在日内瓦湖畔的世界卫生组织总部，一场关于人工智能与眼健康的闭门会议刚刚结束。来自六大洲的专家达成了一个共识：只有打破数据孤岛，AI才能真正赋能全球近视防控。这一共识的背后，是全球近视率飙升的严峻现实——据WHO最新数据，到2050年全球将有近一半人口近视，其中高度近视占比超过10%。而AI技术的突破，正为这场公共卫生战役提供新的武器。
**从本地模型到联邦学习：数据安全与效能的平衡**
传统的AI模型训练依赖于集中式数据存储，但眼科影像数据涉及患者隐私，跨国流动极为敏感。近年来，联邦学习（Federated Learning）技术的成熟为全球协作打开了新窗口。其核心思想是“数据不动模型动”：各参与方在本地数据上训练模型，仅共享加密后的梯度更新，从而在不泄露原始数据的前提下构建全局模型。
这一模式在眼科领域已有落地案例。2024年，由中山大学中山眼科中心牵头的“全球眼科AI联盟”启动了一项跨国研究，联合中国、新加坡、澳大利亚、印度等国的12家眼科机构，共同训练一个用于近视性黄斑病变早期筛查的AI模型。该模型基于眼底彩照，在不共享任何患者影像数据的前提下，经过四轮联邦迭代，在不同人种、不同设备采集的数据集上达到了平均AUC 0.93的优异性能，相较于单一中心训练的模型，泛化能力显著提升。这一成果发表于《柳叶刀·数字健康》，并被WHO纳入《近视防控数字化工具推荐清单》。
**AI驱动的校园筛查与风险预警**
联邦学习不仅用于眼底病变筛查，还在青少年近视风险预测中展现潜力。中国青少年近视率居全球高位，校园筛查是防控第一关。然而传统的视力表筛查效率低、一致性差。近年来，基于深度学习的视力筛查系统开始进入校园。例如，腾讯医疗AI实验室与温州医科大学附属眼视光医院合作开发的“AI视力筛查系统”，通过拍摄学生眼表照片和屈光数据，能在10秒内输出视力、屈光度、眼轴等参数，准确率与验光师相当。该系统已在全国3000多所学校部署，累计筛查超500万人次，并建立了个体化近视发展风险模型。结合学生户外活动时长、近距离用眼时间等行为数据，系统能预测未来一年近视发生或进展的概率，为学校提供分级干预建议。
然而，不同地区的数据分布差异巨大，模型在不同地区的表现可能波动。为此，一场更大范围的联邦学习实验正在筹备中。欧盟“地平线2020”计划资助的“Myopia AI”项目，旨在联合欧洲、亚洲、非洲十余个国家的校园筛查数据，训练一个跨种族、跨地域的近视风险预测通用模型。项目首席科学家、德国海德堡大学教授表示：“没有哪个国家能单独拥有足够多样性的数据，联邦学习是目前最可行的路径。”
**跨国监管协同：为AI落地扫清障碍**
技术突破之外，监管框架的差异仍是AI眼科产品全球化的主要障碍。美国FDA、欧盟MDR、中国NMPA对AI医疗器械的审批要求各有侧重，导致同一产品在不同市场的注册成本高昂。为推动协同，国际医疗器械监管者论坛（IMDRF）成立了人工智能工作组，专门讨论AI医疗器械的监管趋同。2025年初，该工作组发布了《眼科AI器械临床评价指导原则（草案）》，提出利用真实世界证据和跨国多中心数据作为审批依据，减少重复临床试验。
一些创新企业已经开始受益。中国的致远慧图（Vistel）公司研发的“眼底影像辅助诊断软件”在欧洲通过临床评价互认程序，成为首个获得欧盟CE认证的中国眼科AI产品。其核心技术正是基于多国数据训练的深度学习模型，对糖尿病视网膜病变的检测灵敏度达到92%以上。这一案例证明，跨国数据协作与监管互认能够加速创新产品的全球可及。
**挑战与未来**
尽管前景光明，联邦学习在眼科领域的推广应用仍面临多重挑战：首先，数据标准化问题——不同设备、不同采集协议产生的眼底图像差异巨大，需建立统一的数据预处理规范；其次，模型可解释性——医生需要理解AI做出判断的依据，尤其在风险预测场景中；最后，激励机制——如何让数据持有方愿意参与协作，需要设计公平的利益分配机制。
在日内瓦会议上，与会者提出了“全球眼健康AI数据信托”的构想，即由中立第三方托管加密数据并协调模型训练，各参与方按贡献获得权益。这一模式若能实现，将极大降低协作门槛。
可以预见，未来五年，AI将从单点工具进化为全球近视防控的基础设施。而跨国数据协作，正是这场范式革命的核心引擎。正如WHO数字健康负责人所言：“在眼健康领域，我们比以往任何时候都更需要跨越国界的合作。AI给了我们一个机会，让每个孩子，无论出生在哪里，都能享有清晰的未来。”