今年剛滿 20 歲的中山大學 00 后本科畢業生沙天銘，前不久收到了多所全美 Top50 高校的博士 offer。同樣在前不久，他和合作者為預防中風研發出一款名為 FAST-CAD 的 AI 工具，能在不依賴醫院設備的前提下，在復雜的日常環境中實現中風的準確判斷。

沙天銘等人所使用的志愿者數據，分布在 12 種不同的人群組合中，他們有著不同的性別，并在被收集數據時處于不同的年齡和姿勢。但是結果卻十分出色，FAST-CAD 的整體準確率高達 91.2%，比此前最佳方法高出 5%，在最難預測的人群上的準確率也只比平均數據低了 1.7%。

這款 AI 工具也是當前醫學領域首個可插拔的非接觸式中風 AI 檢測框架，當患者感到不適或身邊人懷疑其可能發生腦卒中時，即可通過這一技術實現早期篩查。

圖 | 沙天銘（沙天銘）

FAST-CAD，它的名字很有意思。FAST 既代表快速，也是中風篩查常用方法的縮寫。CAD 則是計算機輔助診斷的縮寫。FAST-CAD 不需要接觸患者，而是通過攝像頭來拍攝患者的臉部、舌頭和手臂動作，同時使用麥克風錄制患者說話的聲音。然后，它會分析患者的臉部是否歪斜、舌頭是否能伸直、手臂是否能平穩抬起、說話是否清晰。

此前的 AI 系統會“忘記”患者的年齡、性別和姿勢。而 FAST-CAD 通過一種名為對抗訓練的技術，讓自己反而無法從數據中分辨這些信息。FAST-CAD 還能特別關注那些最難診斷的人群，比如躺著的老年女性。這是因為它使用了一種名為群體分布魯棒優化的方法，在最復雜的情況下也能表現良好。

這讓它可以在以下地方大顯身手：在救護車上，醫護人員可以用它來快速判斷是否中風，從而為患者爭取黃金時間；在社區醫院，尤其是沒有神經科醫生的小型醫院，它能夠提供一定的專業建議；在家庭場景，老年人在家就可以通過手機攝像頭自我檢測實現提前預警。

圖 | 用戶使用示意圖（https://arxiv.org/pdf/2511.08887）

具體在使用這一工具的時候，假設一個人突然感到身體不適，或者身邊人注意到他出現了面部不對稱、口角歪斜等疑似面癱或神經麻痹的癥狀（需要注意的是，面癱癥狀可能由多種不同原因引起）。此時，只需使用手機等設備拍攝一段面部運動視頻同時錄制一段語音樣本，系統就會同步分析這兩項數據，并快速計算出這個人當前發生腦卒中的概率評估結果。

力爭用 AI 實現多種非接觸式疾病早期檢測

這一研究的合作者分別來自美國威斯康星大學麥迪遜分校、美國明尼蘇達大學、美國伊利諾伊大學香檳分校，期間所使用的數據來自于南方醫科大學附屬醫院的三百多位患者。前幾天，相關論文剛被 AI 國際頂級會議 AAAI 2026 接收，并被選為口頭報告和亮點論文，以及由實際上只是大三本科生的沙天銘擔任第一作者。

這項工作的核心突破體現在兩方面：首先，沙天銘等人建立了首個專注于真實世界場景、涵蓋多人群特性的腦卒中數據集；其次，提出了融合多模態數據的檢測框架。

此次所構建的非接觸式檢測框架展現出廣泛的擴展潛力，除了用于腦卒中檢測之外，同樣適用于帕金森病、運動障礙等神經系統疾病的評估，還能進一步拓展至睡眠呼吸相關疾病的篩查，也能用于精神心理領域比如抑郁、焦慮等情緒障礙。

（https://arxiv.org/pdf/2511.08887）

在設計算法的時候，沙天銘等人充分考慮了真實應用場景的復雜性。針對醫療AI 中常見的群體偏置問題例如僅用老年人數據訓練的模型對年輕人效果不佳，本次算法通過創新設計有效克服了這一局限。無論年齡和性別等人口學特征如何變化，這一算法在不同群體中都表現出穩定且優異的性能，并能展現出強大的泛化能力和臨床應用前景。

