近年来，我国青少年近视率居高不下，呈现低龄化、重度化趋势。眼轴长度作为近视进展的客观生物学参数，其监测价值已获公认。传统校园筛查多依赖裸眼视力和电脑验光，数据维度单一，难以精准预测个体近视风险。随着人工智能（AI）与大数据技术的成熟，将AI眼轴预测模型与校园筛查大数据融合，正为近视防控开辟从群体干预到个体预警的新路径。
**一、眼轴监测：近视防控的“金标准”升级**
眼轴长度与屈光度高度相关，是评估近视进展和干预效果的核心指标。然而，传统眼轴测量设备（如IOLMaster、Lenstar）价格较高，难以在基层大规模普及。近年来，便携式光学生物测量仪的出现，使得眼轴测量下沉至学校、社区卫生服务中心成为可能。同时，基于深度学习算法的眼轴预测模型可仅凭眼底照片、屈光参数等易得数据，推算出等效眼轴长度，精度可达亚毫米级。例如，中山眼科中心团队利用万余例儿童数据训练的模型，预测误差小于0.2mm，为大规模筛查提供了经济、高效的替代方案。
**二、校园筛查大数据的深度挖掘**
过去，校园筛查数据往往停留在报表层面，形成“数据孤岛”。如今，通过信息化平台建设，筛查数据可实时上传、动态管理。以温州医科大学附属眼视光医院牵头的“明眸工程”为例，其已建立覆盖百万学生的视觉健康档案，存储了连续多年的眼轴、屈光度、角膜曲率等多维数据。这些纵向数据是训练AI预测模型的宝贵资源。结合遗传、环境、行为等问卷信息，AI模型可学习近视发生发展的非线性规律，输出个体化的近视风险评分和进展速度预测。
**三、AI预测模型：从科研走向临床落地**
近期多项研究显示，基于机器学习（如随机森林、XGBoost）的模型可提前1-3年预测儿童是否会发生近视，AUC可达0.9以上。更前沿的深度学习模型（如卷积神经网络结合循环神经网络）可直接利用眼底图像序列预测未来眼轴增长速度。在临床转化方面，部分视光中心已开始使用AI辅助系统，在筛查现场即时生成“近视风险报告”，包括未来近视概率、建议随访频率和个性化干预方案（如增加户外活动时间、使用低浓度阿托品或角膜塑形镜等）。这种“筛查-预测-干预”的一体化闭环，提高了家长和学校的参与度，也优化了医疗资源配置。
**四、挑战与展望**
尽管前景广阔，但AI眼轴预测仍面临数据标准化、模型泛化性和隐私保护等挑战。不同地区、不同设备采集的数据存在系统性差异，需通过联邦学习等技术实现多中心协作而不共享原始数据。此外，预测结果的解释性需加强，以增强医生和家长的信任。未来，随着5G、物联网和可穿戴设备的发展，眼轴数据有望实现家庭监测、实时上传，AI模型将持续动态更新，真正实现近视的个体化、精准化预警。
综上，AI眼轴预测与校园筛查大数据的融合，正推动青少年近视防控从经验性、群体性向精准化、个体化迈进。这不仅是技术革新，更是防控模式的深刻变革。