今年刚满 20 岁的中山大学 00 后本科毕业生沙天铭，前不久收到了多所全美 Top50 高校的博士 offer。同样在前不久，他和合作者为预防中风研发出一款名为 FAST-CAD 的 AI 工具，能在不依赖医院设备的前提下，在复杂的日常环境中实现中风的准确判断。

沙天铭等人所使用的志愿者数据，分布在 12 种不同的人群组合中，他们有着不同的性别，并在被收集数据时处于不同的年龄和姿势。但是结果却十分出色，FAST-CAD 的整体准确率高达 91.2%，比此前最佳方法高出 5%，在最难预测的人群上的准确率也只比平均数据低了 1.7%。

这款 AI 工具也是当前医学领域首个可插拔的非接触式中风 AI 检测框架，当患者感到不适或身边人怀疑其可能发生脑卒中时，即可通过这一技术实现早期筛查。

图 | 沙天铭（沙天铭）

FAST-CAD，它的名字很有意思。FAST 既代表快速，也是中风筛查常用方法的缩写。CAD 则是计算机辅助诊断的缩写。FAST-CAD 不需要接触患者，而是通过摄像头来拍摄患者的脸部、舌头和手臂动作，同时使用麦克风录制患者说话的声音。然后，它会分析患者的脸部是否歪斜、舌头是否能伸直、手臂是否能平稳抬起、说话是否清晰。

此前的 AI 系统会“忘记”患者的年龄、性别和姿势。而 FAST-CAD 通过一种名为对抗训练的技术，让自己反而无法从数据中分辨这些信息。FAST-CAD 还能特别关注那些最难诊断的人群，比如躺着的老年女性。这是因为它使用了一种名为群体分布鲁棒优化的方法，在最复杂的情况下也能表现良好。

这让它可以在以下地方大显身手：在救护车上，医护人员可以用它来快速判断是否中风，从而为患者争取黄金时间；在社区医院，尤其是没有神经科医生的小型医院，它能够提供一定的专业建议；在家庭场景，老年人在家就可以通过手机摄像头自我检测实现提前预警。

图 | 用户使用示意图（https://arxiv.org/pdf/2511.08887）

具体在使用这一工具的时候，假设一个人突然感到身体不适，或者身边人注意到他出现了面部不对称、口角歪斜等疑似面瘫或神经麻痹的症状（需要注意的是，面瘫症状可能由多种不同原因引起）。此时，只需使用手机等设备拍摄一段面部运动视频同时录制一段语音样本，系统就会同步分析这两项数据，并快速计算出这个人当前发生脑卒中的概率评估结果。

力争用 AI 实现多种非接触式疾病早期检测

这一研究的合作者分别来自美国威斯康星大学麦迪逊分校、美国明尼苏达大学、美国伊利诺伊大学香槟分校，期间所使用的数据来自于南方医科大学附属医院的三百多位患者。前几天，相关论文刚被 AI 国际顶级会议 AAAI 2026 接收，并被选为口头报告和亮点论文，以及由实际上只是大三本科生的沙天铭担任第一作者。

这项工作的核心突破体现在两方面：首先，沙天铭等人建立了首个专注于真实世界场景、涵盖多人群特性的脑卒中数据集；其次，提出了融合多模态数据的检测框架。

此次所构建的非接触式检测框架展现出广泛的扩展潜力，除了用于脑卒中检测之外，同样适用于帕金森病、运动障碍等神经系统疾病的评估，还能进一步拓展至睡眠呼吸相关疾病的筛查，也能用于精神心理领域比如抑郁、焦虑等情绪障碍。

（https://arxiv.org/pdf/2511.08887）

在设计算法的时候，沙天铭等人充分考虑了真实应用场景的复杂性。针对医疗AI 中常见的群体偏置问题例如仅用老年人数据训练的模型对年轻人效果不佳，本次算法通过创新设计有效克服了这一局限。无论年龄和性别等人口学特征如何变化，这一算法在不同群体中都表现出稳定且优异的性能，并能展现出强大的泛化能力和临床应用前景。

