专访常教授：眼科AI大模型与多组学数据驱动的近视精准防控——从基因风险评估到个性化干预新范式

**记者**：常教授，您好！感谢您接受我们的专访。近年来，人工智能在眼科领域的应用如火如荼，尤其在近视防控方面，AI筛查、预测模型已经逐步落地。但我们也看到，从“预测”到“精准干预”之间仍存在鸿沟。您作为眼科人工智能与大数据研究的领军专家，能否谈谈AI在近视防控中的最新突破？ **常教授**：确实，AI在近视领域的应用正从单纯的图像识别向多模态数据融合和因果推理迈进。过去我们主要用AI分析眼底照片或OCT来识别高度近视的眼底病变，现在则更多关注如何利用AI预测近视发生发展的风险，并指导个体化干预。例如，我们团队近期基于大规模儿童青少年队列，整合了基因组、环境暴露、用眼行为、屈光发育等多组学数据，构建了一个多任务深度学习模型，可以同时预测未来3年的近视发生概率和眼轴增长速度，其AUC达到0.92以上。更重要的是，模型能够输出主要风险因素贡献度，比如户外活动不足、近距离用眼过长、父母近视史等，这就为临床个体化干预方案提供了依据。 **记者**：这种多组学模型确实令人振奋。那么在实际临床或视光中心场景中，这样的模型如何落地？有哪些挑战？ **常教授**：落地需要解决标准化和数据孤岛问题。我们正在与多个视光中心和眼科医院合作，建立标准化的数据采集流程，包括统一验光、眼轴测量、问卷调查等。同时，我们开发了一个轻量化的AI辅助决策系统，可以部署在视光中心的电子病历中，自动抓取数据并给出风险分级和干预建议。挑战主要在于数据质量不一致、家长对基因检测的接受度以及模型的可解释性。我们正在通过联邦学习跨机构训练模型，保护数据隐私的同时提升泛化能力。另外，模型输出的建议需要结合视光师的临床判断，不能完全替代人工。 **记者**：您提到基因检测，目前近视相关基因检测在临床上应用如何？AI模型如何整合基因信息？ **常教授**：目前已有一些商业化的近视基因检测产品，主要针对高度近视相关的单基因病或易感基因多态性。但多基因风险评分（PRS）在近视预测中的价值仍存在争议。我们的模型并不直接使用SNP数据，而是将PRS作为一维特征输入，同时结合父母屈光状态等家族史信息，以弥补直接基因检测的不足。未来随着全基因组测序成本下降和更大规模GWAS研究，基因信息将更精准地融入预测模型。 **记者**：除了预测，AI在干预效果评估和随访管理方面有哪些应用？ **常教授**：我们正在开发一个基于眼轴增长曲线的智能随访系统。通过定期输入眼轴、屈光度等数据，系统可以动态评估当前干预措施（如角膜塑形镜、低浓度阿托品、户外活动等）的效果，并给出调整建议。例如，如果一名儿童佩戴OK镜后眼轴增速仍高于同龄人95%百分位，系统会提示联合使用低浓度阿托品或增加户外活动。这种闭环管理能显著提高干预的依从性和精准性。此外，我们还利用可穿戴设备收集光照和用眼距离数据，结合AI分析，提供实时行为干预提醒。 **记者**：您认为AI在近视防控领域未来最重要的突破方向是什么？ **常教授**：我认为是因果推断和可解释性AI。目前的预测模型大多是相关性模型，无法回答“为什么”和“如果改变某个因素会怎样”。我们正在尝试将因果发现算法应用于纵向队列数据，识别近视发生的关键因果路径，并模拟不同干预策略的效果。这将为制定公共卫生政策和个体化防控方案提供更可靠的证据。另外，大语言模型（LLM）在眼科教育和患者沟通中的应用也值得关注，比如智能问答系统、病历自动生成等。 **记者**：最后，请您对视光中心和基层眼科医生在应用AI技术时有什么建议？ **常教授**：首先，不要盲目追求最新的算法，而应关注经过充分验证、有公开数据支持的工具。其次，AI是辅助而非替代，视光师的临床经验和人文关怀依然不可或缺。建议视光中心逐步建立标准化的眼健康档案，将AI筛查和预测纳入常规流程，同时加强人员培训，提高数据素养。最后，积极参与多中心研究和数据共享，共同推动中国儿童青少年近视防控的精准化进程。 **记者**：非常感谢常教授的精彩分享！我们期待AI技术为近视防控带来更多突破。 **常教授**：谢谢！