人工智能在小儿眼科领域应用研究与展望

人工智能在小儿眼科领域应用研究与展望【摘要】儿童视觉健康不仅关乎个体终身的认知发育与生活质量，更是关系国家人口素质与民族未来发展的重大公共卫生问题。然而，小儿眼科专业医师短缺、基层筛查能力有限、疾病隐匿性强等因素，严重制约了儿童异常视觉发育的早期识别与干预。在此背景下，推广人工智能（AI）技术是提升筛查覆盖率、保障诊疗同质化、实现儿童眼健康服务普惠化的发展方向。但是，AI在小儿眼科的应用面临高质量发育期数据稀缺、模型稳定性不足、泛化能力有限，多中心临床验证缺乏以及伦理监管体系滞后于技术创新等多重挑战。本文系统梳理了AI技术在小儿眼科领域推广应用面临的核心瓶颈与挑战，深入剖析其在儿童眼病筛查、精准诊疗及全周期健康管理中的应用前景，提出构建开放协同的国家级儿童眼健康智能平台的战略构想，旨在推动AI技术与小儿眼科专业诊疗的深度融合，最终实现覆盖全周期、智能化、普惠化的儿童眼健康服务新体系。【关键词】人工智能；眼科学；儿科学；眼科诊断技术；普查；深度学习；机器学习儿童期是视觉功能与眼球结构发育的关键时期，该阶段可预防性眼病的早期识别与及时干预，对保障儿童终身视觉健康、提升生活质量，乃至提升国民素质具有重要意义。然而，当前小儿眼科面临多重挑战：一方面，小儿眼科专业医师资源匮乏，基层医疗机构的筛查能力相对薄弱，加之部分眼病起病隐匿、临床表现不典型，严重制约了儿童眼病及异常视觉发育的早期识别与及时干预；另一方面，该年龄段患者表达能力有限、检查配合度低，眼部结构及功能尚处于动态发育过程中，进一步增加了临床诊断与治疗的复杂性。近年来，随着儿童近视患病率持续攀升，以及新生儿保健技术发展背景下早产儿视网膜病变（retinopathyofprematurity，ROP）等眼病检出率的上升，对我国儿童眼保健体系及眼科诊疗服务的高效性与精准性提出了更高要求。日益增长的临床需求与小儿眼科面临的困境凸显了加快推动儿童眼病防治创新策略与技术手段发展的紧迫性与必要性。人工智能（artificialintelligence，AI）指通过机器学习（machinelearning，ML）、深度学习（deeplearning，DL）等核心算法，从多维度、复杂的临床数据中自动挖掘规律与识别特征模式，进而为疾病诊断、预后预测、治疗方案优化及医疗管理效率提升提供辅助支持的一系列技术体系。在眼科领域，AI的应用已从早期的回顾性影像分析逐步拓展至前瞻性临床验证，广泛应用于糖尿病视网膜病变（diabeticretinopathy，DR）、年龄相关性黄斑变性以及青光眼等筛查项目和临床诊疗流程，展现出显著的临床应用价值［15］。其在小儿眼科的应用研究也逐步开展并取得一些进展。一、AI在小儿眼科的应用研究现状AI在小儿眼科的应用研究始于对ROP的眼底图像智能分析，随后拓展至儿童屈光筛查、斜弱视辅助诊断及先天性白内障评估等领域，开启了计算机辅助儿童眼病诊疗的新方向。在ROP的筛查中，AI模型可利用视网膜图像自动识别眼底病变，并对严重程度分级，推动ROP防控体系向智能化、标准化方向发展［69］。在近视防控领域，AI模型可有效整合眼生物学参数及环境行为数据，构建全面的近视风险综合预测模型，实现对近视高危人群的精准识别，辅助早期预警与干预［1013］；同时，AI凭借影像识别能力自动检测近视性黄斑病变等并发症，并借助智能手机实现居家屈光筛查，进一步扩大了近视早期筛查的覆盖面［1418］。