拍一张眼底照,AI 能预判孩子明年近视会不会加深

近视防控最难的一步，不是"要不要管"，而是"该管谁"。

同一间教室里坐着 40 个孩子，同样配了单光眼镜，一年后有人眼轴几乎没动，有人涨了 0.4 毫米。区别到底在哪里？

2026 年 1 月，天津医科大学眼科医院团队在《Frontiers in Cell and Developmental Biology》发表一项 693 名儿童的队列研究：只靠一张眼底彩照加上几个基本信息，机器学习模型就能把"一年内眼轴长得快"的孩子挑出来，验证集 AUC 0.961。

近视防控真正的难题，是"说不准谁会进展"

中国孩子的近视率已经高到不需要再引用数据，麻烦出现在临床操作层面。同样是一年级的孩子，同样配了足矫单光眼镜，一年后眼轴增速可以相差五倍以上。而眼轴每增长 1 毫米，近视大约加深 250 到 300 度，眼轴一旦被拉长就不可逆。

于是近视防控的核心问题从"怎么治"变成了"先管谁"。角膜塑形镜、低浓度阿托品、离焦镜片都有明确的不良反应与成本，把它们用在一年只涨 0.05 毫米的孩子身上是浪费，用在一年涨 0.4 毫米的孩子身上才划算。可临床上目前没有一个生物标志物能提前一年给出答案——论文开篇就点明："目前儿童早期近视眼轴进展尚缺乏生物学标志物。"

眼底彩照本来是最顺手的候选。它便宜、普及、几乎每家医院都能拍，也是视网膜病变诊断的基础。但早期近视的眼底"看起来和正常眼底没有区别"，这正是症结所在：人眼看不出差别，不代表图像里没有信息。

研究团队的想法很直接：既然人眼分辨不出来，那就把眼底照片拆成一批可计算的数字，再交给机器学习去找规律。

把一张眼底照片，变成 144 个数字

研究在天津西青区随机选取一所小学，2024 年 4 月至 2025 年 10 月随访，纳入 6–10 岁儿童，排除有全身疾病、眼外伤、青光眼、白内障、感染性眼病或斜视的孩子，研究期间未实施标准化的近视防控干预。

关键在于"量化"。团队用目标检测与语义分割模型，把眼底照片拆成结构化读数：豹纹状斑与萎缩弧的有无、动静脉的长度与面积与分支角度、血管密度、视盘与视杯的形态和相对位置、黄斑—视盘—血管弓之间的距离。还有一类用高等数学算出的"形状规律性"指标，比如血管分形维数——它用盒计数法求得：拿不同大小的方格去覆盖目标区域，统计每个尺寸下覆盖到血管的小格数量，再对格边长的对数与格数的对数做线性拟合，斜率就是分形维数。数值越低，说明血管网络越简单、越稀疏。最终每个孩子得到 144 个量化指标。

标注由两位有 5 年以上眼底判读经验的眼科医师独立完成，再由一位 8 年以上经验的资深医师做最终裁定，作为参考标准。

研究最终分析了 693 名儿童。这里有一个容易被忽略的现实细节：最初纳入 865 人，172 人被排除，其中 89 人照片质量不合格、83 人眼轴信息缺失。也就是说，大约每 5 张眼底照片里就有 1 张用不了。对任何想把这项技术做成筛查工具的人来说，这个比例都是必须正视的成本。

判定标准是"1 年内眼轴增长是否超过 0.2 毫米"：不超过 0.2 毫米为眼轴非进展组，超过为进展组。

693 个孩子随访一年，65.9% 眼轴明显增长

一年后，457 人（65.9%）的眼轴增长超过 0.2 毫米，236 人（34.1%）未超过。

两组在基线特征上出现了几处有意义的差异。女孩在进展组中占比明显更高（54.9% 对 41.1%，p=0.001）；进展组的等效球镜更低（0.25 D 对 0.75 D，p<0.001）、球镜度更低（p<0.001）、基线眼轴略长（23.21 mm 对 23.08 mm，p=0.043）。豹纹状眼底在进展组中显著更常见，多因素比值比高达 10.95（95% CI 4.81–24.92，p<0.001）。而两组年龄没有显著差异，萎缩弧的有无没有差异，视盘直径、倾斜角、视杯视盘比这些"经典"形态参数同样没有差别。

差异几乎全部集中在血管上：血管分形维数、视盘下方区域分形维数、血管密度、0.5–1.0 PD 血管覆盖密度、黄斑 3 mm 内平均血管密度、下方区域血管密度、视网膜动脉密度、视网膜静脉密度、静脉分形维数、动静脉分支角度、静脉与动脉血管面积，这些指标在两组间普遍显著。

变量筛选走了一条三重管线：先做单因素与多因素回归，再用 LASSO 回归降维（当 log(λ) 达到 0.0037 时二项偏差最小，共选出 39 个变量），最后由眼科专家结合样本量和预测模型可纳入变量数的上限综合判断，确定 12 个预测因子——性别、球镜度、基线眼轴，加上 9 个视网膜定量参数：视网膜静脉密度、静脉分形维数、豹纹状斑的有无、血管分形维数、下方区域平均血管密度、0.5–1.0 PD 血管覆盖密度、动脉血管面积、静脉血管面积、1.0–1.5 PD 内血管面积。

随机森林 AUC 0.961，但它不是最高的那个

七个算法在独立验证集上的表现差异明显。随机森林 AUC 为 0.961（95% CI 0.933–0.984），在所有模型里 F1 分数最高；支持向量机最差，AUC 仅 0.852。

