## 引言
圆锥角膜是一种常见的角膜扩张性疾病，早期干预对阻止病情进展至关重要。角膜交联术（Corneal Cross-Linking, CXL）是目前唯一能有效阻止圆锥角膜进展的治疗手段，但其手术参数（如紫外线能量、照射时间、核黄素浸润方案等）往往基于标准化方案，缺乏个性化调整。近期，人工智能（AI）技术被引入角膜交联术的术前规划与术后预测，有望实现真正的个性化治疗。本文将探讨AI在量化角膜交联术中的应用现状与未来方向。
## 传统角膜交联术的局限
标准角膜交联术通常采用“德累斯顿方案”：去除角膜上皮，核黄素浸润30分钟，紫外线A（UVA）照射30分钟（3 mW/cm²），总能量5.4 J/cm²。然而，圆锥角膜的形态、厚度、生物力学特性存在显著个体差异，统一方案可能导致部分患者交联不足或过度，甚至出现并发症。此外，术后角膜厚度和曲率变化难以精确预测，影响手术效果评估。
## AI在角膜交联术中的应用
### 1. 术前圆锥角膜进展预测
AI模型通过分析角膜地形图、断层扫描和生物力学数据，预测圆锥角膜的自然进展风险和交联术后进展减缓效果。例如，利用卷积神经网络（CNN）对Pentacam图像进行分类，可准确识别进展期圆锥角膜，从而筛选适合交联术的患者。一项研究显示，基于深度学习的模型对圆锥角膜进展预测的AUC达到0.93，优于传统参数。
### 2. 个性化手术参数优化
AI可结合角膜厚度、曲率、生物力学特性等数据，推荐个性化的紫外线能量、照射时间和核黄素浸润方案。例如，对于较薄角膜，AI可能建议使用加速交联方案（如9 mW/cm²照射10分钟），在保证交联效果的同时减少角膜损伤。一项多中心研究正在利用机器学习算法构建交联参数推荐模型，初步结果显示，个性化参数组术后角膜稳定性和视力恢复优于标准组。
### 3. 术后角膜形态与视力预测
AI模型能够预测交联术后角膜地形图变化和屈光结果。研究者使用循环神经网络（RNN）分析术前和术后早期角膜地形图序列，预测术后12个月的角膜曲率，误差小于0.5 D。此外，AI还可预测术后角膜厚度恢复和视力改善程度，为患者提供更准确的预后信息。
## 典型案例：AI辅助加速交联决策
某眼科中心收治一名26岁男性圆锥角膜患者，角膜最薄点厚度为420 μm，传统方案可能因厚度不足而谨慎选择交联。AI系统综合分析患者角膜地形图、上皮厚度图和眼压等数据，推荐采用加速交联方案（9 mW/cm²，10分钟，总能量5.4 J/cm²），并预测术后1年角膜曲率下降约2.1 D，视力提高0.2（LogMAR）。术后随访证实，实际曲率下降2.3 D，视力提高0.18，与预测高度吻合。
## 挑战与展望
尽管AI在角膜交联术中展现出潜力，但仍面临数据标准化、模型可解释性和临床验证等挑战。未来，随着更大规模多中心数据的积累和联邦学习的应用，AI模型将更加稳健。此外，结合实时术中OCT导航和手术机器人，AI有望实现交联过程的动态调控，进一步提升安全性和有效性。
## 结语
AI赋能量化角膜交联术正从概念走向临床，通过精准预测和个性化参数优化，为圆锥角膜患者带来更佳的治疗选择。随着技术的不断成熟，AI将成为角膜交联术不可或缺的决策辅助工具。