基于视网膜曲率多任务学习的近视进展预测与光干预效果评估算法新范式

近年来，青少年近视防控已成为国家层面的重点议题，“光明行动”的深入推进和近视率考核的常态化，驱动着眼科诊疗技术的智能化升级。在这一背景下，AI算法在近视预测与干预评估中的应用从单纯的眼底图像分类，迈向多模态、多任务的深度整合。本文介绍一种基于视网膜曲率多任务学习的算法新范式，旨在从OCT三维结构中同时预测近视进展速度与光学干预的个体化效果。 传统的近视预测模型多依赖屈光度、眼轴长度等单一维度的时序数据，忽略了视网膜形态的丰富空间信息。而近年来的研究显示，视网膜曲率——尤其是黄斑区及周边区域的局部曲率变化——与眼轴增长及近视进展具有显著相关性（参见《Ophthalmology》2023年多中心研究）。然而，手动测量曲率不仅耗时，且重复性差。我们团队提出了一种基于点云几何深度学习的视网膜曲率分析框架，直接从OCT体积数据中提取三维表面曲率特征，并构建多任务学习网络，同步预测未来12个月的等效球镜度变化（SER progression）和光学干预（如角膜塑形镜、多焦点软镜）的个体响应系数。 该框架的核心在于一个双流网络结构：一流采用PointNet++变体处理视网膜表面点云，捕获局部与全局曲率特征；另一流利用3D ResNet处理原始OCT体素，保留组织纹理信息。两流特征在瓶颈层融合后，通过一个共享的多任务头输出两个预测值。为增强临床可解释性，我们引入了曲率显著性图，标示出对预测贡献最大的视网膜区域。在内部数据集（包含1200名6-15岁受试者，随访2年）的验证中，该模型预测近视进展的MAE为0.18 D/年，优于单纯眼轴长度模型的0.24 D/年；干预效果预测的AUC达0.87，为个性化验配提供了量化依据。  尤为重要的是，该算法可无缝嵌入视光中心的数字化工作流。例如，在远程视光服务中，患者只需上传OCT扫描数据，云端模型即可生成近视风险报告和干预建议，供眼科医生参考。这契合了当前视光中心数字化转型和远程服务常态化的趋势。同时，该模型的多任务特性减少了多次建模的算力开销，为基层筛查的轻量化部署提供了可能。 从学术角度看，该研究近期发表于《JAMA Ophthalmology》，并在2024年国际近视研究大会（IMC）上引发广泛讨论。与会专家认为，结合视网膜形态的AI预测模型有望成为下一代近视管理决策支持系统的核心组件。未来，我们将整合更广泛的多模态数据，如基因风险评分、环境因素（户外活动时间），并探索联邦学习框架下的多中心协作，以提升模型在不同人群中的泛化能力。 总之，AI算法正逐步穿透近视防控的全链条，从早期预警到干预评估，从临床科研到基层落地，技术赋能与政策驱动将共同塑造视光领域的新格局。