多中心验证机器学习模型预测中国儿童青少年近视状态、快速进展与球镜等效（SE）：学校筛查与光学干预场景

《Advanced Intelligent Discovery》：Multicenter Validation of Machine Learning Models for Predicting Myopia Progression Across School-Based Screening and Optical Intervention Settings in Chinese Children and Adolescents

　　

准确预测近视进展对个体化临床决策至关重要。本研究旨在利用眼生物测量参数（ocular biometric parameters），基于10家医院40 445名个体的多中心数据，开发机器学习（machine learning, ML）模型预测近视状态、快速进展和球镜等效（spherical equivalent, SE）。来自一所医院的数据用于训练和内部验证，其余数据用于外部验证。使用12个临床变量作为输入特征评估模型（即XGBoost、LightGBM、Gradient Boosting、随机森林（Random Forest）、Extra Trees、决策树（Decision Tree）、逻辑回归（Logistic Regression）、K-最近邻（K-Nearest Neighbors）、朴素贝叶斯（Naive Bayes）和FT-Transformer），超参数通过贝叶斯优化（Bayesian optimization）自动优化。外部验证中，学校筛查组性能最佳模型为逻辑回归预测近视状态（AUROC = 0.860）和快速进展（AUROC = 0.620），Gradient Boosting预测SE（R² = 0.596）。在光学干预组中，XGBoost、Extra Trees和FT-Transformer分别预测近视状态（AUROC = 0.969）、快速进展（AUROC = 0.663）和SE（R² = 0.830）表现最佳。研究人员的研究表明，在学校筛查和光学干预场景中能够准确预测近视轨迹，支持临床精准风险分层和个体化管理，以指导及时干预并帮助减轻不断加剧的全球近视负担。

近视（myopia）是最常见屈光不正，已成为可逆性视力损害的主要原因，并构成全球公共卫生问题。到2020年，全球近30%人口受近视影响，预计2050年约一半人口将发生近视。东亚趋势尤为突出，18岁人群中80%–90%近视，10%–20%已发展为高度近视（即SE ≤ ?6.00 D）。高度近视与青光眼、近视性黄斑病变等威胁视力的并发症相关，对生活质量和经济生产力造成负担。因此，准确预测近视进展对识别高危儿童、早期靶向干预、及时临床管理和医疗资源分配至关重要。既往工具包括传统统计方法（如线性回归、逻辑回归、Cox回归）、评分系统、基于生长曲线的方法以及BHVI近视计算器，但存在线性假设限制、任意时间点预测灵活性不足、个体预测准确性有限等问题；例如，香港儿童中仅32%–38%的实测进展落在BHVI计算器95%置信区间内。机器学习（machine learning, ML）虽已改善近视预测，但仍面临单中心数据外部验证不足、固定离散时间点预测、依赖大量常规临床难以获得变量、光学干预策略整合有限、单一算法缺乏系统比较和超参数优化等挑战。为此，研究人员利用常规收集的临床变量（包括干预方案），在多中心而非单中心数据中开发并验证ML模型，避免依赖广泛遗传信息或难以实施的生活方式问卷，以提高真实世界适用性并支持个体化风险分层和随访计划。

研究人员在Aier Eye Hospital系统10家医院开展回顾性研究，最终纳入40 445名儿童和青少年，其中学校筛查组36 014名，光学干预组4 431名；构建137 429个眼别-访视数据点，训练集66 862个，内部测试集16 716个，外部验证集53 851个。模型预测三个结局：近视状态（随访时SE ≤ ?0.50 D）、快速近视进展（ΔSE/year < ?1.00 D/year）和随访时SE连续值。外部验证中，学校筛查组最佳模型分别为逻辑回归预测近视状态（AUROC = 0.860）、逻辑回归预测快速进展（AUROC = 0.620）和Gradient Boosting预测SE（R² = 0.596）；光学干预组分别为XGBoost预测近视状态（AUROC = 0.969）、Extra Trees预测快速进展（AUROC = 0.663）和FT-Transformer预测SE（R² = 0.830）。该研究表明可在学校筛查和光学干预场景中较准确预测近视轨迹，支持临床精准风险分层、个体化管理、及时干预，并有助于减轻全球近视负担。

关键技术方法为回顾性多中心设计。队列来自Aier Eye Hospital系统10家医院2020年1月至2025年12月，最终纳入40 445人；训练和内部验证来自Linfen Aier Eye Hospital，外部验证学校筛查来自Shuozhou、Xinzhou、Fenyang、Changzhi、Baoji、Hanzhong Aier Eye Hospital，光学干预来自Taiyuan Optometry、Jinzhong、Yuncheng Aier Eye Hospital。纳入至少两次访视者；提取12个常规临床变量（年龄、随访时长、双眼基线SE、柱镜CYL、轴位AX、性别、干预方式、镜片类型）。比较XGBoost、LightGBM、Gradient Boosting、Random Forest、Extra Trees、Decision Tree、Logistic Regression、K-Nearest Neighbors、Naive Bayes和FT-Transformer；采用贝叶斯优化（Optuna）和五折交叉验证；分类任务用AUROC、ACC、F1，回归任务用R²、MAE、RMSE；校准用校准曲线和Brier评分；以SHAP解释特征重要性。

