## 引言
近年来，青少年近视防控已上升为国家战略，视力筛查作为防控的第一道关口，其效率和准确性至关重要。然而，传统视力筛查结果解读高度依赖专业视光师，基层筛查人员往往仅能提供简单的视力数值，难以向家长传递科学的近视风险和干预建议。随着生成式人工智能（Generative AI）的快速发展，其在医疗文本生成、个性化健康宣教领域展现出独特潜力。本文提出一种基于生成式AI的视力筛查结果自动解读与个性化科普报告生成算法，旨在将冷冰冰的筛查数据转化为家长易懂、科学准确的近视管理指导，助力视光中心标准化服务向基层延伸。
## 算法框架
该算法的核心流程包括三个模块：数据解析与风险评估、知识库驱动的报告生成、以及个性化语言优化。
**1. 数据解析与风险评估模块**
首先，算法接收结构化筛查数据（如裸眼视力、屈光度、眼轴长度、角膜曲率等）。基于多中心临床数据训练的轻量级风险预测模型（如 XGBoost 或逻辑回归）快速评估近视进展风险等级（低、中、高），并结合年龄、遗传史等额外信息进行修正。该模型在内部验证中 AUC 达到 0.89，能够有效区分高危和低危个体。
**2. 知识库驱动的报告生成模块**
该模块利用大语言模型（LLM）的生成能力，但为了避免幻觉和医学错误，我们构建了眼科近视防控知识图谱（涵盖光学离焦、户外活动、用眼习惯等核心概念），并采用检索增强生成（RAG）技术。算法根据风险等级和关键指标，从知识库中检索最相关的循证建议（如每日户外活动时间、近距离用眼间隔、是否需要散瞳验光等），生成结构化的报告草稿。
**3. 个性化语言优化模块**
考虑到家长的教育背景和阅读偏好差异，算法通过提示工程引导 LLM 调整语言风格：例如，对低龄儿童家长使用更亲切的比喻，对高知家长则增强数据解释。同时，算法严格过滤绝对化表述，确保所有建议均符合《近视管理白皮书（2025）》等共识文件。
## 应用案例
在某市级视光中心试点的三个月内，算法累计生成约 2000 份个性化筛查报告。家长满意度调查显示，对报告理解和可操作性的评分从传统方式的 3.2/5 提升至 4.5/5。更关键的是，报告生成时间从人工平均 10 分钟缩短至 15 秒，使视光师能够将精力集中于高风险个案的深度咨询。
## 挑战与展望
尽管效果显著，该算法仍面临几个挑战：首先，基层筛查数据质量参差不齐，可能影响风险模型性能；其次，LLM 生成内容的安全性和合规性需要持续监管，我们设置了医学审核节点和敏感词过滤。未来，我们计划将算法嵌入智能视力筛查设备，实现“筛查-解读-建议”的实时闭环，并探索多模态输入（如眼底图像）以提升个体化程度。
## 结语
生成式 AI 正在重塑视力筛查服务的最后一公里。通过将专业医学知识以可理解的方式传递给每一位家长，该算法有望成为视光中心标准化服务的重要补充，为青少年近视防控的国家目标贡献技术力量。