Myo-ODE：基于神经常微分方程的连续时间轨迹重建与高度近视风险预测

《Frontiers in Public Health》：Myo-ODE: continuous-time trajectory reconstruction and risk prediction of high myopia via neural ordinary differential equations

　　

全球儿童近视的激增需要强大的筛查工具进行早期风险分层；然而，传统的预测模型通常难以处理不规则的随访间隔，并且无法捕捉屈光发育的连续本质。研究人员提出了Myo-ODE，一种基于神经常微分方程（Neural ODEs）的连续时间框架，用于预测高度近视风险。与传统的离散机器学习模型不同，Myo-ODE将屈光状态导数参数化，从而使近视进展能够表示为连续的潜在动态流。该架构明确适应非均匀的筛查间隔，并支持在观察到的随访时间范围内进行时间插值和谨慎的短期外推。在一个纵向数据集（N=4,973）上评估，Myo-ODE取得了最高的F1分数0.8000（95%置信区间CI：0.7741–0.8256）和召回率0.7812（95% CI：0.7518–0.8103），同时保持竞争力的AUC为0.9834（95% CI：0.9781–0.9887）。此外，研究人员的框架重建了个体化的屈光进展轨迹，并提供了模型学习到的球镜等效度（SE）变化进展动量的可解释估计。通过弥合离散临床观察与连续轨迹级建模之间的差距，Myo-ODE为真实世界筛查环境中的个性化近视监测提供了有前景的工具。

**研究背景与问题**
全球范围内儿童近视发病率持续攀升，预计到2050年将有50%的人口受影响，尤其在东亚地区，教育、环境和行为变化导致儿童近视高发。高度近视（球镜等效度SE ≤ ?6.0D）显著增加不可逆视力损伤（如近视性黄斑变性、视网膜脱离、青光眼）的终身风险。学校基于视力筛查是早期识别高风险儿童的关键机会，但传统筛查方法通常仅依赖单次检查的SE或视力，忽略了那些尚未达到高风险阈值但进展迅速的儿童。现有机器学习模型多针对固定随访窗口和点状分类优化，难以处理真实世界中不规则的随访间隔（如学生缺勤、转学、设备可用性等），且无法捕捉屈光发育的连续生物过程。离散时间模型（如Logistic回归、XGBoost）将连续轨迹强制离散化，丢失了变化速率和方向信息，且对不规则间隔依赖粗略插值或数据排除，引入偏倚。因此，需要一种能够灵活整合异构预测因子、在任意间隔下重建连续屈光轨迹并预测高度近视风险的模型。

**研究目标与创新**
研究人员提出Myo-ODE，一种基于神经常微分方程（Neural ODEs）的连续时间框架，旨在将屈光状态导数参数化，从而将近视进展建模为连续潜在动态流。该框架的主要贡献包括：（1）首次将Neural ODE引入近视进展建模，实现连续时间轨迹重建；（2）通过学习无限小动态，明确处理非均匀筛查间隔，保持预测稳定性；（3）通过可视化学习到的连续潜在动态，提供模型估计的进展动量（数学指标）作为静态SE值的动态补充；（4）在来自中国云南省宾川县的真实世界纵向队列（N=4,973）中验证，取得高F1分数和召回率。论文发表在《Frontiers in Public Health》。

**主要关键技术方法**
Myo-ODE框架由四个核心组件构成：特征编码器（多层感知机MLP，将基线及轨迹特征压缩为初始潜在状态h(0)）、神经ODE函数f_θ（三个全连接层，Softplus激活，参数化潜在状态对时间的导数dh/dt，代表学习到的屈光进展动量）、ODE求解器（采用四阶Runge-Kutta方法，将连续向量场在观察和查询时间上积分）、以及双输出头（回归分支重建连续SE轨迹，分类分支输出高度近视风险概率）。数据来源于宾川县2023年秋季至2025年秋季的学校纵向筛查记录，最终纳入4,973名6–15岁学生（至少三次连续筛查记录，排除眼病或手术史者）。预测任务定义为未来高度近视风险（二元分类，以最终随访时平均SE≤?6.0D为标签），严格避免数据泄漏（所有轨迹特征如ΔSE和年化进展率仅从结局前随访计算）。优化采用联合损失（回归均方误差+分类二元交叉熵），权重通过交叉验证调整。

