近年来，青少年近视防控已上升为国家战略，多地政府将儿童青少年近视率纳入绩效考核，推动筛查建档和干预措施的规范化。然而，近视进展存在显著个体差异，传统光学干预手段（如角膜塑形镜、多焦点软镜）的验配多依赖静态参数和经验判断，难以实现精准化。人工智能（AI）算法的引入，为破解这一难题提供了新路径，尤其是在周边离焦软镜的个性化验配中展现出巨大潜力。
周边离焦理论认为，视网膜周边的远视性离焦是驱动眼轴增长的关键因素，而通过光学手段矫正周边离焦可有效延缓近视进展。但不同个体的视网膜形态、眼球光学特性及用眼环境差异巨大，统一的镜片设计往往无法达到最佳离焦控制效果。AI算法能够整合个体化数据，实现从“千人一面”到“一人一镜”的跃升。
近日，一项发表于《中华眼视光学与视觉科学杂志》的多中心研究，利用深度学习算法对1200名8-14岁近视儿童的视网膜地形图、角膜地形图及眼轴长度等数据进行融合分析，构建了视网膜周边离焦状态预测模型。该模型可根据个体视网膜形态自动推荐最优的离焦软镜设计参数（如离焦量、光学区直径、过渡区曲率等），并在真实世界数据中验证了其有效性：与传统经验验配相比，AI辅助验配组的6个月眼轴增长平均减缓0.12mm，近视控制效果提升约28%。
此外，AI算法还可结合患者的用眼行为数据（如近距离用眼时长、户外活动时间等），动态调整离焦方案。例如，通过可穿戴设备采集的光环境数据，实时评估视网膜离焦需求，为患者提供“时段性镜片处方”，从而在保证视觉质量的前提下最大化近视控制效果。
在角膜塑形镜领域，AI同样赋能个性化验配。传统试戴评估高度依赖医生经验，而基于AI的荧光素染色图像分析系统能够实时量化镜片配适状态，预测泪液交换效率，并推荐最佳镜片参数。结合时序OCT数据，AI还可监测角膜形态变化，预警潜在的安全风险，实现从验配到长期管理的闭环优化。
未来，随着多模态数据融合和强化学习等技术的进步，AI有望构建全生命周期的眼健康决策引擎，将视网膜形态、遗传风险、环境暴露等纳入统一框架，为每一位近视患者定制动态、精准的干预策略。AI驱动的周边离焦软镜验配，正引领视光领域迈向个体化、智能化的新范式。