全球近视防控正进入数据密集型科研的新阶段。青少年近视率的持续攀升，迫使各国眼健康系统寻求更高效的预测与干预手段。然而，眼科影像数据的高度敏感性和各国隐私法规的差异，长期阻碍着跨国AI模型的训练与验证。联邦学习（Federated Learning）作为一种分布式机器学习框架，允许各参与方在不共享原始数据的前提下协同训练模型，为全球视光领域的AI协作提供了新范式。
近年来，由世界卫生组织（WHO）与国际防盲协会（IAPB）推动的“全球眼健康数据协作计划”已在多个试点地区验证了联邦学习的可行性。例如，新加坡眼科研究所与中山大学中山眼科中心联合开展的跨国近视进展预测模型，利用来自6个国家、超过20万青少年的眼底图像和屈光数据，通过参数聚合而非数据集中，将模型对高度近视风险的预测AUC从0.82提升至0.91，且完全符合欧盟GDPR和中国《个人信息保护法》的要求。
与此同时，视光中心的智能化升级也因联邦学习而加速。传统上，中小型视光中心缺乏足够的标注数据训练本地AI验光模型。如今，通过加入联邦网络，这些中心可共享模型更新而不泄露客户信息，从而获得精准的验光辅助和近视进展预警能力。2025年初，一项覆盖东南亚五国的远程验光联盟项目报告显示，采用联邦学习的AI辅助验光系统使青少年配镜处方误差率降低了34%，同时将试戴时间平均缩短了15分钟。
此外，角膜塑形镜（OK镜）的验配安全监测也受益于联邦学习。由于OK镜相关的角膜感染属于罕见事件，单一中心难以积累足够病例优化风险预测模型。通过跨国联邦网络，来自不同地区的验配数据可共同训练感染风险模型，而无需共享患者级别的敏感记录。中国、韩国和澳大利亚的监管机构已开始探讨基于联邦学习的不良事件信号检测框架，以提升全球OK镜使用的安全性。
然而，联邦学习在全球眼健康治理中的应用仍面临挑战，包括模型聚合标准不统一、非独立同分布数据导致的性能差异，以及激励机制不足等问题。但可以预见，随着技术标准化和跨国政策协同的深化，联邦学习将有望成为全球视光AI协作的基础设施，推动青少年近视防控从经验驱动迈向数据智能驱动的新时代。