多模态多任务AI模型优化角膜塑形镜适配
摘要
本研究开发了一种多模态多任务人工智能（AI）模型，旨在通过分析角膜地形图模式和预测眼轴长度（AL）增长，同时输出最佳的角膜塑形镜（Ortho-K）参数及预测的眼轴增长概率，以支持临床决策。该模型基于3529只近视眼的数据，包括Euclid和Alpha设计的Ortho-K镜片。研究结果显示，该模型在分类角膜地形图模式、预测眼轴增长率以及推荐镜片参数方面表现优异，为Ortho-K镜片的适配提供了有价值的决策支持。
信息来源： PubMed Ophthalmology 发布于 2026年4月1日
要点速览
- 研究开发了一种多模态多任务AI模型，用于分类角膜地形图模式和预测眼轴增长。
- 模型基于3529只近视眼的数据，包括Euclid和Alpha设计的Ortho-K镜片。
- 研究结果显示，该模型在分类角膜地形图模式、预测眼轴增长率及推荐镜片参数方面表现优异。
本站解读
这项研究揭示了眼科领域技术路线的重大变迁，即从传统的经验性适配转向基于大数据和人工智能的精准医疗。这种转变不仅提高了Ortho-K镜片的适配精度，还显著增强了对近视控制效果的预测能力。国内外研发管线中，类似的技术创新正在逐步推进，但国内企业在这一领域的布局相对滞后，这可能会影响其在未来市场中的竞争力。
从行业竞争生态来看，这项技术的应用将重塑现有的护城河。传统镜片制造商需要迅速适应新的技术趋势，否则可能会被新兴的AI驱动型企业所取代。此外，随着更多数据的积累和技术的迭代，未来的研究将进一步优化模型性能，提高其在实际临床应用中的可靠性和准确性。
后续需要密切留意的是，各大企业是否会加大在AI辅助诊断和治疗方面的研发投入，以及这些技术能否顺利通过监管审批并进入临床实践。这对于中国眼科行业来说，既是挑战也是机遇，有望推动整个行业的技术进步和服务水平提升。
常见问题
这个AI模型能帮助我更好地选择角膜塑形镜吗？
是的，这个AI模型能够通过分析你的角膜地形图和预测眼轴增长，为你推荐最适合的角膜塑形镜参数。如有疑虑可咨询眼科医生。
使用这种AI模型有什么好处？
这种AI模型可以提高角膜塑形镜的适配精度，并更准确地预测近视控制效果，从而提供更好的视觉矫正和近视管理。
延伸阅读
角膜塑形镜在青少年近视控制中的双眼对称性研究
该研究旨在评估青少年使用角膜塑形镜（Ortho-K）进行近视控制时，双眼屈光度（球镜等效值，SE）和角膜曲率（平均角膜曲率，Km）的对称性变化，并通过配对眼设计识别不对称治疗反应的临床预测因素。研究回顾分析了53名年龄在8至16岁的青少年（共106只眼），他们至少接受了6个月的角膜塑形镜治疗。结果显示，基线时双眼屈光度和角膜曲率的差异分别为0.28 ± 0.34 D 和 0.37 ± 0.29 D。治疗后，这些差异保持在较低水平（ΔSE: 0.22 ± 0.23 D; ΔKm: 0.15 ± 0.32 D），且无显著的左右眼差异。双侧相关性较强，少数参与者表现出较高的不对称性，但未发现显著的预测因素。此外，治疗开始时年龄较大和治疗时间较长与较慢的年化近视进展相关。
大型语言模型在角膜塑形镜初次试戴参数选择中的辅助作用评估
本研究旨在评估大型语言模型（LLMs）在角膜塑形镜（Ortho-K）初次试戴参数选择中的辅助作用。通过回顾性分析，使用了四种LLMs（GPT-4o, GPT-o3, GPT-4.1和Claude 3.7 Sonnet）来分析屈光不正病例，并获取关于初次试戴镜片参数的建议。主观评价包括答案的准确性和整体质量，客观评价则关注初次试戴镜片参数的差异。结果显示，不同模型的准确性存在显著差异，且系统性参数偏差主要涉及BC和RZD。结论是，LLMs可以支持常规CRT相关的决策支持，但初次试戴镜片参数的选择仍需可行性约束和临床医生的验证。
角膜塑形镜与周边离焦眼镜在近视控制中的对比研究
青少年近视问题日益严重，本研究通过多光谱屈光地形图（MRT）评估了角膜塑形镜（OKL）和周边离焦眼镜（PDS）对近视进展和眼轴延长的影响。研究纳入75名6-15岁的儿童和青少年，分为OKL组（n=50）和PDS组（n=25）。结果显示，OKL组在总视网膜偏差值（TRDV）和RDV-45方面表现出更强的近视偏移，而两组在鼻侧（RDV-N）均表现出远视偏移，PDS组更为显著。6个月后，OKL组的眼轴延长显著（平均ΔAL=0.07mm, p<0.001），而PDS组无显著变化（p=0.24）。直接比较显示，OKL组的眼轴延长显著大于PDS组（p=0.01）。此外，PDS组的球镜等效度（SE）变化显著（p<0.001），表明其光学影响并未伴随相应的眼轴增长。这些发现提示，PDS可能有助于抑制某些儿童的眼轴延长，且MRT为评估周边屈光和个性化近视控制策略提供了有用工具。