一张眼底照片,AI就能判出近视分级:准确率91%

"你家孩子多少度？"——这是家长之间最常见的问法，但在眼科医生眼里，"多少度"其实不是最有信息量的那个数字。

真正决定后续方案的是"分级"。临床按照屈光不正程度把近视分成四档：

• • 轻度：−0.50 D  −3.00 D（50300 度）
• • 中度：−3.00 D  −6.00 D（300600 度）
• • 高度：−6.00 D  −9.00 D（600900 度）
• • 超高度：低于 −9.00 D（900 度以上）

分级的差别不是"换厚一点的眼镜"这么简单。高度近视往往伴随眼轴拉长带来的不可逆解剖改变，视网膜脱离、黄斑变性的风险显著上升，需要更有针对性的并发症筛查；而不同程度的近视，对应的干预策略也完全不同。

问题是：准确分级依赖验光，而验光需要设备、需要配合、需要专业人员。 在学校、社区、基层医院这类大规模筛查场景里，验光资源恰恰是最紧缺的一环。

2025 年，中国科学院合肥物质科学研究院的团队在 BioMedical Engineering OnLine 发表了一项研究，给出了另一条路径：只用一张眼底照片，让 AI 直接判出近视属于哪一级。 他们提出的轻量化模型 X-ENet，在五折交叉验证下准确率达到 91.04%，比表现最好的经典卷积网络（Xception，85.79%）高出 5.25 个百分点；而且模型足够轻，可以跑在普通个人电脑上，还配了一个可视化操作界面。

下面把这项研究完整讲清楚。

一、为什么一张眼底照片，能看出近视程度？

先解释一个容易被忽略的生理事实：近视不只是"屈光度"这一个数字，它会在眼底留下可见的结构改变。

眼轴持续拉长，会伴随一系列不可逆的解剖变化——视网膜变薄、视盘扩大等。这些变化正是区分不同屈光状态的重要指标，也意味着眼底照片不只是"查眼病"的工具，它同样携带了判断近视程度的结构信息。

这个思路并不新。2018 年，Varadarajan 等人首次用深度学习从眼底照片预测屈光误差，证明了可行性；2021 年 Shi 等人的 MDNet 在 Optos 广角眼底图上做到平均绝对误差 1.1150 D；2024 年 Qi 等人的 DeepMyopia 用 160 万张眼底图预测儿童近视发生，AUC 超过 0.90。

但研究者在梳理已有工作时，指出了四个反复出现的共性问题：

（1）模型普遍偏重。 多数研究用 CNN，有些还叠加注意力机制或 LSTM 时序结构，设计复杂、算力需求高，专门做轻量化设计的研究相当稀少——而"能不能部署到基层设备上"恰恰决定了它能不能真的用起来。

（2）预处理不当会丢细节。 有些研究在预处理阶段过度损失图像细节，反而伤害了模型的泛化能力和稳定性。

（3）精度不够且缺乏可解释性。 模型给出结论，但说不清依据。

（4）对设备和环境过于敏感。 换个相机、换种光照，性能就明显下滑。

X-ENet 就是冲着这四个问题来的。

二、数据集：863 人、1637 张眼底照，四个等级几乎均衡

研究采集了 863 例近视患者（18~60 岁）的 1726 张眼底照片，经筛选后保留 1637 张作为最终数据集（剔除率 5.16%）。

采集设备是一台 FS-C1 数字眼底摄影与荧光检查仪：外接 2410 万像素专业单反相机，50° 广角视野（能覆盖视网膜结构、尽量减少拼接需求），采用两点对齐与自动眼位识别机制，成像时间小于 1 秒，并支持数字化存储。

数据分布如下：

值得注意的是，超高度近视组的剔除比例高达 14.01%，远高于其他三组。这很合理——度数越高，眼底病变和成像质量问题的概率越大，合格图像越难拿到。这也提示了一个现实约束：越是需要筛查的高危人群，图像质量反而越难保证。

