在2025年的眼科AI领域，一个显著趋势是通用医疗大模型与眼科专病模型的协同进化。通用大模型如Med-PaLM 2、GPT-4V等在医学视觉问答、报告生成上展现出惊人能力，但在眼科精细结构判读（如OCT分层、微动脉瘤计数）上仍不及专病模型。两者如何融合，成为算法研究的前沿。
近期一项发表于《Nature Medicine》的多中心研究提出了一种“通用-专病蒸馏框架”，利用通用大模型的知识先验，通过对比学习与注意力迁移，强化专病模型在少样本场景下的泛化能力。例如，在糖尿病视网膜病变（DR）分级任务中，该框架仅用500张标注OCTA图像即达到了传统深度学习模型需万级样本的精度，AUC从0.91提升至0.96。
更值得关注的是，这种协同不仅限于静态诊断。在青少年近视防控的场景中，通用大模型可整合电子病历、基因组数据、环境因素，生成个体化风险画像；而专病模型（如基于时序OCT的近视进展预测网络）则利用该画像进行动态优化。复旦大学附属眼耳鼻喉科医院的一项在研项目显示，融合大模型先验后，预测18个月眼轴增长的均方根误差降低了23%。
算法层面，跨模态提示学习（Prompt Learning）正成为融合关键。通过将眼底图像、OCT扫描、视野报告转化为统一语义空间的“提示令牌”，模型可根据不同任务动态激活相关知识。这种机制使得同一套框架既能处理干眼症泪膜破裂时间的预测，也能分析青光眼视野进展，大幅降低了部署成本。
然而，算力瓶颈与可解释性仍是挑战。通用大模型参数动辄千亿，眼科实时应用需依赖边缘计算与模型压缩。同时，眼科医生对AI决策的信任度取决于能否提供可验证的病理依据，例如标注出视网膜层的具体病变区域。因此，基于梯度的归因方法和概念瓶颈模型在眼科AI中日益流行。
展望未来，眼科AI将从“专病专用”走向“通用底座+专病微调”的范式。这种协同进化不仅能缓解数据稀缺问题，还能促进跨亚专科的知识迁移。正如ARVO 2025会议专题所强调：“眼科AI的下一个突破，不在于更大的模型，而在于更聪明的融合。”
