基金政策驱动眼科人工智能多中心验证：从算法泛化到视光中心落地应用的资助新生态

随着人工智能（AI）技术在眼科领域的迅猛发展，眼底影像分析、近视进展预测、角膜塑形镜验配优化等应用层出不穷。然而，从算法实验室的高精度到临床真实场景的稳健表现之间，仍横亘着数据异质性、设备差异、操作规范不一等鸿沟。国家自然科学基金（国自然）及多项省部级基金政策正积极布局，通过资助多中心验证研究、推动数据标准化与联邦学习框架，加速眼科AI的临床转化与视光中心落地。 ### 一、眼科AI临床转化痛点：泛化能力不足 当前眼科AI研究多基于单中心或有限数据集，模型在跨设备、跨人群、跨地域的泛化能力有待提升。例如，基于特定型号眼底相机训练的糖尿病视网膜病变（DR）筛查模型，在另一品牌设备采集的图像上性能可能显著下降。青少年近视预测模型也面临类似挑战：不同地区学生的用眼习惯、户外活动时长、遗传背景差异，导致模型预测偏差。此外，数据标注标准不一致、图像质量参差、罕见病样本不足等，进一步制约了AI的临床实用性。 ### 二、基金政策力推多中心验证与数据治理 针对上述痛点，国自然医学科学部在“人工智能与医学交叉”优先领域明确鼓励开展多中心、前瞻性的临床验证研究。2023年以来，多项面上项目和重点项目中，眼科AI多中心验证的资助比例显著上升。例如，某获批项目联合全国12家视光中心，收集超过10万例青少年屈光发育数据，旨在构建跨区域稳定的近视预警模型。基金政策还强调数据标准化与共享机制，如支持采用OMOP通用数据模型，建立眼科影像与临床数据的联邦学习平台，实现“数据不出院，模型多中心训练”。 ### 三、视光中心：AI落地的最佳试验场 视光中心作为眼健康管理的前哨，每天产生大量标准化数据，包括视力、屈光度、眼轴长度、角膜地形图等，为AI模型训练和验证提供了理想场景。基金政策鼓励视光中心联合高校、企业，开展真实世界研究。例如，某地方基金资助项目“基于深度学习的角膜塑形镜验配辅助系统多中心评价”，在5家视光中心部署AI验配建议系统，通过对比验配前后角膜安全和近视控制效果，验证AI辅助的有效性和安全性。此类研究不仅提升视光中心科研能力，也加速了AI技术的循证应用。 ### 四、资助新生态：从单点突破到全链条协同 当前基金政策正构建“基础研究-临床验证-应用示范”全链条资助体系。在基础研究端，资助眼科AI算法的鲁棒性提升、小样本学习、可解释性研究；在临床验证端，支持多中心队列建设和前瞻性比较效果研究；在应用示范端，鼓励视光中心开展AI辅助筛查、辅助决策的卫生经济学评价。此外，国家卫健委“眼科人工智能临床应用指引”等政策文件，也为科研转化提供了监管框架，引导基金项目服务于临床实际需求。 ### 五、挑战与展望 尽管政策利好，但眼科AI多中心验证仍面临数据安全、伦理审批、利益分配等挑战。基金项目需在方案设计阶段充分纳入隐私保护技术，如差分隐私、安全多方计算，并争取机构伦理互认。未来，随着国家健康医疗大数据战略的推进，眼科AI有望在视光中心和基层医疗机构发挥更大作用，真正实现“筛-防-治”一体化。基金政策持续引导创新，必将培育出更多高质量、可落地的眼科AI成果，惠及广大眼病患者。