在眼视光领域，影像技术正经历从辅助诊断到精准预测的范式跃迁。随着OCT、OCTA等设备的普及，视网膜影像已不仅是结构记录，更成为蕴含丰富生理病理信息的“数据金矿”。影像组学（Radiomics）结合人工智能，正挖掘这些肉眼不可见的纹理、形态与血流特征，为近视防控、青光眼管理乃至全身病筛查开辟新路径。
### 一、影像组学：从眼底照片到多维特征挖掘
传统眼底彩照或OCT评估多依赖主观经验或简单测量，而影像组学可高通量提取数百个定量特征，如分形维数、纹理熵、小波变换系数等。例如，在儿童近视防控中，通过分析黄斑区脉络膜厚度图、视网膜神经纤维层厚度图，可构建视网膜年龄或眼轴增长风险模型。2024年《Ophthalmology》一项研究显示，基于基线的超广角眼底影像组学模型，预测青少年快速近视进展的AUC达0.87，优于单纯等效球镜度或眼轴长度。
### 二、多模态融合：OCT-AI联合OCTA解读微血管密码
光学相干断层扫描血管成像（OCTA）无创呈现视网膜毛细血管网，其量化指标（如血管密度、灌注密度、FAZ面积）已成为眼科研究热点。然而手动分析耗时且变异大。AI驱动的OCTA分析系统可自动分层并生成en face血流图，提取黄斑中心凹无血管区（FAZ）的形态学特征，包括圆度、周长、分形维数等。北京同仁医院团队发现，高度近视眼黄斑区深层血管密度降低，且FAZ轮廓不规则程度与眼轴长度显著相关。影像组学可进一步整合时间序列OCTA数据，动态追踪低浓度阿托品或角膜塑形镜干预后的微血管重塑过程。
### 三、政策与技术共振：视光中心下沉与电子档案闭环
近年来，国家卫健委持续推进近视防控重点实验室建设，多地要求校园筛查数据电子化并纳入视光档案。影像组学使一张眼底照的价值超越筛查本身——通过深度学习模型，可同时预测近视进展风险、青光眼疑似指数、糖尿病视网膜病变早期迹象，实现“一次成像，多重评估”。例如，中山眼科中心研发的“眼底影像+AI”平台已在部分省份视光中心试点，基层验光师采集OCT图像后，云端自动生成结构量化报告与风险分层建议，辅助转诊决策。
### 四、前沿突破：自适应光学与基因治疗时代的影像监测
在科研前沿，自适应光学（AO）将视网膜成像分辨率提升至细胞水平，可活体观察视锥细胞密度、形态及排列。CRISPR基因治疗RPE65突变相关的视网膜营养不良已进入临床，此时AO成像成为评估基因转染效率、细胞存活的关键工具。影像组学能从AO图像中提取视锥细胞马赛克的空间统计特征，量化治疗前后的结构完整性。这种从宏观到微观、从形态到功能的影像链条，正重塑眼科学术会议的热点——2025年中华医学会眼科学术大会已设立“眼科影像组学与AI”专题，探讨标准化采集规范、多中心数据共享与模型泛化性。
### 结语
影像技术已不仅是“看见”疾病，而是“预判”未来。在政策持续加码、视光中心转型的浪潮下，视网膜影像组学与AI的结合，有望让每一次眼底检查都成为全生命周期眼健康管理的起点。从业者需关注数据质控、算法可解释性及多学科协作，才能真正让像素背后蕴藏的智慧照进临床。