在斜视诊疗中，AI通过分析角膜映光点位置或眼动数据，实现对斜视角度的定量评估及隐斜检测［1923］。在弱视筛查中，AI模型通过分析智能手机拍摄的眼部图像，识别屈光参差、斜视等危险因素，总体准确率达到79.6%［24］。此外，AI在先天性白内障的诊断、预后预测，视网膜母细胞瘤（retinoblastoma，RB）的标准化评估以及上睑下垂的手术规划和医患沟通等方面的研究也展现出一定的应用价值［2531］。二、AI在小儿眼科领域推广应用面临的困境尽管AI在小儿眼科领域的应用研究呈现快速增长态势，且展现出显著的技术潜力，但未来实现大规模临床普及仍面临多重现实瓶颈。具体而言，可归纳为以下几个关键制约因素：（一）数据标准化难题与模型偏倚风险AI模型的训练依靠大量的数据。与成人眼病（如DR）拥有大量标准化公开数据集不同，小儿眼科面临的首先是数据鸿沟问题。即便AI分析能力再强，也需要前端设备采集到高质量的图像。婴幼儿不配合、眼球运动频繁，导致图像采集困难，难以获得高质量的图像。如果无法解决原始数据采集的质量问题，后端的AI分析就成了“无米之炊”。目前缺乏专门针对婴幼儿设计的、能高效采集高质量图像的智能化硬件设备。此外，儿童眼球处于动态发育期，不同年龄段的解剖结构和生理参数差异显著［32］。这种发育性变化要求模型具备年龄分层能力，增加了算法的复杂度和训练难度。一些儿童先天性眼病（如先天性青光眼、Coats病、家族性渗出性玻璃体视网膜病变等）的单病种发病率较低，导致可用于模型训练的阳性样本严重不足。AI模型在样本量匮乏的情况下，容易出现过拟合或泛化能力差的问题，极易产生“算法偏倚”，产生过高的假阳性率［21，33］。另一方面，AI模型的学习依赖于专家标注的“金标准”。然而，在眼科许多领域如ROP的plus病变诊断、斜视的微小角度测量等，即使专家之间也存在观察者内及观察者间差异［3435］。这种标注本身的不确定性，为模型训练设立了固有的性能上限。（二）临床诊疗的复杂性与AI技术的适应边界尽管人工智能技术在单一影像模态的识别任务中已获得高水平验证，但儿童眼病诊疗过程本质上是一个融合了形态学评估、功能学判断、发育学考量及行为学观察的多维度决策过程，远非单纯的图像分类任务所能涵盖，因此，AI在小儿眼科临床实践中的深度应用仍面临诊疗复杂性的显著制约。1.视觉功能的主观评估难以被算法量化。小儿眼病的诊疗不仅关注眼部结构的完整性，更关注视觉功能的发育状况。而调节灵敏度、融合功能、立体视锐度等功能学指标的评价，很大程度上依赖患儿在检查过程中的配合与即时反馈。经验丰富的小儿眼科医师能够通过分龄段适配的引导策略、游戏化的检查设计以及对患儿瞬时行为反应的捕捉，在动态互动中获取有价值的临床信息。这种基于“医患互动”的实时判断与灵活调整能力，是当前AI技术难以模拟的软技能短板。2.小儿眼科临床诊断依赖多模态信息的综合推理。在临床诊疗过程中，影像学改变仅为临床决策提供部分依据，完整的诊断逻辑还需整合屈光状态、眼压、遗传背景、家族史以及行为学表现（如代偿性头位、畏光、注视偏好等）等异质性数据。然而，现有的AI模型多为面向单一任务的算法，缺乏融合影像学与非影像学数据、结构化与非结构化信息的多模态推理能力。这种缺陷导致AI在面对复杂病例时，其决策支持价值显著下降。3.发育性动态特征增加了模型泛化的难度。儿童眼病的另一核心特征是“动态性”，儿童的眼球结构、屈光状态及视觉功能均处于持续发育过程中，同一眼底表现或屈光参数在不同年龄阶段可能具有不同的临床意义。