近年来，我国儿童青少年近视率居高不下，已成为重大的公共卫生问题。在政策层面，“光明行动”持续推进，要求落实每学期两次视力监测、建立电子屈光档案，并对高风险人群及早干预。然而，传统近视管理面临两大痛点：一是靠单次睫状肌麻痹验光数据难以精准预测个体屈光发育轨迹；二是角膜塑形镜、离焦框架镜等光学干预的效果评估依赖长期随访，难以及时调整方案。
此时，人工智能的介入不再局限于图像筛查，而是向**多任务学习**和**时序预测**深度演进。多任务学习是一种让单个模型同时完成多个相关任务的技术，例如同时预测球镜度数、眼轴长度和角膜曲率的变化。相比单任务模型，它能更好地捕捉眼部各参数间的内在关联，尤其适用于近视这种受多因素影响的复杂过程。
### 一、多模态数据融合：不止于OCT
临床记录中蕴含着丰富信息：结构化数据（年龄、屈光度、眼轴、角膜曲率）、影像数据（眼底照相、OCT、角膜地形图）以及非结构化文本（主诉、家族史、干预方案）。近期研究表明，基于自注意力机制的融合模型能整合这些多源数据。例如，上海某研究团队纳入1.2万名6至15岁儿童的三年随访记录，构建了一个多任务模型，同时输出三个预测值：未来12个月的等效球镜度变化、眼轴增长速率以及是否发展为高度近视。该模型在内部验证中，高度近视预警的AUC值达到0.91，优于传统的百分位数法。
### 二、从静态处方到动态干预推荐
光学干预的效果存在显著个体差异。同样是OK镜验配，有的孩子眼轴控制良好，有的却仍快速增长。利用多任务学习，我们可以将“干预反应类型”作为一个隐含任务。模型在学习预测近视进展的同时，也学习区分“良好反应者”和“低反应者”的眼部参数模式。这属于**无监督聚类**与监督学习的结合——先通过自编码器从角膜地形图、屈光地形图中提取特征，再与眼轴变化数据联合聚类，识别出不同反应亚型。这为临床“试错”调整提供了算法依据，有望缩短找到最佳干预方案的窗口期。
### 三、基因组学加入：迈向精准视光
近视是多基因遗传病，已有GWAS研究识别出数百个易感基因位点。然而，基因型对表型的预测能力在个体层面仍有限。多任务学习可在此破局：将多基因风险评分作为一个输入模态，与临床数据共同训练。模型在预测屈光发育的过程中，会学习到基因特征与光学干预效果的交互作用。例如，携带特定基因变异的儿童是否对离焦设计更敏感？2023年一项发表在《Ophthalmology Science》的研究尝试了此方向，虽样本量仅千例，但结果显示加入基因评分后，对高度近视的预测性能提升了约8%。这为未来“基因导向”的个性化光学矫正铺垫了基础。
### 四、产业落地与挑战
技术落地需考虑可及性。目前，大部分AI模型运行在云端，基层视光中心或学校筛查现场存在算力与网络瓶颈。幸运的是，知识蒸馏和模型量化技术可将复杂的多任务模型压缩为轻量级版本，部署在移动设备或边缘服务器。部分眼科连锁机构已开始试水：筛查车配备AI终端，采集数据实时分析，当场给出分级建议并自动更新电子档案。然而，挑战依然存在：数据隐私、模型在不同地区人群间的泛化能力，以及如何获得医疗器械注册证，都是需跨越的障碍。
从瞳孔到基因组，AI多任务学习正重塑我们对近视的认知与管理方式。它不仅是技术升级，更是推动视光从业者——验光师、眼科医生、视光师——由单一“验光配镜”向综合“眼健康管理”角色转变的催化剂。随着“光明行动”的深化和视光中心连锁化发展，算法驱动的精准近视防控新时代已然开启。