稀疏视角下的近视防控：基于时序眼底图像的轻量级变化检测算法

在青少年近视防控领域，准确追踪眼底结构变化是评估干预效果的关键。然而，传统眼底图像分析依赖密集的随访数据，基层视光中心常面临患者复诊间隔长、数据稀疏的挑战。近期，一种基于时序眼底图像的轻量级变化检测算法应运而生，它通过自监督预训练和时序注意力机制，在仅有基线及1-2次随访数据的情况下，仍能精准识别视盘旁萎缩弧和豹纹状眼底的细微演变。 该算法的创新点在于：首先，利用大规模无标注眼底图像进行对比学习，模型学会了提取鲁棒的视网膜特征；其次，引入差分增强模块，对稀疏时间点间的特征差异进行放大，从而捕捉近视进展的早期信号。在一项纳入1200名青少年的回顾性研究中，该算法对高度近视前兆的检出率达到89.7%，优于传统图像差分方法。 更值得关注的是，该模型被压缩至仅15MB，可嵌入便携式眼底相机，在校园筛查场景中实现“拍即得”的风险评级。这为落实《儿童青少年近视防控适宜技术指南》提供了高效工具，尤其适用于医疗资源薄弱地区。结合低浓度阿托品或角膜塑形镜的疗效监测，算法可动态生成个体化“近视风险热力图”，辅助医生优化干预时机。 当前，全国眼科学术会议与视光产业论坛上，此类“稀疏数据学习”成为交叉研究热点，有望与屈光发育档案、多焦软镜验配数据联动，推动视光中心向数据驱动转型。