影像组学与深度学习联合优化：从OCT图像预测儿童近视进展风险的新模型

在儿童青少年近视防控进入精细化管理的当下，如何准确预测近视进展速度、识别高危个体，成为临床与科研关注的焦点。传统方法主要依赖眼轴长度、屈光度等单一指标，预测效能有限。近年来，影像组学（Radiomics）与深度学习技术的融合，为从OCT图像中挖掘深层生物学信息、构建精准预测模型开辟了新路径。 一项多中心研究纳入了1200名6-12岁儿童的OCT扫描数据，提取了包括脉络膜厚度、视网膜神经纤维层厚度、视网膜色素上皮层形态等在内的数百个影像组学特征。通过机器学习算法筛选出与近视进展显著相关的特征子集，并联合深度学习模型对黄斑区OCT图像进行端到端分析，构建了综合预测模型。该模型在验证集中预测1年内近视进展超过-0.50D的AUC达到0.87，显著优于基于单一参数的预测方法（AUC=0.72）。 值得注意的是，影像组学特征中脉络膜血管指数（CVI）和脉络膜厚度变化梯度被识别为重要的预测因子，这与既往研究发现脉络膜变薄与近视进展相关的结论一致。深度学习模型则自动提取了黄斑中心凹形态、外界膜连续性等人工难以量化的特征，补充了影像组学的手工特征。 该研究为近视防控提供了新的工具：在临床中，可对初次就诊的儿童进行OCT检查，利用该模型评估其未来近视快速进展的风险，从而制定个性化的干预方案，如加强户外活动、早期使用低浓度阿托品或角膜塑形镜等。此外，该模型还可用于监测干预效果，通过对比治疗前后OCT影像特征的动态变化，及时调整策略。 目前，已有团队将该模型集成到视光中心的电子档案系统中，实现了自动化的风险分级和预警。随着更多多中心、前瞻性数据的积累，影像组学与深度学习联合模型有望成为儿童近视精准防控的常规工具，推动从“一刀切”管理向个体化医疗迈进。