SLE孕妇流产率高达 20-30%，且疾病管理需平衡药物致畸性与病情控制，形成临床决策难题。目前，SLE的临床诊断主要依赖复杂的分子标志物检测、免疫学检查和临床症状综合判断，公众认知度较低，导致延迟诊断普遍。在无症状或亚临床阶段实现精准识别，是打破SLE "诊断-器官损伤恶性循环" 的关键。这种困境凸显了无创化、智能化、基层适配性早筛技术的迫切需求。

近年研究发现，视网膜微血管等影像学特征与SLE疾病活动度（SLEDAI 评分）呈强相关性，这为 "眼底-全身血管损伤关联模型" 提供了病理生理学依据。同时数字视网膜眼底摄影现已在基层验光和社区环境中以低成本广泛普及，其图像获取过程便捷、非侵入、成本低廉，为利用人工智能算法自动筛查SLE及其相关并发症提供了可能。

在前期医工交叉研究积累的基础上，盛斌教授团队成功构建了全球首个基于普通彩色眼底照相的系统性红斑狼疮智能筛查系统—DeepSLE。该系统在“预训练-迁移学习”的框架下，创建课程式训练策略并突破传统机器学习范式，不仅实现SLE的无创检测，更首次通过视网膜影像对狼疮性视网膜病变、狼疮性肾炎等并发症进行有效预测，为多器官损伤预警提供了全新路径。它使用来自 173,346 名参与者的 666,383 张眼底图像对 DeepSLE 系统进行预训练。在包含来自中国和英国的 247,718 张图像的多民族验证数据集中，DeepSLE 的SLE 曲线下面积 (AUROC) 达到 0.822~0.969。此外，DeepSLE 在按性别、年龄、民族和社会经济地位分层的亚组中均表现出稳健的表现。为了确保 DeepSLE 的相关性和可解释性，团队进行了显著性分析和视网膜血管变量分析，以深入了解其 SLE 检测的诊断机制。

此外，研究团队通过前瞻性盲法读者研究证实，DeepSLE在系统性红斑狼疮（SLE）的筛查性能方面相较于初级保健医生展现出更高的灵敏度。DeepSLE 的诞生标志AI算法的创新正突破人类肉眼洞见，使眼底影像从眼病诊断依据进化为全身健康状态指针。DeepSLE提供了快速、非侵入式且经济高效从视网膜图像中检测 SLE及其并发症的数字解决方案，开启"早发现、精管理、少损伤"的精准医疗新图景。

作者专访

Cell Press细胞出版社特别邀请本文通讯作者盛斌教授

进行了专访，请他为大家进一步解读。

CellPress：

为什么选择视网膜眼底影像作为筛查系统性红斑狼疮的窗口？

盛斌教授：

这一创新性选择源于视网膜独特的生物学属性、跨学科研究积累，以及系统性红斑狼疮（SLE）的病理特征与视网膜改变的深度耦合。我们的研究思路受到清华大学黄天荫教授、上海交通大学贾伟平教授及英国伦敦大学学院Pearse Keane教授等杰出学者在视网膜病变及视网膜微血管-代谢综合征关联研究的经验启发，视网膜是全身唯一可直接无创观察微血管的部分。视网膜血管密集分布于眼底，不仅反映了全身血管的特征和调控机制，而且可以作为整体健康状况的指标。

既往研究发现，视网膜神经和血管的变化可以被检测并用作系统性疾病的生物标志物。作为中枢神经系统的外延结构与全身唯一可直接观察的微血管系统，视网膜的影像所具有的"系统性疾病侦察兵"价值已在心脑血管、代谢及神经退行性疾病等多领域得到证实。此外，系统性红斑狼疮患者常见视网膜改变，可为疾病活动性和严重程度提供有价值的信息。我们的研究正是基于这种"从眼底看全身"的系统生物学思维，将深度学习与视网膜影像结合，不仅为 SLE 防控提供新工具，也证明在精密仪器与复杂算法之外，人体自身早已进化出最精妙的健康监测系统-视网膜，而我们医学AI的使命之一就是破译其中的生命密码。

未来，当DeepSLE在基层诊室通过一张眼底照片发出早期预警，它背后是医工交叉的智慧结晶，更是对 "健康公平" 理念的践行—让技术创新不再局限于顶级医院的实验室，而是成为"用科技温暖生命"的探索，或许正是现代科技最动人的模样：不是冰冷的代码与数据，而是让每一个生命都能被温柔地照看。

CellPress：

DeepSLE的算法设计有何独到之处？

盛斌教授：

DeepSLE将Vision Transformer（ViT）架构引入SLE筛查领域，采用了两阶段的训练策略，即先利用自监督学习方式从未标注的视网膜图像中学习通用表征，再针对具体下游临床任务（如SLE、狼疮性视网膜病变和狼疮肾炎等）进行微调。这种“预训练-迁移学习”的框架对于罕见病小样本任务很有必要。我们的预训练过程借鉴了近年来眼科基座模型RETFound的开发方式，从60余万张视网膜图像，采用掩码图像重建机制，采用编码器-解码器结构对严重遮挡的视网膜图像进行还原学习。

在下游任务训练中，针对样本类别不均衡及诊断难度差异，我们设计了动态权重课程式训练策略(curriculum training schedule)，其核心思想模拟临床医生从新手到专家的成长路径。该策略是一种模仿人类学习过程的训练方法，将模型训练分成多个阶段，从简单到复杂、从粗略到精细逐步优化模型的能力。

