AI算法辅助的巩膜硬度在体评估：从OCT弹性成像到近视防控精准干预的智能跃迁

在青少年近视防控进入精准化时代的今天，巩膜生物力学特性——特别是巩膜硬度——已成为预测近视进展和评估干预效果的关键指标。然而，传统巩膜硬度测量依赖离体组织力学测试或侵入性压痕技术，难以实现临床在体、无创、动态监测。随着光学相干断层扫描（OCT）弹性成像和人工智能算法的结合，这一瓶颈正被突破，为个性化近视管理开辟了新路径。 ## 从图像到力学：OCT弹性成像的技术瓶颈 OCT弹性成像通过捕捉组织在外部激励（如眼压波动、声辐射力或轻微机械压迫）下的微形变，反演组织的弹性模量。然而，巩膜是各向异性、非线性的胶原纤维结构，其形变信号微弱且易受噪声干扰，传统互相关算法和迭代反演方法计算量大、精度有限，难以满足临床实时需求。此外，眼内压的动态变化、脉络膜血管搏动等生理噪声进一步增加了信号提取难度。 ## 深度学习赋能弹性反演：从逐像素到端到端 近年来，AI算法尤其是深度学习在OCT弹性成像中的应用展现了巨大潜力。卷积神经网络（CNN）可以直接从OCT干涉信号或B-scan图像中预测局部应变场，绕过复杂的相位解缠和机械模型拟合，将计算速度提升两个数量级。例如，采用U-Net架构的网络通过训练模拟与离体实验数据，能够从单帧OCT结构图中预测巩膜组织在既定眼压变化下的位移场，进而计算弹性模量分布，误差小于8%。 更进一步，物理信息神经网络（PINN）将弹性力学方程嵌入损失函数，在少量实测数据下实现高精度反演。这种算法不仅保证了输出符合物理规律，还显著降低了对大规模标注数据的依赖，尤其适合巩膜这种异质性组织。一项针对离体猪眼巩膜的研究显示，PINN反演的弹性模量与微压痕测试结果高度相关（R²=0.93），且具备对局部刚度变化的敏感性。 ## 从科研到临床：AI辅助在体巩膜硬度评估的实践 在临床转化方面，已有团队将AI-OCE系统用于评估近视儿童巩膜硬度。一项纳入120名8-12岁儿童的前瞻性研究中，OCT弹性成像结合卷积神经网络分析显示：高度近视儿童的巩膜弹性模量显著低于低度近视和正视儿童（P<0.001），且巩膜后极部刚度与眼轴年增长率呈负相关（r=-0.67）。基于此，研究者构建了包含巩膜硬度、年龄、屈光度和眼轴长度的多模态预测模型，预测未来一年快速近视进展的AUC达到0.91。 此外，AI算法还被用于评估干预措施对巩膜硬度的动态影响。例如，在角膜塑形镜（OK镜）佩戴者中，通过定期OCT弹性成像发现，有效控制近视的个体其后极部巩膜硬度在3个月内出现适应性增加，而控制不佳者无明显变化。这一发现提示，巩膜硬度可能成为评估OK镜个体化疗效的早期生物标志物，也为调整干预方案提供了客观依据。 ## 技术挑战与未来方向 尽管前景广阔，AI-OCE在体应用仍面临挑战： - **运动伪影**：眼球微颤动和头部移动会引入噪声，需结合实时追踪和运动补偿算法。 - **标准化激励**：缺乏统一的生理激励方式，不同设备间数据可比性差。 - **泛化能力**：模型需在跨设备、跨种族数据上验证，避免过拟合。 未来，结合多模态数据（OCT结构像、血流成像、巩膜硬度图）和时序变化，AI有望建立巩膜生物力学的纵向数字孪生，为近视防控提供“力学表型”指导。同时，可解释AI（如注意力图）有望揭示巩膜微结构（胶原纤维走向、成纤维细胞活性）与力学特性的关联，推动靶向药物（如巩膜交联剂）的研发。  ## 结语 AI算法与OCT弹性成像的融合，使在体无创评估巩膜硬度成为现实，不仅深化了对近视发病机制的理解，也为个体化防控策略的制定与动态调整提供了全新工具。随着算法轻量化、标准化和临床验证的推进，这一技术有望从科研走向视光中心和眼科门诊，成为青少年近视管理智能决策系统的核心组件。