近年来，青少年近视防控已上升为国家战略，多部门协同政策持续加码。与此同时，AI算法与大数据的融合正在深刻重塑眼科与视光领域的服务模式。在近期举办的眼科及视光学学术会议上，AI辅助筛查、个性化干预及视光中心数字化升级成为热议焦点。
**多模态数据融合：近视预测的精准跃迁**
传统近视进展预测多依赖单一指标，如屈光度或眼轴长度，难以全面捕捉个体差异。AI算法，尤其是深度学习模型，能够整合OCT影像、眼底照片、角膜地形图、屈光数据及环境行为等多模态信息，构建更精准的预测模型。例如，一项发表于《Ophthalmology》的研究利用卷积神经网络（CNN）分析超广角眼底图像，结合眼轴和年龄数据，预测青少年未来5年高度近视风险的AUC达到0.94。此类模型可辅助临床医生在近视发生前识别高危个体，实现关口前移。
**动态干预决策：从群体证据到个体最优**
近视防控手段多样，如低浓度阿托品、角膜塑形镜、周边离焦镜片等，但个体反应差异显著。强化学习与因果推断算法正被引入动态决策系统。通过整合历史治疗数据与实时监测指标，AI可以模拟不同干预方案的长期效果，推荐个体化治疗路径。例如，某研究团队基于时序眼轴和屈光数据，利用深度强化学习为患者动态调整低浓度阿托品浓度和佩戴方案，在模拟环境中将近视进展减缓率提高了18%。
**视光中心服务模式升级：智能分流与全周期管理**
面对激增的近视人群，视光中心亟需提升服务效率。AI驱动的智能分诊系统可根据患者上传的验光数据、主诉及风险问卷，初步判断近视类型与进展风险，推荐优先检查项目或远程咨询。在随访环节，基于大语言模型的智能助手可以自动解读检查报告、生成个性化健康建议，并提醒复查，提升患者依从性。例如，某连锁视光中心引入AI随访系统后，角膜塑形镜患者的3个月复查率从67%提升至89%。
**挑战与展望**
尽管前景广阔，AI在眼科落地仍面临数据标准化、算法可解释性及跨机构泛化等挑战。联邦学习与隐私计算技术正在推动多中心协作，在不共享原始数据的前提下训练稳健模型。未来，随着多模态大模型与眼科专病模型的协同进化，AI有望成为连接政策、临床与患者的智能中枢，真正实现近视防控的精准化与普惠化。