此外，本项研究为解决"黑箱AI"的临床信任壁垒，针对DeepSLE系统的可解释性分析实现 "算法决策-病理机制"的双向验证，包括注意力热图的生成、视网膜血管形态学特征定量分析、SLE与非SLE组的血管参数差异对比，旨在验证模型关注区域与疾病病理生理特征之间的一致性。

CellPress：

本项研究对于罕见病的筛查有何启示？

盛斌教授：

全球罕见病筛查面临"三重困境"—数据沙漠化、诊断迷雾化、成本高企化，在系统性红斑狼疮（SLE）等复杂疾病中尤为突出。罕见病进准有效的筛查离不开具有临床适宜性的AI技术的不断进步。就新技术落地而言，研发一款罕见病筛查工具的平均成本且尝尝因患者基数小而难以具备成本效益优势。在此，我们和中国医学科学院北京协和医学院戴荣平教授团队共同合作，并携手英国Moorfields眼科医院，通过医工协同、数据破圈与技术下沉实现三重突破，为破解这一世界性难题提供了可复用的方案。

另外，罕见病的筛查需要在技术创新和资源协作间寻找平衡点。针对罕见病筛查的经济不可行性，本研究提出“眼科筛查+全身预警"的机会性筛查范式，其核心在于技术复用与成本分摊，实现 "一次成像，多病共筛"。它可以集成到现有的基于视网膜眼底图像的深度学习算法中，以便在现有社区眼科基础设施的常规眼病筛查时实现机会性SLE筛查，有助于早期发现，尤其是在缺乏风湿病学专业知识或广泛实验室检测的基层医疗机构中。而筛查工具判定为 SLE 和/或相关并发症高风险的患者可以被转诊至三级医疗中心进行随访，接受全面的诊断评估和后续的多学科管理。

CellPress：

作为长期从事医工交叉研究的学者，您如何看到医学和人工智能交叉学科人才培养的未来？

盛斌教授：

作为一名计算机科学工作者，我长期在虚拟现实技术与人工智能领域探索，同时深受学校医工交融学术土壤的滋养，我始终认为医工交叉也绝非简单的学科拼接，而是一场重塑医学未来的革命。首先是育人理念的革新。在教书育人方面，"严在当严处，爱在细微中" 一直是我的培养理念。所谓"君子之德风"，教育应如春风化雨，在知识传授中融入价值塑造。黄天荫教授曾以 "井底之蛙"的箴言警示我不应该被固有认知和思维定式所束缚，而应该尊重和拥抱不同学科的理念风格。贾伟平教授也曾以“从马车夫到汽车司机”的职能演进为例，阐释任何专业领域都不应因循守旧，而需以与时俱进的姿态持续学习、自我拓界，说明任何学科必须随社会发展而迭代的本质。现代学科分类虽是人类认知的工具，但真正的学术突破往往诞生于学科壁垒的裂缝之中。要想"君子不器"，就得要求我们在人才培养中打破医学、计算机科学、人工智能之间的人为疆界，构建学科无界、创新有魂的人才培养体系。

其次是认知格局的重构。在医学数字化转型的浪潮中，交叉学科研究者需要具备双重思维特质：一方面，医学背景的学生要突破生物医学中心主义的认知惯性，将人工智能视为提升临床思维的认知增强工具。另一方面，人工智能领域的研究者需跨越数字游戏的信息茧房，深入理解医学自带的人文和社会实践属性—从希波克拉底誓言的伦理传统，到循证医学的证据等级体系，再到临床实践中的复杂决策场景。医工交叉科研必须同时理解手术刀的温度与算法的冰冷，尤为重要的是同理心的培育。这要求研究者具备双视角同理心：既能从医学视角理解临床需求的复杂性，又能从技术视角洞察AI的能力边界。理想的医工交叉人才应是 “医学思维的技术解读者”与“算法设计的医学翻译官”的复合体。这种复合型人才的培养，需要构建 "基础学科打底、交叉模块筑基、临床场景赋能" 的培养体系，让学生在学科交叉的 "十字路口" 学会识别路标、选择方向，并最终开辟属于自己的学术新路径。

作者介绍

盛斌

教授

盛斌，上海交通大学计算机学院人工智能教育部重点实验室教授、博士生导师，获国家“万人计划”青年拔尖人才等项目资助，研究领域包括虚拟现实与智能医学。ISBI2020、MICCAI2022-2024国际眼底影像人工智能读片竞赛主席，任计算机科学主流期刊The Visual Computer执行编辑(Managing Editor)。近五年以(共同)第一/通讯在JAMA、Nature Medicine、Lancet Digital Health、IEEE TPAMI及IJCV等期刊发表文章 69篇。获上海市科技进步特等奖、两次世界人工智能大会SAIL AWARD榜单项目、国际图形学学会(Computer Graphics Society)杰出贡献奖、全国医工结合科技创新十大进展、眼科学中国十大原创进展等荣誉。

其他作者：本文的通讯作者为上海交通大学计算机学院盛斌教授、中国医学科学院北京协和医院眼科戴荣平教授。本文的第一作者为上海交通大博士研究生李庭瑶、中国医学科学院北京协和医学院博士研究生林诗群、上海交通大学医学院博士研究生管洲榆、英国伦敦大学学院周玉昆研究员。本文的共同作者包括清华大学黄天荫教授、英国伦敦大学学院Pearse A. Keane教授等。

DeepSLE:上海交大盛斌团队开发深度学习系统探索红斑狼疮筛诊新路径 | Cell Press对话科学家