高度近视已成为全球不可逆视力损害的主要原因之一，其导致的黄斑病变、脉络膜新生血管等并发症严重影响患者生活质量。传统的风险预测主要依赖眼轴长度和屈光度等静态指标，难以捕捉病变的时空演进规律。近年来，AI算法在整合多维度数据、构建动态预测模型方面展现出巨大潜力。
最新研究提出一种融合眼底影像与多基因风险评分（PRS）的深度学习框架，用于预测高度近视患者黄斑病变的发生风险。该模型基于卷积神经网络（CNN）提取眼底照片中的微细结构变化，如豹纹状眼底、漆裂纹和脉络膜萎缩等，同时纳入全基因组关联研究（GWAS）衍生的PRS，通过注意力机制自适应加权影像与遗传特征。在一项包含12,000名高度近视患者的多中心回顾性队列中，该模型的AUC达到0.91，显著优于仅基于影像或仅基于遗传的模型。
此外，时序预测能力的提升是该算法的一大亮点。通过引入长短期记忆网络（LSTM），模型能够利用连续随访的眼底影像序列，捕捉病变进展的动态模式，提前1-2年预警黄斑病变风险。临床验证显示，该算法在独立外部测试集上的敏感性和特异性分别为88%和92%，为早期干预提供了关键窗口。
该研究的创新之处还在于可解释性设计。通过梯度加权类激活映射（Grad-CAM）可视化，模型能够突出显示对预测贡献最大的眼底区域，帮助医生理解算法的决策依据，从而增强临床信任。同时，PRS的引入弥补了影像无法反映的遗传易感性，实现了从表型到基因型的多层级风险刻画。
值得注意的是，该AI系统已部署于多家视光中心的云平台，患者只需上传眼底照片和基因检测报告，即可获得个性化风险报告，包括未来5年黄斑病变概率、分型预测及随访建议。这种普惠化服务有望推动高度近视并发症的早筛早治，减轻社会医疗负担。
未来，随着多模态数据融合技术的成熟，AI算法将进一步整合OCT、OCTA及环境因素，构建更为精准的个体化预测模型，为高度近视全生命周期管理提供智能决策支持。
