2025年，教育部等十五部门联合印发的《儿童青少年近视防控光明行动工作方案》进入攻坚阶段，青少年近视率被明确纳入政府绩效考核。随着“双减”政策与视力健康管理挂钩，校园筛查的频次与精度要求空前提高，传统人工视力检测与屈光普查已难以满足大规模、高效率、标准化的需求。AI算法正从实验室走向操场，成为连接政策目标与临床落地的核心枢纽。
## 从“人海战术”到“算法流水线”
传统校园筛查依赖视光师团队携带电脑验光仪、视力表等设备入校，一名学生平均耗时3-5分钟，一所千人学校需投入10人团队工作2天，数据还需人工录入与分析。而基于AI的便携式筛查系统已实现“拍摄即筛查”的轻量化模式。例如，深圳某区2024年试点部署了搭载深度学习模型的眼底相机与视力筛查仪，学生只需注视设备数秒，系统即可自动完成屈光不正、斜视、屈光参差等常见问题的初筛，单次检测时间压缩至30秒以内，筛查效率提升近10倍。其背后是轻量化卷积神经网络（如MobileNetV4）在边缘设备上的部署，通过知识蒸馏技术将大模型能力迁移至嵌入式芯片，在无网络环境下也能快速推理。
## 多模态数据融合破局“假性近视”误判
校园筛查的另一痛点是对调节性近视（俗称“假性近视”）的误判率高。某省2023年筛查数据显示，使用单一眼轴长度或电脑验光指标，假性近视误判率达15%-20%，导致不必要的转诊与家长焦虑。最新方案整合了眼轴长度、角膜曲率、前房深度等多维度生物测量参数，通过多任务学习框架同时预测屈光状态与调节张力。浙江大学附属第二医院视光团队在2024年中华医学会眼科学术会议上发表的研究表明，融合OCT图像的视网膜脉络膜厚度与眼轴长度的AI模型，区分真性近视与调节性近视的AUC值达到0.93，显著高于单指标模型（0.82）。该算法内置于视光筛查车的移动工作站中，已在浙江3个县区的校园筛查中应用，转诊准确率从78%提升至91%。
## 动态风险分层赋能分级干预
AI筛查的意义不止于“发现问题”，更在于预测趋势。北京同仁医院与中科院计算所合作开发的时序预测模型，基于连续3年的校园筛查纵向数据，结合户外活动时间、近距离用眼时长等行为问卷，构建了个体近视进展风险图谱。该模型利用长短期记忆网络（LSTM）与注意力机制，将学生分为快速进展（年增长>0.5D）、慢速进展、稳定三个等级，并为高风险学生生成个性化干预建议，如增加户外活动时间至每天2小时、推荐离焦镜片或低浓度阿托品等。2024年在北京4所小学的试点中，接受该分层干预的学生近视增长率较对照组下降32%。这一成果在《美国眼科杂志》发表，并被国家疾控局纳入校园防控技术指南修订讨论中。
## 联邦学习筑起数据隐私防火墙
校园筛查涉及数千万青少年的敏感健康数据，数据孤岛与隐私保护成为算法推广的瓶颈。联邦学习框架允许各区县、学校在不共享原始数据的前提下协同训练模型。2024年启动的“全国儿童青少年近视防控大数据平台”二期工程，采用横向联邦架构，230个区县的筛查点作为参与方，中央服务器聚合梯度更新，共同优化筛查与预测模型。隐私计算技术（如同态加密与差分隐私）确保原始眼轴长度、角膜曲率等数据不出本地，而模型性能逼近集中式训练。目前该平台已汇聚超过800万条脱敏数据，为政策制定提供了实时视光地图，支撑了教育部近视防控考核的量化评估。
AI算法在视光筛查中的落地，不仅是硬件的智能化升级，更是一场从数据采集、分析到干预的流程再造。随着OK镜集采推动性价比提升、离焦软镜与光学方案竞争加剧，精准筛查找出“真正需要干预的人”成为产业链的共同目标。下一步，AI将更深入参与优化联合干预方案——例如，通过强化学习动态调整联合疗法的参数，实现从“千人一方”到“一人一策”的跨越。对于视光从业者而言，理解并驾驭这场算法变革，将是未来五年最重要的人才培养课题。