在近视防控领域，光学相干断层扫描（OCT）已成为评估眼轴长度、视网膜厚度等结构性参数的金标准。然而，随着近视患病率的攀升以及高度近视并发症的年轻化，单纯的结构量化已无法满足临床对早期预警和个性化干预的需求。AI算法，尤其是深度学习驱动的OCT血管分层模型，正推动这一技术从静态测量向动态风险预测跃迁。
### 传统局限与AI的破局
传统OCT分析多依赖手动分层或半自动软件，不仅耗时，且对脉络膜、视网膜神经纤维层等微结构的细微变化敏感度不足。近年来，基于卷积神经网络（CNN）和视觉Transformer的算法已在OCT分层任务中达到甚至超越人类专家的精度。例如，谷歌DeepMind团队开发的算法在OCT断层图像上实现了对视网膜全层的10微米级精准分割，并成功应用于黄斑水肿、年龄相关性黄斑变性等疾病的量化评估。但近视眼病的独特挑战在于，眼轴延长带来的牵拉效应会导致视网膜变薄、脉络膜萎缩，同时新生血管风险增加，这些变化往往在早期仅表现为血管密度或分形维数的微小偏移。
### 血管分层的智能革命
OCT血管成像（OCTA）的普及，使得无创观察视网膜和脉络膜毛细血管网成为可能。结合AI算法，研究者开始挖掘血管形态学参数与近视进展及并发症之间的深层关系。一项发表于《Ophthalmology》的多中心研究利用三维U-Net架构对高度近视患者的OCTA图像进行自动分层，精确提取了视网膜浅层、深层及脉络膜毛细血管的面积、周长和弯曲度等超百项特征，并构建了随机森林模型预测5年内近视性脉络膜新生血管（mCNV）的发生风险，AUC达到0.92以上。
最近，因果发现算法也被引入这一领域。传统的相关性分析难以区分血管变化是近视的“伴随现象”还是“致病因子”。通过LiNGAM等因果推断框架，研究人员发现脉络膜毛细血管稀疏化是眼轴增长的独立因果因素，而非单纯后果。这一发现为干细胞或基因疗法修复脉络膜循环提供了靶点依据，并获2025年ARVO会议专题报道。
### 临床落地的加速
随着国家药监局陆续批准多款眼科AI辅助诊断软件，OCT分层算法正从实验室走向视光中心和基层眼科。例如，国产企业微清医疗、致远慧图等开发的眼底AI系统已整合OCTA分层分析功能，能自动计算黄斑中心凹无血管区（FAZ）面积、血管密度等指标，并生成标准化报告。在青少年近视管理场景中，这套系统可用于评估低浓度阿托品、角膜塑形镜等干预手段对脉络膜厚度和血流的长期影响，从而指导个性化方案调整。
此外，针对社区筛查的轻量化模型也取得突破。通过知识蒸馏，大型Transformer模型可被压缩为适合移动设备的版本，在普通PC或平板上实现秒级分层及风险预警。2025年发布的《视光中心数字化服务规范》征求意见稿已明确鼓励采用AI技术进行眼健康档案的自动解读与分层管理，进一步推动该技术的合规化应用。
### 挑战与未来方向
尽管进展显著，OCT血管分层算法仍面临跨设备泛化、数据标注费时等挑战。联邦学习及自监督预训练模型正被用于解决数据孤岛问题，而多模态融合——结合OCTA、眼底照相、巩膜形态与遗传数据——将构建更全面的风险预测模型。未来，随着光学相干断层扫描与自适应光学、荧光寿命成像等技术融合，AI算法有望在细胞级别揭示近视眼病机理，真正实现从像素到病机的智能解码。