近年来，眼科人工智能（AI）在近视防控领域的应用逐渐从概念走向实践。特别是在青少年近视筛查中，AI眼底影像分析、屈光度预测和眼轴追踪等技术展现出高效、客观的优势。然而，一个不容忽视的问题是：大多数AI模型仍停留在实验室或小范围试点阶段，缺乏大规模真实世界数据的验证，导致其在基层推广时面临“落地难”的尴尬。
以校园筛查为例，传统流程依赖视力表检查和电脑验光，耗时耗力且数据质量参差不齐。引入AI后，通过便携式眼底相机拍摄眼底照片，算法可在数秒内评估近视性眼底改变、预测屈光状态，甚至识别豹纹状眼底、视盘倾斜等高风险特征。例如，某市在2024年秋季对5万名中小学生进行AI辅助筛查，将单人次检查时间从平均3分钟压缩至40秒，同时筛查出约12%的学生存在需要进一步转诊的眼底异常。但该项目的后续随访显示，AI判断的“高度近视风险”与三个月后散瞳验光结果的符合率仅为78%，暴露出模型在不同年龄段、不同屈光状态下的泛化能力不足。
造成这一现象的原因是多方面的。首先，训练数据往往来自三甲医院的眼科门诊，患者构成偏倚明显，而真实世界的校园人群包含大量低度近视、正视和远视儿童，数据分布差异显著。其次，眼底影像质量受拍摄条件、配合度影响较大，算法在模糊、曝光不均等情况下容易出现误判。此外，近视进展是一个动态过程，单纯依靠单次影像难以准确预测未来趋势，需要结合眼轴、角膜曲率、用眼行为等多模态数据。
面对这些挑战，一些团队开始探索基于真实世界数据的持续学习框架。例如，某视光中心联合高校开发了一套“云端-终端”协同的AI系统：在筛查现场，轻量级模型先进行初筛，并将图像上传至云端；云端利用不断积累的新数据对模型进行增量训练，每季度更新一次版本。经过一年的迭代，该系统对高度近视风险的识别灵敏度从最初的82%提升至91%，特异度也保持在85%以上。这提示我们，AI在近视防控中的价值不在于“一劳永逸”的完美模型，而在于与临床流程深度耦合、持续进化的能力。
另一个值得关注的趋势是AI在近视预测中的应用。通过分析历史眼轴数据、遗传信息、环境因素等，机器学习模型可以预测儿童未来几年的近视进展速度，从而帮助医生制定个性化的干预方案。例如，一项纳入2万名儿童、随访5年的多中心研究显示，基于随机森林和长短期记忆网络的混合模型，预测2年内发展为高度近视的AUC达到0.89，显著优于传统的屈光度阈值法。然而，该模型在不同地区的验证中表现不一，主要原因是户外活动时长、教育压力等环境变量差异较大。因此，未来需要建立区域性的真实世界数据库，结合本地数据进行模型微调。
政策层面，2025年国家卫健委新版《儿童青少年近视防控适宜技术指南》明确提出，鼓励运用人工智能技术提升筛查效率，但同时强调“所有AI辅助诊断结果必须由专业技术人员复核”。这既是对技术落地的支持，也是对安全性的底线要求。对于视光中心和基层医疗机构而言，引入AI不应盲目追求“黑科技”，而应将其嵌入现有工作流，从辅助筛查、质量控制、数据管理做起，逐步积累真实世界证据。
总之，眼科AI在近视防控中的应用正处在从“展示潜力”到“证明价值”的关键转折点。大规模真实世界研究的缺失，是制约其进一步推广的核心瓶颈。未来需要医疗机构、科研团队和企业多方协作，建立开放共享的标准化数据集，开展多中心前瞻性验证，同时关注算法公平性和可解释性。唯有如此，AI才能真正成为近视防控一线工作者的得力助手，而不是一个停留在论文里的“漂亮玩具”。