算法驱动的巩膜缺氧早期预警：从时序OCT影像到近视进展的个体化风险分层

在近视防控进入精准化干预的时代，巩膜缺氧作为近视进展的关键病理环节，其早期识别与动态监测正成为临床研究的热点。近年来，随着光学相干断层扫描（OCT）技术的迭代和人工智能算法的突破，曾经难以量化的巩膜氧合状态，如今有望通过影像组学与深度学习实现无创、动态评估。这一进展为高度近视并发症的早期预警和个体化干预开辟了新路径。 传统上，巩膜缺氧的评估依赖于侵入性氧分压测量或间接生物学标志物，难以在临床普及。而高分辨率OCT能够捕捉巩膜微结构的细微变化，如厚度、反射率及血管形态，这些特征与缺氧状态密切相关。然而，海量影像数据的解读高度依赖专家经验，且难以捕捉动态变化中的非线性模式。 针对这一挑战，研究团队近期开发了一种基于时序OCT影像的深度学习算法，命名为“Sclera-Oxygen Net”。该算法采用三维卷积神经网络与长短期记忆网络（LSTM）相结合的架构，能够从连续随访的OCT体积数据中提取时空特征，量化巩膜缺氧风险评分（Hypoxia Risk Score, HRS）。在多中心回顾性队列中，该算法对2年内近视进展超过-1.00D的青少年预测AUC达到0.91，显著优于基于眼轴长度或屈光度的传统模型。 算法的核心创新在于引入了“缺氧相关纹理图谱”作为注意力机制的先验。通过生成对抗网络（GAN）对有限的组织学缺氧标记数据进行增强，模型学习到缺氧区域在OCT上呈现的特定纹理模式，如巩膜胶原排列紊乱和局部低反射区。在独立外部验证中，算法展现了良好的泛化能力，且对早期后巩膜葡萄肿的识别准确率高达94%。 值得注意的是，该技术已开始在部分视光中心试点部署。结合便携式OCT设备，青少年在常规随访中即可完成扫描，算法实时输出个体化的缺氧风险分层，辅助医生调整干预策略。例如，对于HRS高风险但尚未出现明显眼轴增长的患者，可提前启动联合干预（如低浓度阿托品联合定制离焦镜），并加密随访频率。 未来，随着多模态数据的融合，如眼底血氧饱和度成像与巩膜氧合模型的结合，算法将进一步细化缺氧的时空演化预测，甚至模拟不同光学干预对巩膜氧代谢的长期影响。从分子机制到智能预警，算法驱动的巩膜缺氧评估正推动近视防控从“延缓进展”迈向“病因阻断”的新阶段，为青少年眼健康筑起更坚实的数字防线。