四个等级最终样本量在 405~415 之间，分布相当均衡。这一点很重要：多分类任务里，类别不均衡会让"准确率"这个指标严重失真（模型只要全部猜多数类就能拿到高准确率），而这里不存在这个问题。

三、预处理三板斧：先把"没用的部分"去掉

原始眼底照片里有大量干扰：睫毛、眼睑造成的阴影与高光遮挡，以及眼底区域之外的大片黑色背景。这些都会拖累特征提取。

研究用了三步处理：

第一步，霍夫圆检测自动定位眼底区域。 输出圆心坐标与半径，再据此计算最小外接正方形进行裁剪，把边缘无关背景彻底去掉。

第二步，改良版 Sobel 边缘检测。 传统 Sobel 算子只能在 x 和 y 两个方向计算梯度，团队额外引入了 45° 和 −45° 两个卷积核，提高对对角方向边缘的敏感度。这样血管边界和视盘的提取精度明显提升。

第三步，傅里叶变换提取高频信息。 有意义的高频成分能增强特征表达与多样性，帮助模型抵抗噪声；把高频与低频成分结合起来，模型就能在多个频率尺度上分析图像，收敛更快、泛化更好。

最后统一归一化到 [0, 1]。

▲ 图 3：眼底图像预处理结果。(a) 裁剪后的图像；(b) 改良 Sobel 算子生成的梯度图；(c) 高频成分；(d) 高低频结合后的图像。

预处理到底有多大用？研究做了消融对比：

结论很清晰：两种方法各自单独用都有提升，结合起来效果最好——相比完全不预处理，准确率提高了 2.3 个百分点。这个提升幅度看似不大，但考虑到 91% 这个基数，每一点都很珍贵。

另外，为了在小样本条件下抑制过拟合，研究还用了六种图像增强手段：随机旋转、水平/垂直翻转、随机比例缩放、加入均值 0 方差 0.5 的高斯噪声、CLAHE 对比度受限自适应直方图均衡化、以及基于梯度幅值的二值化。

四、X-ENet 的三件"轻量化利器"

X-ENet 的架构设计围绕一个核心矛盾展开：眼底图像个体差异大、需要足够强的特征提取能力；但要能部署在基层设备上，又必须足够轻。 研究用三个关键组件来平衡这一矛盾。

（1）动态卷积（Dynamic Convolution）。

传统卷积的卷积核是训练完就固定的。动态卷积则通过注意力机制自适应地聚合多组卷积核——每组核的权重由输入特征决定，模型能针对当前图像动态生成最合适的核组合。

为什么这对眼底图特别重要？因为患者的年龄和眼部健康状况不同，眼底图像差异很大，而不同近视等级下视网膜血管的结构和形态模式也各不相同。动态卷积让模型能灵活适应这些变化，从而更好地区分视觉上非常相似的类别——比如中度和高度近视。代价是额外的计算开销和参数优化复杂度。

（2）深度可分离卷积（Depthwise Separable Convolution）。

用来抵消动态卷积的开销。它把标准卷积拆成两步：深度卷积在每个通道上独立做空间特征提取（计算复杂度随输入通道数线性增长，而不是平方级），再用 1×1 的点卷积融合通道间信息、调整特征维度。

（3）ECA 通道注意力。

ECA（Efficient Channel Attention）用一维卷积替代了传统 SE 模块里的全连接层，大幅降低计算量和参数量，同时无需全局交互就能捕捉通道间依赖。对于结构复杂、特征细碎的眼底图像，这个设计尤其合适；相比 CBAM 和非局部注意力机制，ECA 引入的额外计算几乎可以忽略。

此外，网络还引入了残差连接与密集连接，保证梯度稳定流动、促进特征复用——这在小样本学习场景下对泛化能力至关重要。

整个网络分四个阶段：

1. 1. 动态卷积特征提取：两个 3×3 动态卷积层，输出 64 通道，输入尺寸 224×224×3；
2. 2. Basic block1（残差 + 深度可分离）：3 个 Main module1 加 1×1 卷积跳跃连接，输出 728 通道、28×28；
3. 3. Basic block2（密集连接 + 深度可分离）：4 个密集连接块，增长率 k = 12，输出保持 728 通道、28×28；
4. 4. Basic block3（深层卷积堆叠）：输出提升到 2048 通道、尺寸降到 14×14，整合多尺度全局特征。