沙天銘告訴 DeepTech，他的最終愿景是打造一個面向普通用戶的開放平臺，將各類非接觸式疾病早期檢測功能集成在其中。屆時，用戶只需擁有一部手機，就能對腦卒中、帕金森、運動障礙等多種疾病進行初步篩查，從而實現疾病的早期預警與預防干預，及時掌握健康風險并前往醫院接受專業診療。

（https://arxiv.org/pdf/2511.08887）

累計收集 330 多例腦卒中患者數據，不放棄任何一個少數群體

如前所述，這項研究源于一個與人們日常生活緊密相關的現實問題——腦卒中，即俗稱的“中風”。研究動機始于沙天銘身邊人的親身經歷，這讓他深刻意識到：首先，腦卒中是一種發生在人們身邊且相當普遍的疾病；其次，公眾對腦卒中的認知水平普遍不足，而現有的診療方法未能充分重視其時間敏感性這一關鍵特征。

當前主要存在兩類診斷路徑：一是接觸式診斷，比如做 CT 或磁共振成像掃描，即給大腦拍一張超級詳細的照片。但這必須去醫院，而且過程很慢，容易錯過黃金時間。二是非接觸式診斷，比如通過采用 FAST 量表，并由醫生觀察患者的臉部、手臂和語言情況來判斷。這種方法雖然快，但是準確率不高，尤其當患者是老年女性時，而檢查處于躺臥姿勢的患者時誤差甚至會更大。由于腦卒中救治每延遲 5-10 分鐘就可能造成不可逆的損傷，因此現有流程存在明顯不足。

而為了打造 FAST-CAD 這款 AI 中風檢測工具，沙天銘等人與南方醫科大學合作開展了為期半年的數據采集工作，在確保不影響患者正常治療的前提下，錄制了患者的面部運動視頻及語音樣本，累計收集了 330 多例腦卒中患者的有效數據，這在非接觸式檢測領域是一個規模十分可觀的數據集。

在框架構建上，沙天銘基于國際通用的 FAST 卒中篩查量表進行優化。但是，這種傳統量表依賴于人工評估，存在主觀性強、準確度有限的問題。為此，他在 FAST 量表的基礎上，開發了融合多模態數據的自動化分析框架，借此實現了更客觀、更精準的智能診斷。

（https://arxiv.org/pdf/2511.08887）

同時，沙天銘還進行了亞群體偏執理論的推導。何為亞群體偏執？他解釋稱，假設在一個數據集中包含了不同年齡比如青年、中年、老年的數據，也包含了不同性別的數據，同時包含了不同采集姿態比如站立和坐臥的數據，但是這些不同特征群體的數據量分布并不均衡。傳統訓練方法會導致模型在數據量充足的群體例如老年女性坐姿樣本上表現良好，而在數據量較少的群體例如青年男性站立樣本上表現顯著下降。

然而，由于本次算法最終要用于真實場景，因此必須確保所有用戶群體都能獲得準確的檢測結果。所以，沙天銘在開發時所秉持的核心目標就是：讓算法在每個不同群體中都能保持最優且穩定的性能表現，不放棄任何一個少數群體。

在模型訓練上，他構建了一套端到端的流程：將這些從多中心采集的數據，直接輸入到最終的患者診斷判斷之中。具體來說，他專門設計了一套算法架構，并基于患者數據持續進行模型優化，這一技術路徑與常規 AI 模型訓練類似，但是針對醫療場景的特殊需求進行了針對性設計。

未來，沙天銘將沿著兩個方向進行拓展：首先是在現有腦卒中檢測基礎上深化，從單純判斷是否卒中、升級到精準識別卒中類型，比如區分慢性或急性以及具體亞型分類；其次是將 FAST-CAD 擴展到更多疾病領域，包括帕金森病、運動障礙、吞咽障礙及睡眠呼吸相關疾病（如阻塞性睡眠呼吸暫停，即俗稱的打呼嚕）。

（https://arxiv.org/pdf/2511.08887）

另據悉，沙天銘的學習經歷比較特殊。此前，他先是在中山大學完成了前兩年的本科學業，從本科第三年至今他在美國石溪大學進行訪問學習。

在中山大學的本科階段，沙天銘針對部分課程采取線上學習的方式，部分課程通過假期返校集中進行學習與考試。2025 年 6 月，他已經順利獲得本科學位，2026 年將直接銜接博士項目。

參考資料：

相關論文https://arxiv.org/pdf/2511.08887