基于Transformer架构的AI模型实现儿童近视进展个性化预测与干预效果评估

《npj Digital Medicine》：AI-guided personalized predictions on myopia progression and interventions

本研究针对近视防控中缺乏长期轴长预测和个体化干预效果评估工具的难题，开发了基于Transformer架构的近视进展预测模型（MPPM）。该模型包含自然进展模块（NPM）和干预进展模块（IPM），利用30万余名儿童的百万条屈光记录进行训练，在10年预测期内实现球镜等效（SE）R2=0.94和轴长（AL）R2=0.91的预测精度，并首次量化评估了阿托品、角膜塑形镜、离焦眼镜和红光治疗四种干预措施的个体化效果，为精准近视防控提供了创新工具。

　　

随着全球近视患病率的持续攀升，近视已成为威胁儿童视觉健康的重大公共卫生问题。在亚洲地区，尤其是中国，高中生近视率高达80%，其中10-20%发展为高度近视。高度近视带来的视网膜脱离、黄斑病变等并发症风险，给个人和社会造成沉重负担。当前临床常用的近视控制手段包括低浓度阿托品、角膜塑形镜、离焦眼镜和重复低强度红光治疗等，但这些干预措施都存在成本高、疗程长、潜在副作用等局限。更为关键的是，传统研究方法只能提供群体层面的平均治疗效果，无法预测个体儿童对特定干预措施的反应差异，这严重制约了精准防控策略的实施。

长期以来，近视预测研究面临两大技术瓶颈：一是缺乏能够准确预测长期轴长生长的模型，而轴长变化是近视进展的核心指标；二是现有方法无法量化个体化治疗效应。虽然已有研究尝试利用AI预测未来屈光度，但均未涉及轴长预测，且预测时间跨度有限。Transformer架构因其卓越的序列建模能力，为解决这些难题提供了新的技术路径。

针对上述挑战，温州医科大学眼健康与疾病先进技术研究所陈洁、瞿佳、张康等团队在《npj Digital Medicine》上发表了最新研究成果，开发了一种基于Transformer架构的人工智能模型——近视进展预测模型（MPPM）。该模型创新性地整合了自然进展预测和干预效果评估两大功能，为儿童近视的精准管理提供了强有力的工具支持。

研究团队采用了多项关键技术方法：基于XGBoost回归的轴长数据插补技术，解决了临床数据中轴长测量缺失的问题；Transformer时间序列建模，捕捉近视进展的长期依赖关系；因果机器学习框架，通过梯度反转层和对抗训练消除混杂偏倚，准确估计个体化治疗效应。研究数据来源于温州医科大学眼视光医院30万余儿童的110万条屈光记录，以及达州市中心医院和一项红光治疗临床试验的独立验证队列。

自然进展模块的预测性能

自然进展模块（NPM）在内部测试集上表现出色：球镜等效预测R²达到0.94，平均绝对误差为0.35D，91%的预测误差小于0.75D这一临床可接受阈值；轴长预测R²为0.91，平均绝对误差为0.16mm，84%的预测误差小于0.25mm。在外部验证中，模型同样保持了高预测精度。Bland-Altman分析和校准曲线进一步证实了预测值与实测值的高度一致性。

模型性能分析显示，随着先前提诊次数的增加，预测准确性相应提高；而随着预测时间跨度的延长，准确性适度下降。特征消融测试表明，历史屈光数据和轴长测量是预测准确性的最关键因素，年龄和性别贡献相对较小。

干预进展模块的预测效能

干预进展模块（IPM）对四种近视干预措施均表现出良好的预测能力：阿托品组球镜等效预测R²=0.97，离焦眼镜组R²=0.96，角膜塑形镜组R²=0.88，红光治疗组R²=0.90。轴长预测同样达到较高精度，所有干预组的R²均大于0.80。

个体化治疗效应评估

通过对比干预条件下与自然进展的预测值，研究量化了各种干预措施的效果：阿托品减缓球镜等效进展约55%，轴长进展约75%；离焦眼镜减缓球镜等效进展约50%，轴长进展约70%；角膜塑形镜对球镜等效和轴长的减缓效果均为约45%；而红光治疗不仅阻止了近视进展，还导致球镜等效轻微逆转约10%。

值得注意的是，对于接受阿托品和离焦眼镜治疗的儿童，模型预测其自然进展的轴长生长速度会显著加快，这与其年龄阶段（10-11岁）正处于眼轴快速生长期相符。而角膜塑形镜组儿童年龄较大（14岁以上），轴长生长速度自然减缓，这一发现符合儿童眼球发育的生理规律。

独立临床试验验证

研究还利用一项红光治疗临床试验数据进行了独立验证。模型在对照组中准确预测了自然进展，在干预组中准确预测了治疗效果，进一步证明了MPPM模型的可靠性和泛化能力。

讨论部分指出，该研究的创新点在于首次实现了长期轴长预测，并建立了个体化干预效果评估方法。与仅预测屈光度的既往研究相比，本研究通过机器学习插补策略解决了轴长数据缺失的难题，构建了适合模型训练的大规模数据集。

Transformer结合因果推理的框架，有效克服了传统观察性研究中的混杂偏倚问题，能够提供量化的个体治疗效应预测，为临床决策提供了更精确的工具。研究发现红光治疗表现出最强的近视控制效果，甚至出现轻微逆转，但研究者强调仍需关注其长期视网膜安全性。

本研究存在一定局限性：研究人群仅限于中国儿童，模型在其他人种中的适用性有待验证；输入变量较为基础，未包含遗传、环境因素等潜在预测因子；超高度近视患者被排除在外。研究者计划通过国际合作收集多民族数据，进一步验证模型的普适性。

总之，这项研究开发的AI驱动平台为儿童近视的个性化预测和管理优化提供了突破性工具。随着近视全球流行趋势的加剧，这种能够预测长期近视度数和个体化干预效果的工具，对于减轻疾病负担、优化医疗资源配置具有重要意义。MPPM模型有望在未来整合到临床诊疗路径中，为眼科医生提供实时决策支持，推动近视防控进入精准医学时代。