两个阶段之间各插入一个 ECA 注意力模块。最后经 1×1 全局平均池化与全连接层输出分类结果。

▲ 图 7：X-ENet 整体架构：动态卷积层 → BN-ReLU6 → Basic block1 → ECA 注意力 → Basic block2 → ECA 注意力 → Basic block3 → BN-ReLU6 → 最大池化 → 全连接层 → 输出。

训练配置：PyTorch 框架，Intel i5-12400F + RTX 3070 + 32 GB 内存；Adam 优化器，初始学习率 0.001，自适应学习率调度，交叉熵损失，批量大小 32，早停防止过拟合。

五、结果：91.04% 准确率，领先最强基线 5.25 个百分点

研究把 X-ENet 与 11 个经典网络做了横向对比，全部在同一数据集上以五折交叉验证方式训练评估：

X-ENet 在所有指标上都排第一。相比最强的基线 Xception，准确率高出 5.25 个百分点；相比表现最弱的 ConvNeXt，高出 36.37 个百分点。特异度 0.9376 意味着模型识别"非目标类别"的能力很强——在临床上，这直接对应更低的假阳性率。

研究者特别指出：AlexNet 和 DenseNet201 在识别高度近视时表现很差，原因很可能是它们捕捉视网膜图像中细微结构变化的能力不足。而 X-ENet 在相邻类别之间（比如中度与高度）的区分能力更强，这一点在混淆矩阵里可以直接看到。

▲图 4：X-ENet 的训练过程与评估结果。(a) 训练损失曲线；(b) 验证损失曲线；(c) 训练准确率曲线；(d) 验证准确率曲线；(e) 五折合并后的混淆矩阵。五折曲线高度一致，说明训练稳定。

六、混淆矩阵里更细的答案（以及一处需要留意的不一致）

把图 4e 的混淆矩阵逐格数出来，能得到比单一准确率更有信息量的画面：

对角线合计 1488 张，总数 1637 张，总体准确率 90.9%，与论文报告的 91.04%（五折平均）一致。

更值得关注的是四类的召回率高度接近（90.8%~91.0%），没有任何一类被"牺牲"。这说明均衡的数据集确实起到了作用——模型没有偏向多数类。

错误则主要落在相邻等级之间（例如高度被判为超高度 13 张、低度被判为超高度 16 张），这也符合预期：相邻等级的眼底特征本就更接近，而跨级误判相对更少。研究者也把"针对边界病例做进一步优化"列为了未来方向。

不过这里有一处必须指出来的问题。

论文报告的精确率 0.8154、召回率 0.8177、F1 0.8147，与它自己报告的准确率 0.9104、以及图 4e 的混淆矩阵在数学上难以自洽：在四类样本量基本均衡（405~415 张）的情况下，91% 的准确率必然对应约 91% 的宏平均召回率，不可能只有 81.8%。按混淆矩阵反推，四类的精确率分别约为 91.1%、93.5%、88.5%、90.6%，宏平均约 90.9%。

也就是说，0.8154 这组数字大概率来自某种不同的计算口径（或统计环节出错），而不是模型真实的类别级表现。引用这组指标时，建议以混淆矩阵反算的结果为准，或直接引用 0.9104 这个准确率。这不影响"X-ENet 优于基线模型"的结论——因为表 3 中所有模型用的是同一套口径，横向比较仍然成立。

七、模型"看"的是哪里？Grad-CAM 给出了答案

医疗 AI 最常被质疑的是"黑箱"。研究用 Grad-CAM 从高层特征层提取梯度信息，生成了类别激活热力图。

▲ 图 5：不同近视等级的类别激活热力图。(a) 低度；(b) 中度；(c) 高度；(d) 超高度。

结果相当有意思：

• • 模型主要关注视盘、黄斑和血管分布等关键解剖结构，而不是眉毛、睫毛或图像边缘；
• • 随严重程度上升，关注区域逐步扩大：低度和中度近视的激活区域主要集中在视盘及其邻近血管；到了高度和超高度近视，激活区域显著扩大、强度增强，覆盖黄斑、视盘和更广泛的周边血管。

