脑卒中是全世界死亡和残疾的主要原因，预计2020年将导致6100万的残疾调整寿命。快速诊断是脑卒中早期预防和医疗管理的核心。血清代谢指纹（SMFs）反映潜在疾病进展，预测患者表型。深度学习（DL）编码的具有临床指标的SMF优于单一的生物标志物，但对特征选择解释的预测能力较差。有鉴于此，上海交通大学的Kun Qian、Lin Huang和复旦大学的Jing Zhao等研究人员，采用基于SMF的DL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。
本文要点
1）SMFs由纳米辅助激光解吸/电离质谱(LDI MS)提取，在数秒内消耗100 nL血清。
2）与仅通过SMFs或临床指标进行单一模式诊断相比，通过将SMFs和临床指标相结合，可获得最高可达0.845的曲线下面积(AUC)，从而构建多模式识别。
3）通过显著性图谱法选择20个具有差异调节的关键代谢产物特征，阐明了脑卒中的分子机制。
本文的方法突出了DL在精确医学中的新作用，并为脑卒中筛查中SMF的计算分析提供了一种扩展的实用性。
参考文献：
Wei Xu, et al. Rapid Computer‐Aided Diagnosis of Stroke by Serum Metabolic Fingerprint Based Multi‐Modal Recognition. Advanced Science, 2020.
DOI：10.1002/advs.202002021
https://onlinelibrary.wiley.com/doi/full/10.1002/advs.202002021
