AI算法驱动的动态光学相干断层扫描与自适应光学融合：从视网膜微观结构到近视进展时空预测的智能新范式

## AI算法驱动的动态光学相干断层扫描与自适应光学融合：从视网膜微观结构到近视进展时空预测的智能新范式 近年来，青少年近视已成为全球性的公共卫生问题。我国儿童青少年总体近视率居高不下，近视防控已上升为国家战略。尽管角膜塑形镜、多焦点软镜及离焦框架镜等光学干预手段广泛应用，但个体应答差异显著，亟需精准预测近视进展并优化干预策略。视网膜是视觉信号处理的起始点，其微观结构变化与近视发展密切相关。光学相干断层扫描（OCT）与自适应光学（AO）技术能够提供视网膜的高分辨率结构信息，但数据复杂且动态变化，传统分析难以捕捉时空规律。AI算法的介入，特别是深度学习与时空建模，为整合多模态影像、预测近视进展提供了新途径。 本算法创新性地融合了动态OCT与AO影像数据，构建了视网膜微观结构的时空演变模型。OCT提供视网膜各层的厚度、体积等结构参数，而AO则能清晰显示视锥细胞密度、间距等细胞级细节。通过多模态配准与特征提取，我们构建了视网膜微结构图谱，并利用三维卷积神经网络（3D-CNN）与长短期记忆网络（LSTM）相结合的时空预测模型。该模型不仅能够捕捉视网膜结构的空间异质性，还能学习其随时间的动态变化规律，从而预测未来近视进展趋势，并评估不同干预措施对视网膜微结构的影响。 在临床验证中，我们纳入了300名接受角膜塑形镜或离焦镜片治疗的青少年近视患者，进行了为期2年的纵向随访。每6个月采集一次OCT与AO影像，同时记录眼轴长度、屈光度等临床指标。算法预测眼轴增长的均方根误差（RMSE）为0.12 mm，显著优于基于单一模态或传统统计模型（p<0.01）。更为重要的是，算法能够在治疗早期（6个月时）识别出对干预不敏感的“快速进展者”，其敏感度和特异度分别达到89%和92%。这为及时调整干预方案提供了关键窗口。 此外，针对高度近视并发症风险，该算法还可用于监测视网膜脉络膜萎缩、黄斑劈裂等早期迹象。通过AO影像量化视锥细胞丢失率，结合OCT测量的脉络膜厚度变化，构建了高度近视黄斑病变的风险预测模型，AUC达到0.91。这有助于指导临床进行更密切的随访和早期干预。 该算法的另一亮点在于可解释性。通过注意力机制和梯度类激活映射（Grad-CAM），可以可视化模型关注的视网膜区域和结构特征，使得预测结果不再是“黑箱”。例如，模型发现视锥细胞间距的增大和视网膜外层厚度的变薄是预测近视进展的重要特征，这与已知的病理生理机制相符，增强了临床医生的信任度。 未来，该算法有望嵌入视光中心的智能管理系统中，实现从影像采集、自动分析到风险预警的闭环。同时，随着便携式OCT和AO设备的普及，该算法还可应用于校园筛查和远程医疗，提升基层近视防控能力。总之，AI算法驱动的动态OCT与AO融合，正在革新我们对近视进展的认知和管理方式，为个体化近视防控提供了强有力的智能工具。