AI算法驱动的多焦点软性接触镜近视控制效果预测：从个体角膜地形到长期眼轴调控的智能决策

随着青少年近视率的攀升，多焦点软性接触镜（MFSCL）作为一种非侵入性光学干预手段，在延缓近视进展中展现出潜力。然而，其效果存在显著个体差异，传统验配依赖医师经验与试错，缺乏精准预测工具。近期，一项发表于《眼科与视觉科学研究》的多中心研究，利用深度学习算法对862名配戴MFSCL的青少年进行了为期24个月的追踪，构建了基于基线角膜地形图、屈光度、眼轴长度及配戴模式的预测模型，实现了对12个月后眼轴增长的个体化预测，平均绝对误差仅为0.08mm，优于传统线性回归模型（0.14mm）。该算法通过卷积神经网络提取角膜地形图的高维特征，结合时序注意力机制，捕捉了不同区域离焦量的动态变化对眼轴调控的差异化影响。值得注意的是，模型揭示了角膜周边非球面性与近视控制效果之间的非线性关联，为优化镜片设计提供了新靶点。此外，可解释性分析显示，基线年龄与瞳孔直径是影响预测权重的重要因素，提示临床应更关注低龄儿童的及时干预。该研究标志着MFSCL验配从经验主导向数据驱动的范式转移，未来结合远程验光与可穿戴监测，有望实现闭环的个体化近视管理。