在青少年近视防控上升为国家战略的背景下，基层视光服务能力成为关键短板。2025年，AI辅助诊断系统在基层视光筛查中的应用迎来突破，多地社区卫生中心部署了基于眼底影像和屈光数据的智能分析平台。以浙江省某县级市为例，一套AI系统仅用3个月便完成近2万名中小学生的屈光建档，筛查效率较人工提升5倍，且对高度近视视网膜病变的检出敏感度达到92%。然而，技术热潮之下需冷静审视：AI模型训练数据多来自三甲医院，基层人群特征偏移可能导致假阳性率升高；远程验光的法律属性与责任界定仍模糊。本文结合近期多中心研究和政策导向，探讨AI与远程验光如何真正赋能基层，而非沦为“数据孤岛”。
**AI筛查：从效率工具到闭环管理**
传统校园筛查依赖视力表和电脑验光仪，数据碎片化且缺乏追踪。AI系统通过整合屈光度、眼轴长度、角膜曲率等多维数据，可自动生成近视风险分级，并推送个性化随访建议。上海某区试点的“明眸AI”平台，将筛查-转诊-干预全流程数字化，高风险学生转诊至视光中心的依从性提升了40%。但问题随之而来：算法若仅基于静态阈值，无法捕捉近视进展的动态规律。最新研究尝试引入时间序列模型，利用历史数据预测个体未来一年的近视进展速度，准确率达85%。这为精准分级干预提供了新可能。
**远程验光：可及性与安全性的博弈**
远程验光通过自助设备或视频指导获取屈光处方，被视为解决基层验光师短缺的捷径。但临床安全性不容轻忽。一项多中心对照研究显示，远程验光获得的球镜度数平均偏差为-0.25D，虽在可接受范围，但散光轴位的偏差率达15%，可能影响视觉质量。更关键的是，远程场景下无法进行全面的眼部健康检查，可能遗漏圆锥角膜等禁忌症。因此，专家共识强调：远程验光仅可作为筛查或已确诊患者的随访补充，不能替代首次验配的全面检查。
**伦理与责任：技术落地的隐形门槛**
当AI系统漏诊一名早期青光眼患者，责任归属是算法开发者、视光师还是医疗机构？目前尚无明确法律条文。部分地区开始探索“AI辅助诊断责任险”，由算法提供方与使用方共担风险。此外，数据隐私在基层尤为敏感——学生屈光数据若泄露，可能引发歧视或商业滥用。2025年新出台的《视光数据安全管理指南》要求基层机构对AI模型进行本地化微调，并建立数据脱敏与访问审计机制。
**未来路径：人机协同与生态共建**
真正可持续的模式不是“AI取代人”，而是“AI增强人”。例如，AI可自动标注疑似异常眼底影像，由远程眼科医生复核，形成“AI初筛+专家确诊”的分级诊疗闭环。同时，基层视光师的角色应转向健康教育和长期随访管理。唯有打通数据壁垒、明晰责任边界、强化伦理治理，AI与远程验光才能从炫技走向普惠，成为基层近视管理的可靠引擎。
