基于机器学习多指标联合模型的儿童近视筛查新策略：轴向长度/角膜曲率半径比(AL/CCR)与可解释性人工智能的突破性应用

针对传统儿童近视筛查方法效率低、年龄特异性不足的问题，长沙疾控中心团队开展了一项基于2365名5-12岁儿童的横断面研究。通过比较非睫状肌麻痹验光(非-cycloplegic SE)、轴向长度/角膜曲率半径比(AL/CCR)等指标，结合XGBoost和随机森林(RF)算法构建多指标联合诊断模型，最高AUC达0.983。创新性采用SHAP值增强模型可解释性，为不同年龄段儿童提供精准筛查方案，对近视防控具有重要临床价值。

　　

近视已成为全球重大公共卫生问题，预计到2050年全球将有47.58亿近视患者。儿童近视早期干预尤为关键，但传统筛查方法面临巨大挑战：非睫状肌麻痹验光会因儿童调节能力强导致假阳性，而金标准的睫状肌麻痹验光又存在操作复杂、成本高等问题。更棘手的是，现有筛查工具对低龄儿童效果不佳，且缺乏针对不同年龄段的个性化评估方案。

为破解这些难题，长沙市疾病预防控制中心的研究团队在《Scientific Reports》发表了一项创新研究。该团队对2365名5-12岁儿童进行系统检查，包括非睫状肌麻痹与睫状肌麻痹验光、未矫正远视力(UCDVA)测试，以及通过非接触式激光干涉仪(IOLMaster)测量轴向长度(AL)、角膜曲率半径(CCR)等生物参数。研究采用极端梯度提升(XGBoost)、随机森林(RF)等五种机器学习算法构建多指标预测模型，并引入SHAP值解释模型决策过程。

关键技术方法包括：分层抽样获取16所学校儿童样本；使用IOLMaster 500进行眼生物测量；采用MICE方法处理缺失数据；通过5×10折交叉验证优化XGBoost、RF等模型；应用SHAP值进行特征重要性分析和个案解释。

研究结果揭示三大关键发现：

1. 年龄特异性差异：非睫状肌麻痹与睫状肌麻痹验光的球形等效屈光度(SE)差异在<10岁儿童中达0.5D(P<0.05)，而≥10岁组无统计学差异。近视率随年龄呈U型分布，5岁组仅2.5%，12岁组骤升至57.4%。

2. 单指标筛查效能：轴向长度/角膜曲率半径比(AL/CCR)表现最优，AUC达0.919(95%CI:0.899-0.939)，最佳截断值为3.005(灵敏度0.895，特异度0.826)。传统筛查指标中，非睫状肌麻痹SE的AUC最高，但UCDVA在≤8岁儿童中需调整截断值(如5岁组需<4.5)。

3. 多指标模型突破：

   • XGBoost模型(年龄+UCDVA+非睫状肌麻痹SE+AL)取得最高AUC(0.983)
   • RF模型(年龄+UCDVA+非睫状肌麻痹SE+AL/CCR)实现最佳准确率(0.975)
   • SHAP分析显示非睫状肌麻痹SE和AL/CCR是最具预测力的特征

讨论部分指出，这项研究首次系统验证了AL/CCR作为独立预测指标的稳定性——其最佳截断值在3.003左右且不受年龄影响，解决了传统筛查工具在低龄儿童中效果不佳的难题。机器学习模型的创新应用突破了传统线性回归的局限，通过捕捉指标间非线性关系将筛查准确率提升至97.5%。

该研究的临床意义体现在三方面：

1. 为学校近视筛查提供可量化的AL/CCR截断值(3.003)
2. 开发出适配不同年龄段的最优筛查组合：低龄儿童推荐AL/CCR+生物参数，大龄儿童可用非睫状肌麻痹SE
3. 通过SHAP值实现个性化风险评估，如研究展示的个案(ID=6)中，模型准确识别出AL(23.94mm)和SE(-1.97D)的协同风险

尽管存在使用托吡卡胺而非环戊通作为睫状肌麻痹剂等局限，但这项研究为儿童近视筛查提供了兼具高精度( AUC>0.98 )和可解释性的新范式。未来若能在多中心队列中验证，将有望改写儿童近视筛查指南，实现从"一刀切"到精准分龄筛查的转变。