AI筛查“热”下的视光人文“冷”：当算法走进校园，谁来倾听孩子的“视界”独白？

 在西南某小学的视力筛查现场，一台AI眼底相机在短短一个上午完成了800名学生的屈光与眼底快速评估。校医兴奋地展示着实时生成的数据看板：“近视率、视力不良率、屈光参差比例一目了然，比以往人工筛查效率提升了十倍。”然而，在筛查队列的末尾，一个总是眯着眼睛、被标记为“疑似近视”的男孩小声告诉旁边的视光师：“阿姨，我不是看不清黑板，是黑板上的字会动。”——他患有间歇性外斜视，而且因为长期被同学嘲笑“眼神飘”，已经出现了明显的社交回避。 这个细节，没有出现在任何一份AI筛查报告里。 近年来，人工智能在眼科领域的应用突飞猛进。从眼底影像的糖网筛查，到基于深度学习的屈光度预测，再到校园场景下的全自动视力检查，AI以“高效、客观、可复制”的优势迅速占领了近视防控的“第一道防线”。多地卫健委将“AI+视力筛查”纳入基本公卫服务包，一些省份甚至要求在校学生每学期至少接受一次基于数字平台的视力检测。与此同时，资本也嗅到了商机：各类“智能视力筛查仪”“AI视光诊断系统”如雨后春笋般涌现，宣称能够“秒级生成视光档案”“精准预测近视发展趋势”。 然而，当算法敲开校园的大门，我们是否忽略了视光服务中最核心的“人”的维度？ 第一，AI的“二分类”逻辑可能掩盖复杂的双眼视功能问题。现有的绝大多数AI筛查模型基于“视力+屈光”两个核心参数，输出结果往往被简化为“近视/非近视”“需要转诊/继续观察”。这种二元判断固然便于统计和行政决策，却难以捕捉斜视、弱视、调节功能异常、双眼视不平衡等同样影响视觉质量与学习效率的问题。上述男孩的间歇性外斜，在AI筛查的“视力+屈光”算法中几乎必然被归为“近视倾向”，因为他确实有代偿性的眯眼行为，屈光度可能也略有负向漂移。但真正的病因——双眼融合功能失代偿——被完美地忽略了。 第二，筛查后的“数据流转”可能沦为“数字政绩”。在一些地区，教育部门与卫健部门都要求上报覆盖率、异常率、转诊率等指标，但对转诊后的确诊率、干预率和长期随访率缺乏刚性约束。于是，AI筛查产生的海量数据虽然汇聚成漂亮的“驾驶舱”，真正落实到个体眼健康改善的闭环却依然断裂。一位基层视光师坦言：“我们每个月要往区里的近视防控平台上传几千条数据，但很少有孩子拿着筛查报告来复查，家长觉得那就是学校布置的任务。” 第三，对视光师角色的“技术性消解”可能导致专业热情的衰退。当AI能够自动完成裸眼视力、电脑验光、眼轴测量甚至眼底拍照的初步判读，基层视光师的工作似乎只剩下“扫码、引导、维护设备”。一些年轻的视光师开始感到迷茫：“如果筛查都被机器替代了，我们还能做什么？”这种“去技能化”的焦虑，与“AI赋能”的官方叙事形成了微妙的对立。但事实上，AI永远无法替代视光师在病史采集、行为观察、心理安抚和个性化方案制定中的独特价值。那个男孩对“字在动”的描述，只有在一对一的沟通中才会被听见。 那么，当AI筛查成为“标配”，视光人文温度如何回归？ 首先，必须将“双眼视功能评估”纳入AI筛查后的二级复筛体系。对于AI初筛出的“临界近视”“屈光参差”“视力波动”等群体，应由具备资质的视光师进行系统性的视功能检查，包括遮盖试验、融合范围、调节灵活度等。AI应该成为“初筛漏斗”，而不是“诊断终端”。 其次，建立“筛查-报告-转诊-干预-随访”的全流程责任制。每一条筛查数据都应该对应一个“健康责任人”（可以是校医、视光师或签约家庭医生），并且通过脱敏后的数据追踪，评估转诊率和干预依从性。只有让数据“长出腿”，才能真正走进每个孩子的眼睛。 最后，也是最根本的——重新定义视光师在数字时代的角色。AI接管的是重复性、标准化的测量任务，而释放出的时间与精力，应该投入到更需要专业判断与人际沟通的环节：比如低龄儿童的视觉行为观察、近视高危儿童的行为干预辅导、以及家长的健康教育与焦虑疏导。视光中心不应沦为“AI筛查后的配镜流水线”，而应成为“有温度的视觉健康驿站”。 回到那个男孩：半个月后，他在妈妈的陪同下来到视光中心。视光师为他做了详细的视功能评估，确认了间歇性外斜，并推荐了视觉训练方案。一个月后复查，男孩的融合控制能力明显改善，他不再频繁眯眼，笑容也多了起来。“原来不是我看不清，是我的眼睛需要‘做游戏’来练配合。”他笑着说。 AI筛查可以告诉我们“谁可能有问题”，但“问题到底是什么、该怎么帮助他”，仍然需要视光师的一双眼睛和一颗心。技术越冰冷，人文越珍贵。在近视防控的数字化浪潮中，愿我们始终为“人”留一把椅子。