近视防控的AI新视角：基于眼动追踪与注意力的智能评估算法

在青少年近视防控日益精细化的当下，传统的视力筛查与屈光检查已难以全面捕捉近视发生发展的行为学诱因。近年来，眼动追踪技术与AI算法的深度融合，正为理解“如何用眼”开辟全新维度。与侧重眼部结构的OCT影像分析不同，该方向聚焦于视觉行为本身，通过解析阅读、书写及屏幕使用时的注视、扫视和追随运动，量化视觉负荷与认知参与，从而实现近视风险的超前预警。 ### 算法核心：从时空序列到行为特征 眼动仪采集的原始数据是高频的注视点坐标时间序列（通常为60-120Hz），直接处理这些数据面临噪声大、个体差异显著等挑战。为此，我们研发了一种基于时空图注意力网络（ST-GAT）的算法框架。首先，将注视序列建模为时空图：节点代表注视点，其属性包含位置、持续时间与瞳孔直径；边则基于时间邻接性与空间距离动态构建。随后，图注意力层自动学习不同注视模式（如回视、长注视）的权重，提取局部视觉搜索策略。 为捕捉长程时序依赖，我们在图卷积后接入Transformer编码器，利用自注意力机制融合多尺度时间信息。最终，算法输出三类量化指标：1）**视觉疲劳指数**，由眨眼频率、瞳孔波动与注视稳定性加权得出；2）**注意力分散度**，基于扫视幅度与任务偏离度计算；3）**近距离工作强度**，由特定距离范围内的注视时长占比与调节滞后量（若设备支持）联合推断。 ### 落地实践：从科研到校园筛查 该算法已在某省视光中心的“数字化读写行为评估”项目中试点应用。500名9-12岁学童在佩戴便携式眼动追踪眼镜（Tobii Pro Glasses 3）后完成20分钟的标准化数字阅读任务，云端算法实时回传行为分析报告。结果发现，视觉疲劳指数位于前25%的学生，其一年后近视进展速度（平均-0.75D）显著快于后25%的学生（平均-0.30D），且该指数的预测效能优于传统问卷评估的近距离用眼时长。 基于此，研究者正构建融合屈光数据、眼轴长度与行为特征的混合预测模型。其中，行为特征（由眼动算法提供）贡献了超过15%的额外解释方差，证实了其独立价值。系统还嵌入了即时反馈模块：当检测到持续近距离注视或阅读距离过近时，通过智能镜架震动提醒，形成“监测-反馈-干预”闭环。 ### 挑战与展望 当前瓶颈在于设备成本与自然场景下数据噪声的鲁棒性问题。未来将借助边缘计算芯片实现算法轻量化，并探索利用普通摄像头（如平板电脑前置摄像头）进行粗粒度眼动估算，降低部署门槛。此外，结合自然语言处理分析阅读材料难度对眼动负荷的影响，亦是值得深耕的方向。 从“看得清”到“如何看”，眼动追踪AI为近视防控提供了行为学尺度的精准量化工具。正如最新《眼科研究》综述所指出的，数字视光时代，算法对视觉行为的解读能力，将成为联结光学干预与行为干预的关键桥梁。