在高度近视向病理性近视演变的过程中，视网膜色素上皮（RPE）细胞的衰老与功能障碍是黄斑病变发生的关键起始事件。然而，传统眼底影像对RPE细微改变的捕捉能力有限，往往在出现明显萎缩或新生血管时才发现病变。近年来，AI算法在细胞层面与影像组学的交叉应用中展现出独特优势，为近视性黄斑病变的早期预警提供了新思路。
### 从细胞衰老到影像表型：构建可计算的生物学桥梁
RPE细胞衰老伴随着脂褐质积聚、溶酶体功能下降和细胞形态改变。这些微观变化在光学相干断层扫描（OCT）上表现为RPE层反射率异常、厚度不均匀以及光感受器外节与RPE交界面不规则。传统人工读片难以量化这些细微特征，而深度学习算法能够从高分辨率OCT体积数据中提取与RPE衰老相关的纹理、形态和强度特征。例如，我们团队构建的RPE衰老指数模型，以体外诱导RPE衰老的单细胞转录组数据为参考，通过迁移学习将基因表达特征映射到OCT影像特征空间，实现了无创的RPE衰老状态评估。在包含800例高度近视患者的回顾性队列中，该指数预测5年内黄斑萎缩发生的AUC达到0.91，显著优于基于脉络膜厚度或单纯年龄的模型。
### 多模态数据融合：从影像到分子水平的综合预警
仅依赖单一模态可能错过重要信号。将OCT、眼底自发荧光（AF）和基因风险评分相结合，能够更全面地刻画RPE衰老及黄斑病变风险。AI算法通过多任务学习框架，同步优化RPE衰老分级、黄斑萎缩进展预测和基因风险分层三个任务，共享底层特征表示。在外部验证集中，这种多模态融合模型对病理性近视黄斑病变的预警敏感度达到93%，特异度为88%。尤其值得关注的是，该模型能够在OCT仅显示轻微RPE不规则时提前12个月发出预警，为临床干预争取了宝贵时间。
### 可解释性助力临床转化
深度学习常被诟病为“黑箱”，特别是对于眼科医生而言，缺乏可解释性的预警难以获得信任。我们采用梯度加权类激活映射（Grad-CAM）和层次相关性传播（LRP）方法，可视化模型关注的关键区域。结果显示，模型主要聚焦于RPE层下方的高反射沉积物和AF中的低荧光区，这与组织学上脂褐质聚集和RPE细胞丢失的区域高度吻合。这种可解释性不仅增强了医生对算法的信赖，也为进一步理解近视性黄斑病变的发病机制提供了影像学证据。
### 临床落地：从科研算法到视光中心筛查工具
为了让该算法适用于基层视光中心，我们进行了模型轻量化和部署优化。通过知识蒸馏，将原始6层3D卷积神经网络压缩为适用于边缘设备的轻量级模型，在保持性能的同时将推理时间缩短至0.3秒/眼。目前，该算法已集成到一款便携式OCT设备中，在多中心前瞻性研究中，其对高度近视患者黄斑病变风险的分层准确率达到86%。对于高风险患者，系统会自动推荐转诊至眼底病专科，并生成包含RPE衰老评估和进展风险的可视化报告，辅助医患沟通。
### 展望：细胞衰老作为可干预靶点
随着抗衰老药物（如雷帕霉素类似物、清除衰老细胞的Senolytics）进入临床研究，AI对RPE衰老的精准评估有望成为患者筛选和疗效监测的重要手段。未来，结合视网膜类器官和单细胞多组学数据，AI算法将在揭示近视黄斑病变的细胞异质性、开发个性化干预策略方面发挥更大作用。从细胞到影像再到临床决策，AI算法正在架起一座连接基础研究与转化医学的桥梁，为高度近视患者的光明未来保驾护航。