近视的越来越多的患病率是全球健康问题，近视高度增加了视力损害的风险。这需要使用人工智能（AI）进行近视的早期诊断，预防和管理。现在，小儿研究审查阐明了AI在早期识别，风险评估和预防近视中的潜在应用。它进一步凸显了AI技术在近视领域的挑战和当前发展状况。
近视或近视范围内影响全球20亿人。未经校正的近视会损害视力，破坏教育，职业前景和生活质量。到2050年，估计将近一半的全球人口变为近视。高近视通常与可能导致视觉障碍的并发症有关，影响患者的生活质量并增加全球医疗和经济负担。因此，近视的早期诊断对于预防近视患者的视力损害很重要。
人工智能（AI）在医学领域开放了新的边界，可能是解决这一全球健康问题的方法。AI的子集，例如机器学习（ML）和深度学习（DL）可以帮助分析数据以诊断疾病并预测危险因素，生物标志物和结果。
在新的文献综述中，来自中国首都医科大学眼科科学系Li Li，Jifeng Yu博士和Nan Liu博士总结了AI在近视中的应用和挑战，包括检测，风险因素评估和预测模型。这项研究发表在《杂志》小儿研究2025年3月18日。
有趣的是，可以使用ML/DL训练AI模型，以检测眼底照片和光学相干断层扫描图像的近视。通过从近视患者的大量眼底图像中喂养模型，可以教导AI辨别与近视相关的视网膜中颜色和模式的细微变化。这使该模型可以从眼底照片中诊断出未来的患者。
此外，使用波前传感器测量眼部缺陷的手持设备SVONE等自我监控设备可以使用AI算法来检测眼睛中的屈光误差。该设备可以访问在线图像数据库，AI可以用作诊断近视的参考。此外，可以训练AI来检测与近视发作相关的行为改变。这种检测对于早期对儿童近视的检测特别有用，否则通常会忽略这一点。例如，Vivior Monitor使用ML算法来注意6-16岁儿童的视觉行为的变化，例如在近视活动上花费的时间。
此外，可以采用诸如支持向量机，逻辑回归和XGBoost之类的ML方法来识别近视的危险因素。“基于XGBoost的模型可以喂养大量纵向数据，从而使其能够在许多患者中学习近视的结果和相关风险因素。这又使该模型可以根据其遗传学，家族史，环境和生理参数来评估新患者的风险因素，”Li Li博士解释。
预测近视的进展和结果可以帮助医生调整其临床方法。大规模采用，它可以塑造有助于控制近视的临床实践和决策。通过喂养AI模型的大量生物识别数据，折射数据，治疗反应和来自众多近视患者的眼部图像，可以教导AI来预测新患者近视的结果。
尽管AI在近视中具有很大的潜力，但仍需要克服一些挑战。首先，重要的是要确保用于训练AI模型的数据集正确并且具有高质量。偏见，假否定因素/积极因素和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AI模型都是使用大型医院的数据培训的，这可能不能代表去较小诊所的患者。这在现实世界和培训人群之间造成了差异。第三，AI模型不是训练有素的医生，也许无法为其诊断提供临床基础，这可能会导致诊断被医疗专业人员拒绝。最后，有了大量用于培训AI模型的患者数据，必须确保患者病历的隐私。
“虽然我们的研究突出了非凡的在AI在近视中的临床应用中取得的进展，需要进一步的研究来克服技术挑战。经过构建高质量的数据集，提高模型处理多模式图像数据的能力，并提高人类计算机的交互能力，可以进一步改善广泛的临床应用，Jifeng Yu博士总结。