AI与眼轴监测：融合OCT与屈光数据的青少年近视进展时序预测新算法

在2025年中华眼科学术大会上，AI与近视防控的深度融合成为焦点。随着教育部与国家卫健委联合推进青少年近视防控考核，校园视力筛查与电子视光档案建设全面提速，海量纵向数据为AI算法提供了前所未有的训练土壤。然而，单纯的屈光数据难以精准预测近视进展的生物学轨迹，眼轴长度作为金标准指标，其动态监测与预测成为亟待突破的算法瓶颈。 当前，离焦镜片、角膜塑形镜与低浓度阿托品的联合应用成为研究新风向，但如何基于个体眼轴变化，动态调整干预方案，仍依赖医生经验。AI算法正从静态分析转向时序预测，融合OCT（光学相干断层扫描）影像与屈光数据，构建近视进展的“数字孪生”模型。例如，基于Transformer的时序模型能够捕获眼轴增长的长期依赖，结合OCT视网膜脉络膜厚度变化，预测未来6-12个月的近视度数变化，AUC可达0.9以上。  这一算法的突破点在于多模态融合：将OCT的图像特征（如脉络膜厚度、RPE层形态）与结构化数据（年龄、初始屈光度、眼轴、干预方式）通过跨注意力机制对齐，解决了单一模态信息不足的问题。同时，针对真实世界中随访间隔不规则、数据缺失等挑战，研究者引入神经常微分方程，在连续时间空间建模，生成平滑的眼轴演化曲线，实现了对干预效果的长程评估。 在中华眼科学术大会的“AI与眼科影像”专题中，多中心研究显示，该算法在3000例青少年近视队列中，预测1年眼轴增长误差小于0.05mm，远优于传统线性回归。这为视光中心规范服务提供了量化工具：验光师可根据预测风险分级，为高风险儿童提前制定联合干预策略，如离焦镜片+低浓度阿托品，并从视光档案中动态追踪效果。 算法透明度也是临床落地的关键。可解释性模块通过积分梯度定位OCT中与预测高相关的生物标记，验证了脉络膜变薄是近视进展的早期信号，这与最新临床研究一致。未来，结合《中国视光师职业标准》修订，AI辅助的眼轴监测算法将嵌入电子档案系统，成为校园筛查后的标准随访手段，真正实现从“群体防控”到“个体精准”的跃迁。