这里有一个论文没有回避、但很多报道会略过的细节：按 AUC 排序，随机森林并不是第一名——LightGBM 的 AUC 是 0.965，比它略高。作者选择随机森林的理由是综合表现更均衡，并且在七个模型里 F1 最高。这是一个合理的工程选择，但也说明冠亚军之间的差距小到没有实际意义，不必过度解读"0.961 这个数字本身"。

比 AUC 更贴近"用起来靠不靠谱"的，是决策曲线与校准曲线。决策曲线分析显示，在临床相关的阈值区间内模型能带来正的净获益；校准曲线显示预测概率与实际观察概率吻合良好。这两条才是模型能不能进诊所的门槛。

最关键的信号，来自视网膜静脉

模型本身是黑箱，因此作者用 SHAP 与 LIME 做归因。SHAP 的排序指向一个相当具体的解剖学故事：最重要的特征依次是视网膜静脉密度、静脉分形维数、豹纹状斑的有无、血管分形维数、下方区域平均血管密度、0.5–1.0 PD 血管覆盖密度、球镜度、动脉血管面积、静脉血管面积、1.0–1.5 PD 内血管面积。

把这些方向连起来看，逻辑是自洽的：视网膜静脉密度越低、静脉与整体血管的分形维数越低，模型判定"会进展"的概率就越高。换句话说，眼底微血管的"稀疏化"本身就是加速眼轴增长的信号。作者的解释是，静脉网络衰减可能反映早期灌注不足与局部代谢应激，进而触发脉络膜—巩膜复合体重塑、降低巩膜硬度，让眼球更容易被拉长。

更有意思的是反方向的那部分：在视盘外 0.5–1.0 PD 和 1.0–1.5 PD 这些环形区域，血管覆盖密度和血管面积越高，反而贡献正向风险。作者把它解读为"区域性的代偿性扩张"——缺氧刺激下局部血管扩张以增强灌注，但这种扩张属于失代偿的重塑，会进一步破坏眼球壁的生物力学稳定性。

合起来，模型描述的是一幅"全局稀疏加局部代偿扩张"的失衡图景，豹纹状斑则是这场慢性应力留下的可见痕迹。作者据此提出一个假设：儿童早期血管发育的密度与复杂度变化，可能早于豹纹状斑的出现，甚至是后者形成的原因之一。

反直觉的结果：度数和眼轴长度几乎帮不上忙

这是全文最值得琢磨的一处。

按常识，一个孩子现在多少度、眼轴多长，应该最能预测他明年涨不涨。但在这项研究里，球镜度与基线眼轴在多因素回归中都不显著：基线眼轴的单因素 OR 仅 1.25（95% CI 1.00–1.56，p=0.049），勉强擦到显著线；进入多因素模型后变成 0.82（0.44–1.50，p=0.516），完全不显著。等效球镜的多因素 OR 为 2.31（0.74–7.24，p=0.149），同样不显著。

作者的解释是：这个队列纳入的是有远视储备或轻中度近视的孩子，年龄区间窄（6–10 岁），屈光状态本身分布集中，预测力自然被压缩。由此推出的临床含义比模型本身更重要——单次的度数与眼轴测量，不足以判断一个孩子是否会快速进展；真正有信息量的是动态的眼轴监测，以及眼底微血管这样的"第二层"指标。

这个结论其实是在给"查一次视力就放心一年"的做法泼冷水。

这项研究能做什么，不能做什么

论文讨论部分列出了四条限制，都值得原样记住。第一，没有做外部验证，作者自己承认结果可能受特定设备影响，泛化能力存疑。第二，所有眼底照片都来自同一城市的同一台 45° 眼底相机，向其他人群与其他成像系统外推需谨慎。第三，随访期间常规屈光矫正的变化没有被记录，可能影响眼轴进展。第四，虽然使用了相对化的眼底指标来削减眼轴相关的放大效应，但没有做正式的 Littmann 或 Bennett 矫正，在眼轴特别长的人群中测量精度会打折扣。

还有一处细节论文自己点明了：豹纹状斑在幼儿期难以定量，研究只能做"有/无"的二分类，而作者认为这种分类方式本身可能改变变量重要性的排序。此外，多因素回归的表格里有若干变量的比值比出现 0.00 或 10 的三十几次方这类无法解释的数值，提示血管类指标之间共线性严重——这影响的是"哪些变量被送进模型"这一筛选环节的可解释性，随机森林本身的预测并不依赖这些系数。作者还注明，本研究部分获得了 EVision Technology（北京）在图像处理上的技术支持，同时声明不存在商业利益冲突。

如果把这套流程当作一支"筛查笔"，它的定位应该很清楚：它不是诊断工具，而是一个分层工具——在资源有限的情况下，帮医生和家长判断哪些孩子需要更密集的随访、更早启动干预。要走到那一步，还缺三件事：跨中心的外部验证、多设备的一致性检验，以及一项现实的成本核算（毕竟约五分之一的照片无法使用）。

对家长来说，这项研究最实际的提示不是"去拍张眼底照让 AI 算一卦"，而是它从反面印证了一件事：静态的度数说明不了趋势，规律复查、看眼轴的动态变化，仍然是目前最可靠的判断方式。眼底彩照的量化分析现在还停留在研究阶段，它真正进医院之前，还隔着外部验证与前瞻性试验两道关。

文献来源：Wang Z, Han F, Zhang X, et al. Quantitative color fundus photography parameters as potential biomarkers of axial length progression: evidence from a machine learning cohort study. Front Cell Dev Biol. 2026;14:1753213. doi:10.3389/fcell.2026.1753213