随着近视患病率在全球范围内持续攀升，高度近视相关的眼底并发症，尤其是黄斑病变，已成为严重威胁青少年视觉健康的重要问题。精准识别高风险个体并提前干预，是近视防控关口前移的关键。传统方法主要依赖于眼轴长度和屈光度的监测，但面对快速增长的高度近视人群，其预测效能和个体化程度仍有不足。近年来，人工智能（AI）技术在眼科领域的应用日益广泛，为高度近视黄斑病变的风险预测提供了新的思路。
本研究为一项前瞻性、多中心临床验证研究，旨在开发和验证一个基于深度学习的预测模型，利用眼底图像、OCT/OCTA影像及临床参数，预测青少年高度近视患者未来3年内发生黄斑病变的风险。研究联合国内12家眼科中心，纳入年龄12-18岁、等效球镜度数≤-6.00D且基线无黄斑病变的青少年。所有参与者均接受标准化的眼科检查，包括最佳矫正视力、眼压、眼轴测量、散瞳后眼底照相、OCT及OCTA扫描，并采集多基因风险评分等遗传信息。
研究第一阶段（模型开发）使用回顾性队列数据，收集了2018-2023年间共5870例高度近视青少年的纵向数据，其中1328例在3年随访中出现不同类型的黄斑病变（包括弥漫性、斑片状脉络膜视网膜萎缩、漆裂纹、脉络膜新生血管等）。基于深度卷积神经网络（DCNN）和Transformer架构，构建多模态融合模型，输入包括：眼底彩照、OCT B扫描图像、OCTA的血流密度图、眼轴长度、年龄、性别、遗传风险评分等。模型输出为3年内发生黄斑病变的概率。通过五折交叉验证进行内部验证，模型AUC达到0.92，显著优于仅使用眼轴长度或单一影像模态的传统模型。
第二阶段为前瞻性外部验证，本研究自2024年起纳入1000名新诊断的高度近视青少年，进行为期3年的随访。截至2025年，已完成第一年随访数据的中期分析。结果显示，模型的预测概率与1年内新发黄斑病变的实际发生率高度一致，校准曲线良好，AUC为0.89。此外，模型能提前6-12个月预警高风险个体，为临床干预争取了宝贵时间。
本研究的亮点在于多模态数据整合与可解释性。通过注意力热图，模型能够突出显示眼底图像中的关键区域，如黄斑区脉络膜变薄区、Bruch膜缺损、视网膜劈裂等结构变化，与专家共识的高危特征高度吻合。这为临床医生提供了直观、可量化的决策支持。
在大规模应用中，该AI系统可嵌入视光中心和医院的电子健康档案系统，自动分析每次随访的影像数据，动态更新风险评分，辅助医生制定个性化的随访和干预方案。例如，对于预测风险高于阈值的患者，可建议缩短随访间隔、加强光学干预（如考虑后巩膜加固术的时机）或使用低浓度阿托品等药物控制眼轴增长。
然而，该技术也面临挑战：不同设备间的图像标准化、青少年眼球发育变化对模型稳定性的影响、以及数据隐私和伦理问题。未来的多中心协作和联邦学习框架有望解决这些障碍。本研究为AI驱动的青少年高度近视黄斑病变精准防控提供了有力的证据，推动了从“经验医学”向“数据驱动、智能预测”的转变。
