近年来，青少年近视防控已上升为国家战略，校园筛查常态化与电子健康档案建设加速推进。然而，近视进展的个体差异大，传统光学干预（如角膜塑形镜、多焦点软镜、离焦框架镜）的效果评估往往依赖长期随访数据，临床决策缺乏实时、精准的预测工具。AI算法与巩膜生物力学的融合，正为这一难题提供新的解决路径。
巩膜是眼球外层的致密结缔组织，其生物力学特性（如刚度、蠕变、应力松弛）与眼轴增长密切相关。近视发展过程中，巩膜在眼内压作用下发生重塑，导致眼轴延长。传统有限元分析（FEA）虽能模拟眼球力学行为，但建模复杂、计算耗时，难以应用于临床个体化预测。近年来，AI算法尤其是深度学习与物理信息神经网络（PINN）的引入，使得从临床影像（如OCT、眼部B超）快速构建个体化巩膜模型成为可能。
以中山眼科中心团队的一项研究为例，他们利用卷积神经网络（CNN）自动分割OCT图像中的巩膜边界，并结合生成对抗网络（GAN）生成高精度三维几何模型。随后，采用图神经网络（GNN）学习巩膜材料参数（如弹性模量、泊松比）与近视进展速度之间的非线性映射关系。该模型在回顾性队列中预测1年眼轴增长的AUC达到0.89，显著优于传统线性回归模型。
另一值得关注的方向是AI辅助的光学干预优化。例如，对于佩戴角膜塑形镜的青少年，夜间镜片压迫角膜可暂时改变周边屈光状态，但长期效果受巩膜力学响应影响。通过融合角膜地形图、眼轴长度及巩膜应变数据，AI模型可预测不同设计参数的塑形镜对个体巩膜应力的影响，进而推荐最合适的镜片参数。温州医科大学附属眼视光医院正在开展一项多中心试验，利用强化学习算法动态调整塑形镜处方，初步结果显示6个月近视控制效果提升约18%。
此外，基于AI的巩膜生物力学建模还可用于评估新型光学干预手段，如多焦点软性接触镜和离焦框架镜。通过模拟镜片产生的周边离焦信号传递至巩膜的力学刺激，模型能够预测不同离焦量对巩膜重塑的抑制作用，从而指导光学设计的优化。
值得注意的是，此类模型的临床转化仍面临挑战：其一，巩膜在体力学特性测量困难，现有数据多来自离体实验或有限元反演，存在不确定性；其二，AI模型的可解释性不足，临床医生难以信任“黑箱”预测结果。针对后者，符号回归算法可从数据中自动发现物理可解释的数学表达式，将巩膜应力与近视进展的关系转化为简洁公式，提升模型透明度。
未来，随着多模态数据（基因组、代谢组、影像组）的整合，AI驱动的巩膜生物力学模型有望成为近视防控精准医疗的核心工具。结合可穿戴设备实时监测的眼压、用眼距离等参数，模型可实现动态风险预警和干预方案调整。在政策层面，此类技术可嵌入校园筛查平台，对高风险学生进行早期干预，降低高度近视及并发症发生率。
总之，AI算法与巩膜生物力学的交叉融合，正从理论仿真走向临床实用，为青少年近视防控提供从群体筛查到个体化精准干预的闭环解决方案。