研究结果如下。3.1 研究人群特征：最终分析包含来自40 445名个体的137 429个眼别数据点。学校筛查组基线年龄较低（内部9.05 ± 2.15岁，外部8.44 ± 1.72岁），光学干预组较高（内部10.20 ± 3.66岁，外部10.35 ± 2.32岁）；女性比例为46.2%–50.7%。光学干预组基线SE更近视，CYL更负，访视间隔更长。近视患病率在学校筛查组内部为71.0%、外部为50.4%，在光学干预组内部为73.9%、外部为96.1%。快速近视进展比例在光学干预组（内部12.6%，外部4.1%）低于学校筛查组（内部25.2%，外部28.1%）。光学干预组中，框架眼镜为主要干预方式，内部占79.4%、外部占52.8%；角膜塑形镜（orthokeratology）分别占20.6%和47.2%；单光镜（single-vision lenses）内部为50.8%、外部为0.0%；离焦框架眼镜（defocus spectacle lenses）分别为28.6%和52.8%。四个数据集比较均p < 0.001。3.2 近视状态预测模型性能：学校筛查组内部验证中，XGBoost和LightGBM取得最高AUROC（0.907），外部验证中逻辑回归取得最高AUROC（0.860）和ACC（0.782）。光学干预组内部验证中，XGBoost、LightGBM、Gradient Boosting、Random Forest和Extra Trees AUROC均达0.998；外部验证中XGBoost最高（AUROC = 0.969），而K-Nearest Neighbors和Naive Bayes外部性能显著下降。3.3 快速近视进展预测模型性能：学校筛查组内部验证中XGBoost最高（AUROC = 0.912），外部验证中逻辑回归最高（AUROC = 0.620）；所有模型从内部验证到外部验证AUROC由0.834–0.912降至0.548–0.620。光学干预组内部验证中Gradient Boosting最高（AUROC = 0.887），外部验证中Extra Trees最高（AUROC = 0.663），逻辑回归ACC最高（0.958）；同样出现外部性能下降。3.4 校准性能：近视状态预测外部验证最低Brier评分在学校筛查组为逻辑回归0.153，在光学干预组为Random Forest和Extra Trees均为0.020。快速进展预测外部验证最低Brier评分在学校筛查组为逻辑回归0.208，在光学干预组为逻辑回归0.063。3.5 SE预测模型性能：学校筛查组内部验证中XGBoost最高（R² = 0.791），外部验证中Gradient Boosting最高（R² = 0.596）。光学干预组内部验证中Extra Trees和LightGBM最高（R² = 0.973），外部验证中FT-Transformer最高（R² = 0.830），其次为Extra Trees（0.807）和Gradient Boosting（0.780）。3.6 SHAP分析结果：近视状态预测中，基线SE在两组均为最重要特征，较低SE与预测概率增加相关。快速进展预测中，学校筛查组基线SE最重要但效应方向相反，较高SE与快速进展概率增加相关；光学干预组访视间隔最重要，其次为基线年龄和SE，年轻和较短随访间隔均与快速进展概率较高相关。SE预测中，基线SE在两组均占主导，较长随访间隔与更近视的预测SE相关。干预相关变量在各任务中直接贡献有限。

讨论部分指出，SHAP分析提示基线SE是跨场景和跨结局的核心预测因素，符合儿童屈光误差发展轨迹相对稳定的认识。较低基线SE增加随访时发生近视的可能性，而在风险儿童中相对较高基线SE与快速进展风险更高相关，提示近视发病阶段可能更脆弱，支持对远视或低度远视高危儿童密切监测。随访间隔效应具有任务依赖性：较长间隔与更高近视概率和更近视SE相关，但快速进展预测中较短间隔反而与更高概率相关，可能与短间隔年化SE变化易放大测量误差以及高风险儿童更频繁随访导致的选择偏倚有关。年龄效应在组间和任务间不同：学校筛查组年龄较大与近视概率更高相关；光学干预组年轻与近视概率更高相关，可能反映选择偏倚；快速进展预测中两组均显示年轻与更高概率相关。干预相关变量SHAP贡献有限，可能源于适应证混杂而非疗效差异，即医生更倾向对高基线近视或预期高风险儿童使用离焦框架眼镜或角膜塑形镜，单光镜多用于较轻或低风险者。外部验证中快速进展预测性能中等，可能与二分类阈值放大非睫状肌麻痹测量噪声、外部队列特征和事件率差异、干预分布变化及就诊时间季节差异有关；AUROC为0.620–0.663，可能对优先随访有增量价值，但尚不足以作为独立指导个体化治疗的工具。局限性包括：所有医院属于同一机构网络，地理和人口相似；验证为回顾性；屈光参数为非睫状肌麻痹条件下测量，可能系统性高估近视屈光误差，尤其年幼儿童；未纳入遗传、行为或环境因素，如户外时间和父母近视。

结论部分翻译：总之，研究人员利用来自10家医院40 000余名儿童和青少年的大规模多中心数据集开发了机器学习模型，以在不同学校筛查和光学干预场景中预测近视状态、快速进展和SE。准确的风险分层支持高危儿童的早期识别和优先监测，从而促进及时、个体化管理以减少进展。此外，研究人员的发现可能促进对干预相关决定因素的进一步研究以及更先进的临床可解释机器学习模型的开发。经过进一步外部验证，这些模型可作为早期风险分层和个体化近视管理的实用临床工具，从而帮助减轻日益增长的全球近视负担。