随着青少年近视率的攀升，高度近视引发的周边视网膜病变如格子样变性、萎缩孔等，已成为威胁视觉健康的隐匿杀手。传统眼底检查受限于45度视野，早期周边部病变常被遗漏。近年来，超广角眼底成像（UWF）的普及为全面评估视网膜提供了利器，而AI算法的引入，正让这种评估从“看见”迈向“看懂”，在筛查效率和预测精度上实现质的飞跃。
在2025年的眼科学术会议上，多项研究聚焦AI驱动UWF影像分析。例如，中山眼科中心团队利用深度学习模型分析超广角图像，自动识别周边部视网膜变性区，对格子样变性的检测敏感度达93%，特异度89%，显著优于初级眼科医生。该模型通过迁移学习，先在大量普通眼底彩照上预训练，再在超广角数据集上微调，有效克服了周边区域图像畸变和光照不均的挑战。
AI算法不仅在于发现病变，更在于预测进展。基于时序超广角影像的纵向分析，可量化病变面积变化率，结合屈光度、眼轴长度等多模态数据，构建近视性视网膜病变进展的风险分层模型。一项来自北京同仁医院的研究利用图神经网络（GNN）建模视网膜血管与病变区的空间关系，预测格子样变性进展为视网膜脱离的风险，AUC达0.91，为预防性激光光凝提供了决策支持。
在视光中心场景下，超广角AI筛查正成为青少年近视管理的标配。通过边缘计算设备，拍摄后数秒即可生成标注报告，并自动对比历史影像，突出显示新生病变或进展区域。这种实时反馈提升了家长的依从性，也使视光师能及时转诊威胁视力的病变，实现从“只管度数”到“守护眼底”的跨越。
此外，生成式AI开始用于模拟病变演化。利用生成对抗网络（GAN）合成超广角影像，可展示未经干预的病变进展路径，辅助医生与患者沟通长期风险，制定个性化的复查与干预方案。这种视觉化的预测，让近视防控从抽象数字变为直观警示，或将深刻改变临床决策模式。
挑战依然存在，包括超广角设备的标准化、偏远地区普及率低、多中心数据隐私等。但结合联邦学习框架，多家视光中心可共同训练模型而不共享原始数据，正逐步破解数据孤岛。可以预见，AI赋能的超广角眼底筛查将成为青少年近视管理的新标准，为每个孩子筑起眼底健康的智能防线。
