随着青少年近视率攀升至国家战略层面，校园筛查、屈光档案与光学干预的规模化推进，对精准、高效的智能管理提出迫切需求。AI算法正从单一辅助诊断走向覆盖筛查、预测、干预、随访的全周期闭环，成为视光中心与校园防控体系的核心引擎。
**从筛查到预测：多模态数据融合构建风险分层**
传统校园筛查依赖裸眼视力与电脑验光，漏诊率高且难以追踪进展。如今，融合眼底影像、OCT、眼轴长度等多模态数据的深度学习模型，可在数秒内完成屈光不正分类与近视性黄斑病变早期识别。例如，基于超广角眼底图像的卷积神经网络对周边视网膜病变检出敏感度超95%，而结合时序眼轴数据的LSTM网络可提前18个月预测快速进展者，AUC达0.89。这些模型嵌入便携设备，使校园筛查从“一次性检查”升级为“动态风险监控”。
**干预决策的智能化：从群体证据到个体最优**
角膜塑形镜（OK镜）、离焦镜片、低浓度阿托品等干预手段效果因人而异。AI通过整合角膜地形图、泪膜动态、用眼行为等特征，实现个体化疗效预测。例如，符号回归算法从临床数据中自动推导出眼轴增长与光学干预参数的物理可解释公式，指导镜片参数优化；强化学习框架则根据随访反馈动态调整干预组合，模拟显示可降低42%的无效干预。这种“数据驱动+机制约束”的混合建模，正成为精准近视管理的新范式。
**落地挑战与生态共建**
尽管技术成熟，落地仍面临数据孤岛与标准缺失。联邦学习允许多中心在不共享原始数据的前提下训练全局模型，已在多个城市视光联盟中验证有效性，模型性能接近集中式训练。同时，轻量化Transformer模型可部署于边缘设备，实现筛查现场实时反馈，极大提升基层效率。政策层面，将AI辅助筛查结果纳入近视防控绩效考核，可推动数据标准化与闭环管理。
**未来图景：全生命周期眼健康智能中枢**
随着可穿戴设备普及，连续眼动、光照、用眼距离等行为数据流将汇入个体化模型，实现近视发生前的预警与自适应干预。通用医疗大模型与眼科专病模型协同，可生成自然语言报告与患教内容，降低医患沟通成本。AI驱动的全周期管理不仅延缓近视进展，更将重塑视光服务模式，使每个孩子拥有专属的“智能眼健康管家”。