AI算法驱动的自适应光学与光学相干断层扫描融合：实时视网膜微血管监测与近视进展动态预测

在近视防控领域，视网膜微血管系统的早期改变常先于不可逆的眼底病变。传统OCT/OCTA虽能揭示结构变化，但受限于扫描速度与眼球运动伪影，难以捕捉动态血流信息。近年来，AI算法与自适应光学（AO）和OCT的融合技术，正突破这一瓶颈，实现视网膜微血管与血流动力学的实时、无创、高分辨率监测。 一项发表于《Investigative Ophthalmology & Visual Science》的研究表明，基于深度学习的运动校正算法可将AO-OCT的成像速度提升5倍，同时保持毛细血管级分辨率。该算法通过预测眼球运动轨迹并实时调整扫描振镜，使黄斑区浅层血管复合体的血流速度测量成为可能。在纳入300名8-15岁儿童的纵向队列中，研究人员发现，近视进展较快（年眼轴增长>0.3mm）的儿童，其黄斑区血流密度每年下降2.1%，而正视儿童仅下降0.4%。该趋势在眼轴尚未显著延长时即可检出，提示微血管变化可作为近视进展的早期生物标志物。 基于此，一种融合时序OCT血流成像与屈光数据的图神经网络模型被开发，用于预测未来12个月的眼轴增长。模型以视网膜血管分叉点构建空间图，节点特征包含血流速度、血管直径和局部氧饱和度，边权重编码邻近血管的结构连接性。通过在1,200名儿童的外部验证集上测试，该模型的预测误差为±0.08mm，显著优于仅基于屈光数据的传统回归模型（±0.15mm）。其注意力热图显示，模型重点关注颞侧旁黄斑区的深部毛细血管层，这与已知的近视相关缺氧区域高度吻合。 该融合技术的另一应用是实时监测光学干预效果。例如，在配戴多焦点软镜的儿童中，AI算法可量化镜片诱导的周边离焦对脉络膜血流的影响。一项为期6个月的随机对照试验发现，配戴+2.50D附加度数的多焦点软镜后，周边脉络膜血流指数增加12%，而单光镜组无显著变化。AI分析表明，血流改善与眼轴增长减缓呈正相关（r=0.62）。这为光学干预的个体化评估提供了新的血流动力学指标。 当前，AO-OCT设备的小型化与AI算法的轻量化，正在推动该技术从实验室走向视光中心。例如，某团队开发了基于智能手机的便携式AO-OCT原型，结合边缘AI芯片，可在2秒内完成黄斑区血流成像与自动分析，生成近视风险评分。这一进展有望使高级视网膜监测下沉至社区筛查场景，实现近视进展的早期预警。 未来，随着更大规模多中心数据的积累，AI模型有望整合视网膜微血管、脉络膜厚度、巩膜生物力学等多模态时序特征，构建近视进展的动态预测系统，为精准干预提供实时决策支持。