AI模型在诊断近视、评估风险因素和预测方面具有巨大潜力

目前，近视困扰着全球超过20亿人。如果不加以矫正，近视会严重损害视力，影响教育、就业机会和整体生活质量。预计到2050年，全球近一半人口将受到近视的影响。尤其是高度近视，它会导致严重的并发症，甚至导致永久性视力丧失，进一步加重个人和经济负担。早期诊断对于防止长期视力损害和有效控制近视发展至关重要。

近视是一个日益严重的全球性健康问题，它会损害视力和生活质量，但早期诊断是预防的关键。人工智能通过机器学习和深度学习，在检测、评估和预测近视方面展现出巨大的潜力，尽管数据质量和临床接受度等挑战仍然存在。图片来源：Openverse 的 Chris Urbanowicz

人工智能 (AI) 已成为解决这一日益严重的公共卫生问题的有力工具。机器学习(ML) 和深度学习 (DL) 等人工智能技术可以分析复杂的医疗数据，支持疾病诊断，识别风险因素和生物标志物，并预测临床结果。

在2025年3月18日发表于《儿科调查》杂志的一篇最新文献综述中，首都医科大学眼科的李莉博士、余继峰博士和刘楠博士探讨了人工智能在近视领域的应用及其当前面临的挑战。他们的综述重点介绍了人工智能如何辅助近视的检测、风险评估以及预测模型的开发，从而改善患者护理。

人工智能近视检测

有趣的是，可以使用机器学习/深度学习训练人工智能模型，通过眼底照片和光学相干断层扫描图像检测近视。通过向模型输入大量近视患者的眼底图像，可以训练人工智能辨别与近视相关的视网膜颜色和图案的细微变化。这使得该模型能够根据眼底照片诊断未来的患者。

此外，诸如 SVOne（一款使用波前传感器测量眼部缺陷的手持设备）之类的自我监测设备，可以利用人工智能算法检测眼部屈光不正。该设备可以访问在线图像数据库，人工智能可以将其作为参考来诊断近视。此外，人工智能还可以接受训练，检测与近视发作相关的行为变化。这种检测对于儿童近视的早期发现尤其有用，否则儿童近视往往会被忽视。例如，Vivior 监测器使用机器学习算法来记录 6-16 岁儿童视觉行为的变化，例如近视活动的时间。

识别和评估风险因素

此外，可以采用支持向量机、逻辑回归和 XGBoost 等机器学习方法来识别近视的风险因素。

李莉博士解释说：“基于 XGBoost 的模型可以接收大量纵向数据，从而了解众多患者的近视结果及其相关风险因素。这反过来又使该模型能够根据新患者的遗传、家族史、环境和生理参数来评估他们的风险因素。”

预测近视的进展和结果可以帮助医生调整临床治疗方案。从宏观层面来看，它可以影响临床实践和政策制定，从而有助于控制近视。通过向人工智能模型输入大量近视患者的生物特征数据、屈光数据、治疗反应和眼部图像，人工智能可以学习预测新患者的近视结果。

尽管人工智能在近视治疗方面潜力巨大，但仍需克服若干挑战。首先，必须确保用于训练人工智能模型的数据集正确且高质量。偏差、假阴性/阳性以及数据质量差会对模型的诊断和预测准确性产生负面影响。其次，大多数人工智能模型都是使用来自大型医院的数据进行训练的，这些数据可能无法代表前往小型诊所的患者。这造成了现实世界与训练人群之间的差异。第三，人工智能模型并非训练有素的医生，可能无法为其诊断提供临床依据，这可能导致诊断被医疗专业人员拒绝。最后，由于用于训练人工智能模型的患者数据量如此之大，因此确保患者病历的隐私至关重要。

余继峰博士总结道：“虽然我们的研究凸显了人工智能在近视临床应用方面取得的显著进展，但仍需进一步研究以克服技术挑战。通过构建高质量的数据集，提升模型处理多模态图像数据的能力，以及改进人机交互能力，人工智能模型可以得到进一步改进，从而实现更广泛的临床应用。”

编译自/scitechdaily