研究者认为，这与近视进展相关的生理改变相符，从而验证了模型特征提取过程的有效性和合理性。换句话说，模型不是靠"猜"，它盯住的确实是会随近视进展而改变的结构。

八、不只停在论文里：一个能直接用的桌面工具

研究团队用 PyQt5 和 Python 把 X-ENet 集成成了一个可视化平台，包含五个功能模块：

1. 1. 图像上传：支持常见格式的眼底图像；
2. 2. 图像预处理：标准化处理并可视化类别激活热力图，标出模型关注区域；
3. 3. 分类：用预训练的 X-ENet 给出近视等级；
4. 4. 结果分析：通过交互界面显示分类结果与置信度；
5. 5. 历史记录：保存图像名称、分类结果与置信度，支持回顾分析。

▲ 图 6：近视等级分类 GUI 平台。(a) 用户界面；(b) 分类结果与热力图显示（示例结果：M，置信度 99.83%）。

从"论文里的模型"到"医生能点开用的工具"，这一步经常被跳过。这项研究把它做了出来，也是它区别于多数同类工作的实际价值之一。

九、局限：三点作者提到的，和三点需要你自己留意的

作者明确列出的改进方向：

• • 数据集规模有限、来源单一。计划与医疗机构合作，纳入不同地区、不同设备、不同人群的眼底图像，提高数据多样性和模型适应性；
• • 图像质量干扰尚未彻底解决。后续将引入自适应滤波与去噪技术，去除睫毛阴影、反光等伪影，同时保留关键结构细节；
• • 单模态信息不足。计划构建融合眼底图像与关键临床参数的多模态框架，并开展前瞻性临床试验，用眼科医生的反馈检验模型的解释性、可用性和临床价值。

另外三点，读者自己需要留意的：

第一，这项研究没有做外部验证。 全部结果都来自同一数据集上的五折交叉验证。五折交叉验证能反映模型在"同源数据"上的稳定性（图 4 中五折曲线确实高度一致），但它无法回答"换一家医院、换一台相机还准不准"。

第二，部分对照模型的成绩异常偏低。

第三，数据集年龄是 18~60 岁，不含儿童青少年。

十、这项研究的位置：把"能不能做"推进到"能不能用"

把 X-ENet 放回已有的研究脉络里看，它的差异化定位很清楚：

• • 2018 年 Varadarajan 等证明了可行性；
• • 2021 年 MDNet 把误差压到 1.1150 D，2024 年 DeepMyopia 把规模做到 160 万张图、AUC > 0.90——证明了精度可以很高；
• • 2023 年 Linde 等用手持眼底相机做到 75% 准确率，但受光照、手机硬件一致性和可解释性限制——暴露了落地难题。

X-ENet 选择了另一条路：不做最复杂的模型，而做最能落地的那一个。

它的三个选择都指向"可用"：分类而非回归（直接输出临床需要的等级）、轻量化设计（能在普通电脑上跑）、可解释 + 有界面（医生看得懂、点得开）。

这条路线的价值不该被低估。在视力损伤的防控链条上，最大的瓶颈往往不是"顶尖医院能不能做对诊断"，而是"资源有限的地方能不能做到初步筛查"。一个 91% 准确率、能在普通 PC 上运行的分类工具，和一篇 SOTA 论文相比，前者能覆盖的人可能多出几个数量级。

当然，它距离真正的临床部署还有几步要走——外部验证、儿童人群验证、指标口径的澄清。但方向是清楚的：让 AI 眼科筛查，从实验室走到诊室和校园里。

文献信息

Xing WM, Li XN, Ni JS, Zhang YZ, Li ZS, Liu Y, Wang YK, Huang Y. Deep learning for predicting myopia severity classification method. BioMedical Engineering OnLine, 2025, 24: 85. DOI: 10.1186/s12938-025-01416-2