近日，复旦大学附属闵行医院赵静教授和上海交通大学钱昆教授联合团队在国际权威杂志《先进科学（Advanced Science）》正式发表了题为“Rapid Computer‐Aided Diagnosis of Stroke by Serum Metabolic Fingerprint Based Multi‐Modal Recognition”的研究论文。
该研究采用基于血清代谢指纹（SMF）的深度多模态识别，将自适应机器学习与一种新的特征选择方法相结合，实现了脑卒中的快速计算机辅助诊断。这种新型的多模式识别技术有望转化成为辅助脑梗塞诊疗的检测方法运用于临床,并可作为指导进一步探索脑梗塞分子机制的新手段。
中风是导致全球死亡和残疾的主要原因，预计到2020年，中风将导致6100万残疾调整生命年。快速诊断是脑梗塞的早期预警和治疗管理的核心内容。目前对于脑梗死的诊断基于磁共振影像检测方法，但是即时是大三甲医院也鲜有24小时开放磁共振，对于很多基层医院，CT都无法实现，因此迫切需要一种新颖快速的诊断方法作为现有成像方式的辅助手段。
该研究首先使用国际先进的纳米辅助激光解吸/电离质谱(LDI MS)技术快速提取血清代谢指纹（SMF），在数秒内消耗100 nL血清既可完成。然后，通过将SMFs与临床指标结合使用深度学习（DL）构建多模式识别方式，可获得最高可达0.845的曲线下面积(AUC)，优于单纯通过SMFs或临床指标进行单一模式诊断。最后，通过构建先进的显著性图谱法简化潜在生物标记的识别，筛选出20个具有差异调节的关键代谢产物特征，来提高脑梗塞相关生物模式的诊断能力，有望成为脑梗死快速诊断的代谢指标的辅助手段，并为进一步探索脑梗塞分子机制提供可行性工具。
上海交通大学徐伟博士、复旦大学附属闵行医院林继先副主任医师、东北财经大学高明博士为该论文的共同第一作者，赵静主任、钱昆教授为共同通讯作者。
