近视已成为全球关注的公共卫生问题，我国青少年近视率居高不下，高度近视引发的眼底并发症严重威胁视觉健康。近年来，越来越多的证据表明巩膜缺氧在近视发展进程中扮演关键角色。巩膜作为眼球外壁的主要结构，其生物力学性能的改变是眼轴延长的重要基础。动物实验发现，形觉剥夺可导致巩膜缺氧，进而引起成纤维细胞向肌成纤维细胞转分化，胶原合成减少，巩膜变薄、硬度下降，最终眼轴增长。然而，传统检测手段难以在体实时评估巩膜缺氧状态，这限制了对近视进展的早期预测和干预效果评估。
近年来，光学分子影像技术为巩膜缺氧可视化提供了新思路。利用缺氧响应荧光探针，配合眼底成像系统，有望实现对巩膜氧分压的高灵敏度检测。但探针信号的定量分析、组织穿透深度限制以及图像噪声等问题仍待解决。AI算法的引入为这一领域带来了突破可能。通过深度学习模型，可对低信噪比的荧光图像进行增强与重建，提升空间分辨率与定量准确性。同时，结合多模态数据（如OCT巩膜厚度、眼轴长度、眼底血管密度等），构建时空预测模型，有望在巩膜发生不可逆重塑之前预警近视进展风险。
具体而言，一种基于条件生成对抗网络（cGAN）的算法可对缺氧探针荧光图像进行增强，从杂乱背景中提取有效信号，重建高分辨率的巩膜氧分压分布图。在此基础上，利用时空图神经网络（ST-GNN）融合纵向随访数据，分析巩膜缺氧区域随时间的演变规律，并预测未来眼轴增长趋势。已有研究在豚鼠近视模型中初步验证了该算法的可行性，预测误差显著低于传统回归模型。临床转化方面，可结合无创的经巩膜光谱测量技术，通过AI解析漫反射光谱中的氧合血红蛋白信息，实现人眼巩膜缺氧的定量评估。这一方法无需外源探针，安全性高，有望在儿童近视防控中推广应用。
此外，AI算法还可用于分析巩膜缺氧与光学干预效果之间的关系。例如，角膜塑形镜和低浓度阿托品均可能通过改善巩膜缺氧发挥近视控制作用。通过监测干预前后巩膜氧分压变化，结合个体眼球参数，可优化干预方案，实现精准近视管理。在视光中心场景中，该技术可作为近视进展风险评估的辅助工具，帮助医生制定更科学的随访与治疗计划。
挑战依然存在，如探针的生物安全性、光谱解析的深度局限以及个体差异带来的模型泛化问题。但随着光声成像、近红外光谱与AI算法的深度融合，无创、实时、定量的巩膜缺氧评估将成为可能。这不仅为近视发病机制研究提供新视角，更将推动近视防控从经验性向智能化、精准化跨越。
