青光眼是全球首位不可逆性致盲眼病，其进展的隐匿性与不可逆性要求临床实现精准的个体化随访。传统视野检查（如 Humphrey 视野计）虽为金标准，但受主观因素影响且检查频率固定，难以动态捕捉快速进展者。近年来，生成式人工智能（Generative AI）的兴起为视野缺损的时空预测与随访策略优化提供了新范式。
**从静态阈值到动态轨迹：生成式模型的重构能力**
视野进展通常以平均偏差（MD）、模式标准差（PSD）等全局指标衡量，但这类指标掩盖了局部缺损的异质性。生成式模型（如变分自编码器、扩散模型）能够学习视野数据的潜在分布，并生成符合真实演变规律的时空序列。例如，基于条件变分自编码器（CVAE）的模型可输入基线视野、眼压、OCT 视网膜神经纤维层厚度等多模态数据，输出未来多个时间点的视野概率图，从而可视化局部缺损的进展轨迹。
一项发表于 *Ophthalmology* 的研究利用生成对抗网络（GAN）合成视野进展序列，在 4,000 余例青光眼患者的数据集上，生成的视野模式与真实进展的 Frechet 距离降低了 32%，且能提前 12 个月预测快速进展者（AUC=0.87）。这种方法突破了传统线性回归的局限，能捕捉非线性、跳跃式的视野恶化。
**个性化随访间隔：从固定周期到风险驱动的动态调度**
当前指南多建议青光眼患者每 6-12 个月复查视野，但不同个体的进展速度差异巨大。过度检查浪费医疗资源，检查不足则可能延误治疗。生成式模型可与强化学习（RL）结合，构建动态随访决策引擎。状态空间包括患者年龄、基线视野损伤程度、眼压波动、用药依从性等；动作空间为下一次随访时间间隔（如 3、4、6、8、12 个月）；奖励函数权衡早期发现进展的获益与检查负担。
在一项模拟研究中，基于生成式模型预测视野进展的不确定性，并利用贝叶斯优化动态调整随访间隔，结果显示与固定 6 个月随访相比，在保持相同进展检出率（95%）的前提下，随访次数减少了 28%。这种“按需随访”模式已在国内部分青光眼专科门诊试点，未来可嵌入电子病历系统，自动提醒医生为高风险患者优先安排检查。
**临床落地挑战与展望**
生成式 AI 的“黑箱”特性是临床信任的主要障碍。为此，研究者引入可解释性技术，如生成视野进展轨迹时同步输出关键驱动因素（如眼压峰值、角膜厚度、视盘出血史），并通过注意力热图展示模型关注的视野区域。此外，多中心外部验证与联邦学习框架可保障数据隐私，推动算法在真实世界的泛化。
展望未来，生成式 AI 有望与可穿戴眼压监测、居家虚拟现实视野计结合，形成连续的视野-眼压数据流，构建青光眼数字孪生，实现从被动治疗到主动预警的范式转变。