**研究结果**
**3.1 整体性能与潜在动态**
在独立测试集上，Myo-ODE在F1分数（0.8000，95% CI: 0.7741–0.8256）、精确率（0.8196）和召回率（0.7812）上均优于XGBoost（F1=0.7852）、LightGBM、随机森林和MLP，而XGBoost在AUC（0.9891）上略高。由于置信区间重叠，Myo-ODE的改进被视为适度，但方向性优势（对罕见高风险结局更高的召回率）在临床上有意义。通过分析学习到的潜在动态f_θ，研究人员发现模型对初始SE和基线年龄敏感：在“快速进展者”组（年龄10–12岁，初始SE ?2.0D）中，预测的年化进展率为?0.65±0.15D/年，与青春期前近视漂移一致。

**3.2 鲁棒性、校准与临床效用**
在模拟不规则随访延迟（0.1–0.5年）的时域压力测试中，Myo-ODE的MAE稳定在0.18±0.04D，而XGBoost的MAE从0.22D增至0.42D（延迟>0.3年）。校准评估显示，Myo-ODE的预期校准误差（ECE）为0.0124，Brier分数为0.0842，低于XGBoost（ECE=0.0583）和MLP（ECE=0.0612），且校准曲线贴近理想对角线。决策曲线分析表明，在临床相关阈值范围（0.10–0.50）内，Myo-ODE的净效益高于“全部治疗”和“不治疗”策略及XGBoost，尤其在中央转诊阈值区域。在稀疏随访记录压力测试中（随机删除25%、50%、75%的随访观察），Myo-ODE的F1分数从0.8000分别降至0.7842、0.7615和0.7108，而XGBoost在50%删除时已降至0.5920，表明Myo-ODE对稀疏数据更鲁棒。

**3.3 时间、亚组与分层验证**
在时间保留验证（2025年独立队列，n=393，16例高度近视）中，Myo-ODE的AUC为0.9712，F1为0.7854，召回率为0.7625，MAE为0.22D，显示时间稳定性（虽为内部验证，受限于小样本事件）。亚组分析（按年龄、性别、基线SE分层）显示F1分数在0.78–0.81之间，提示在不同亚组间性能一致。预测时间分层分析显示，MAE随预测窗口延长而逐渐增加（0–6个月：0.12D；12–24个月：0.21D），无突发退化。

**3.4 消融、效率与可扩展性**
消融实验对比了离散ResNet基线、简化Euler版Myo-ODE和完整RK4版Myo-ODE。完整版F1为0.8000，较离散基线（0.7412）提升5.88个百分点，较Euler版（0.7825）提升1.75个百分点；MAE从0.31D降至0.18D，表明连续时间参数化和求解器精度均贡献了性能。在计算效率方面，整个队列（N=4,973）训练时间约62秒，推理延迟1.85毫秒/样本，适用于大规模筛查。

**讨论与结论**
**讨论总结**：Myo-ODE通过连续时间建模改善了高度近视检测，尤其在类不平衡和不规则随访条件下。与固定间隔模型相比，其显式学习连续潜在动态函数（dh/dt=f_θ(h(t),t)）使其在时间间隔扰动下保持稳定。消融研究支持ODE设计贡献，且推理延迟低，具备实施可行性。与现有文献相比，Myo-ODE将预测范式从点状分类转向轨迹级风险建模，但数据局限于宾川县，需多中心外部验证。临床意义在于提供个体化进展动量估计，有助于在跨过高度近视阈值前识别高风险儿童。局限性包括：非睫状肌麻痹性屈光可能高估近视（尤其在年幼儿童）；使用平均双眼SE可能遗漏单侧或不对称高度近视；缺乏眼轴长度数据；未纳入环境或社会因素；时间压力测试为扰动分析而非真实缺失数据验证；2025年保留集事件数少。未来需整合多模态因素、进行眼级和眼轴长度评估、使用独立队列验证。

**研究结论**：Myo-ODE框架标志着学校近视监测从固定间隔预测向连续时间建模的转变。通过将神经ODE与纵向屈光数据结合，Myo-ODE为不规则随访下的高风险筛查支持提供了有前景的研究框架。当前证据表明在该队列中F1分数和召回率有适度改善，但在广泛临床使用前需要进行外部验证、校准报告、眼级评估、睫状肌麻痹确认路径以及前瞻性延迟随访评估。