光学与算法共舞：从视网膜形态到巩膜生物力学的近视防控影像新维度

近视已成为全球性的公共卫生问题，特别是在东亚地区，青少年近视率居高不下。传统的近视防控主要依赖于屈光度数和眼轴长度的监测，然而这些指标往往滞后于眼球结构的早期变化。近年来，影像技术的飞速发展，使得我们能够从更微观的层次揭示近视发生发展的机制。其中，扫频OCT（SS-OCT）和光学相干弹性成像（OCE）的联合应用，结合人工智能（AI）算法，为近视防控开辟了新的维度。 ## 从眼轴到巩膜：近视进展的结构基础 眼轴增长是近视最显著的特征，但眼轴增长的根本原因在于巩膜的主动重塑。巩膜作为眼球的外壳，其生物力学特性的改变（如刚度下降、蠕变增加）是近视进展的关键因素。然而，以往对巩膜生物力学的评估多依赖于离体实验或有限元模拟，难以在活体上实现。光学相干弹性成像（OCE）技术的出现，改变了这一局面。 OCE通过测量组织在外部激励下的形变来评估其力学特性。在眼科中，OCE可以与OCT系统集成，利用OCT的高分辨率成像能力来追踪组织位移。例如，采用声辐射力或气压脉冲作为激励，诱发巩膜的微小形变，再通过OCT检测形变幅度和传播速度，从而计算出巩膜的弹性模量。近期研究显示，在近视动物模型中，OCE能够检测到巩膜硬度的降低，且这种变化早于眼轴的显著增长。这提示，巩膜生物力学的改变可能是近视启动的早期事件。 ## AI助力：从形变图像到力学参数的精准提取 然而，OCE数据的处理较为复杂，需要从序列OCT图像中提取组织位移场，并反演力学参数。传统的处理方法往往计算量大、速度慢，且对噪声敏感。AI的引入，极大地提升了该过程的效率和准确性。 深度学习算法，如卷积神经网络（CNN）和循环神经网络（RNN），可以直接从OCE的原始图像中预测组织的力学特性，而无需显式的物理模型。例如，利用模拟数据训练的CNN，可以快速从位移图中提取弹性模量分布，其准确性与传统反演方法相当，但速度提升数个数量级。此外，AI还可以自动分割巩膜区域，并提取纹理特征，从而与力学参数建立关联，实现更高层面的综合分析。 ## 影像组学：挖掘肉眼不可见的信息 除了直接测量力学参数，影像组学（Radiomics）方法可以从OCT图像中提取大量定量特征，如纹理、形状、灰度统计等，这些特征可能蕴含着巩膜重塑的微观信息。例如，在高度近视患者中，巩膜胶原纤维的排列紊乱可能导致OCT图像中的纹理特征发生变化。通过机器学习模型，可以筛选出与近视进展相关的高维度特征，构建预测模型。 一项针对青少年近视患者的研究发现，基于SS-OCT的影像组学特征，结合临床参数（如年龄、基线屈光度），可以较好地预测未来一年的近视进展速度，其AUC达到0.85以上。这表明，即使没有直接的力学测量，常规OCT图像中也包含了与巩膜生物力学状态相关的信息，AI可以帮助我们挖掘这些信息。 ## 多模态融合：结构、力学与功能的综合评估 未来的近视防控影像评估，将是多模态、多维度的。SS-OCT提供高分辨率的结构图像，OCE提供力学特性，OCT血流成像（OCTA）提供脉络膜和视网膜血流信息，而自适应光学（AO）技术甚至可以观察视锥细胞的形态。AI则充当“胶水”，将这些不同尺度的信息融合起来，形成一个全面的眼球健康画像。 例如，在评估一种新型近视防控干预措施（如低强度红光照射）的效果时，我们可以同时监测眼轴长度、脉络膜厚度、巩膜硬度以及视网膜微循环的变化，并通过多模态AI模型分析这些指标之间的相互作用，从而更深入地理解干预机制。 ## 临床转化：从研究到应用 尽管OCE和AI的结合在近视防控中展现出巨大潜力，但其临床转化仍面临一些挑战。首先，OCE设备的成本较高，且操作相对复杂。其次，缺乏大规模的临床验证数据。不过，随着技术的不断进步，便携式、低成本的OCE系统正在开发中。同时，基于AI的自动分析软件也日益成熟，使得非专业人员也能获得可靠的力学参数。 在我国，青少年近视防控已上升为国家战略。2021年，教育部等十五部门联合印发《儿童青少年近视防控光明行动工作方案（2021—2025年）》，强调加强儿童青少年视力健康管理，推动近视科学防控。视光中心作为近视防控的前沿阵地，正在积极引入先进的影像技术，提升服务能力。例如，部分视光中心已经配备了带AI分析功能的OCT设备，能够自动测量眼轴长度、前房深度等参数，并生成近视风险评估报告。而OCE技术，未来有望成为视光中心评估巩膜健康、指导个性化干预的重要工具。 ## 结语 从宏观的眼轴到微观的巩膜生物力学，影像技术正在不断拓宽我们理解近视的视野。光学与算法的深度结合，不仅为我们提供了更全面的评估工具，也为近视机制的探索开辟了新的道路。相信在不久的将来，基于OCE和AI的巩膜力学评估将成为近视防控的常规手段，为儿童青少年的眼健康保驾护航。