沙天铭告诉 DeepTech，他的最终愿景是打造一个面向普通用户的开放平台，将各类非接触式疾病早期检测功能集成在其中。届时，用户只需拥有一部手机，就能对脑卒中、帕金森、运动障碍等多种疾病进行初步筛查，从而实现疾病的早期预警与预防干预，及时掌握健康风险并前往医院接受专业诊疗。

（https://arxiv.org/pdf/2511.08887）

累计收集 330 多例脑卒中患者数据，不放弃任何一个少数群体

如前所述，这项研究源于一个与人们日常生活紧密相关的现实问题——脑卒中，即俗称的“中风”。研究动机始于沙天铭身边人的亲身经历，这让他深刻意识到：首先，脑卒中是一种发生在人们身边且相当普遍的疾病；其次，公众对脑卒中的认知水平普遍不足，而现有的诊疗方法未能充分重视其时间敏感性这一关键特征。

当前主要存在两类诊断路径：一是接触式诊断，比如做 CT 或磁共振成像扫描，即给大脑拍一张超级详细的照片。但这必须去医院，而且过程很慢，容易错过黄金时间。二是非接触式诊断，比如通过采用 FAST 量表，并由医生观察患者的脸部、手臂和语言情况来判断。这种方法虽然快，但是准确率不高，尤其当患者是老年女性时，而检查处于躺卧姿势的患者时误差甚至会更大。由于脑卒中救治每延迟 5-10 分钟就可能造成不可逆的损伤，因此现有流程存在明显不足。

而为了打造 FAST-CAD 这款 AI 中风检测工具，沙天铭等人与南方医科大学合作开展了为期半年的数据采集工作，在确保不影响患者正常治疗的前提下，录制了患者的面部运动视频及语音样本，累计收集了 330 多例脑卒中患者的有效数据，这在非接触式检测领域是一个规模十分可观的数据集。

在框架构建上，沙天铭基于国际通用的 FAST 卒中筛查量表进行优化。但是，这种传统量表依赖于人工评估，存在主观性强、准确度有限的问题。为此，他在 FAST 量表的基础上，开发了融合多模态数据的自动化分析框架，借此实现了更客观、更精准的智能诊断。

（https://arxiv.org/pdf/2511.08887）

同时，沙天铭还进行了亚群体偏执理论的推导。何为亚群体偏执？他解释称，假设在一个数据集中包含了不同年龄比如青年、中年、老年的数据，也包含了不同性别的数据，同时包含了不同采集姿态比如站立和坐卧的数据，但是这些不同特征群体的数据量分布并不均衡。传统训练方法会导致模型在数据量充足的群体例如老年女性坐姿样本上表现良好，而在数据量较少的群体例如青年男性站立样本上表现显著下降。

然而，由于本次算法最终要用于真实场景，因此必须确保所有用户群体都能获得准确的检测结果。所以，沙天铭在开发时所秉持的核心目标就是：让算法在每个不同群体中都能保持最优且稳定的性能表现，不放弃任何一个少数群体。

在模型训练上，他构建了一套端到端的流程：将这些从多中心采集的数据，直接输入到最终的患者诊断判断之中。具体来说，他专门设计了一套算法架构，并基于患者数据持续进行模型优化，这一技术路径与常规 AI 模型训练类似，但是针对医疗场景的特殊需求进行了针对性设计。

未来，沙天铭将沿着两个方向进行拓展：首先是在现有脑卒中检测基础上深化，从单纯判断是否卒中、升级到精准识别卒中类型，比如区分慢性或急性以及具体亚型分类；其次是将 FAST-CAD 扩展到更多疾病领域，包括帕金森病、运动障碍、吞咽障碍及睡眠呼吸相关疾病（如阻塞性睡眠呼吸暂停，即俗称的打呼噜）。

（https://arxiv.org/pdf/2511.08887）

另据悉，沙天铭的学习经历比较特殊。此前，他先是在中山大学完成了前两年的本科学业，从本科第三年至今他在美国石溪大学进行访问学习。

在中山大学的本科阶段，沙天铭针对部分课程采取线上学习的方式，部分课程通过假期返校集中进行学习与考试。2025 年 6 月，他已经顺利获得本科学位，2026 年将直接衔接博士项目。

参考资料：

相关论文https://arxiv.org/pdf/2511.08887