这就要求理想的AI模型不仅具备空间识别能力，还需具备时间维度的发育轨迹理解能力，即能够结合年龄参数对病变进行分层判断。然而，目前多数模型基于横断面数据训练，缺乏对纵向发育规律的深入学习，在跨年龄段应用时容易出现偏差。（三）安全性、伦理与责任归属、市场监管问题AI技术在小儿眼科领域的规模化推广应用，不仅面临技术层面的挑战，更要面对医疗安全伦理与法律责任界定的困境。首先，儿童眼病的诊疗决策具有典型的“时间敏感性”特征。以弱视为例，视觉发育敏感期通常为0~12岁，若在此阶段因漏诊或误诊而延误治疗，即使后期采取干预措施，也难以完全挽回视觉功能损失。然而，任何AI系统本质上都是基于概率统计的决策模型，其预测结果天然存在不确定性边界。这就导致医生在使用AI辅助工具时倾向于采取保守验证策略，即仅将AI结论作为参考，仍需通过传统检查手段进行二次确认，这在很大程度上削弱了AI提升诊疗效率的预期价值。其次，高性能的AI模型的训练需要海量的患者数据，而此类数据中包含大量敏感的个人信息，其在数据集中存储、传输和使用过程中的泄露风险，已成为医疗机构和患儿家属的主要关切问题［3637］。当前，不仅AI与医疗从业人员的伦理规范意识有待提高，相关管理层面对伦理风险的指导与监管体系也需完善。虽然2023年中国医药教育协会数字影像与智能医疗分会与智能医学专委会组织相关专家制定了《眼科人工智能临床应用伦理专家共识（2023）》，系统梳理了相关法律法规，对数据安全、个人隐私、算法偏见等伦理风险进行了多维度的剖析，旨在保障患者权益的同时，提升医疗质量与效率，可供AI在小儿眼科临床转化与可持续发展提供参考和指导，但尚缺乏单独的AI在小儿眼科领域使用的伦理规范［38］。再次，当AI辅助诊断系统发生偏差并导致不良后果时，责任如何界定成为制约技术应用的关键法律难题。与具有明确执业资格和法律责任的医生主体不同，AI系统作为技术工具的法律地位尚不清晰，因此，当应用AI发生不良后果时，往往难以区分究竟是算法本身的系统性缺陷，还是临床应用场景超出了模型的适用范围［39］。当医生依据AI辅助诊断作出临床决策并发生失误时，责任应归于过度依赖AI的医生，还是未能充分提示风险的AI系统，抑或是采购该系统的医疗机构？这种制度真空导致医疗机构在采购AI系统时面临潜在的法律风险担忧，进而减弱其部署意愿。最后，监管滞后与标准缺失也阻碍了AI技术的临床应用［40］。当前，我国对医疗AI产品的监管主要遵循医疗器械分类管理的路径，但针对儿科AI产品的特殊审评标准尚未建立。此外，AI系统在临床使用过程中的持续学习与迭代更新的特点，使得对产品上市后性能的实时监测、不良事件的报告与处置、算法更新的再认证机制等传统的静态审批模式也构成了挑战［4142］。（四）卫生经济学与政策因素AI技术在小儿眼科的推广应用，不仅面临技术与临床层面的挑战，更深层的制约源于卫生经济学规律［43］。在目前的监管框架下，AI软件被视为医疗器械，其发展成本高昂也被广泛认可。这类AI成本包含初始成本与维护成本两部分：初始成本涉及研发资金及各类数据集验证费用；维护成本则涵盖软件算法持续更新与确保硬件长期运行的维护开支［4445］。从产业经济学视角审视，小儿眼科AI产品的研发面临先天性的市场劣势：其一，单病种发病率低，潜在用户规模有限；其二，产品使用周期短，干预集中在特定年龄段，难以形成持续性收益；其三，研发成本高企，发育性数据采集、低发病率病例积累、儿科影像专业标注等均推高单位研发成本。投入产出比的悬殊差距，使得小儿眼科AI陷入“技术价值高而商业价值低”的现实困境。三、未来展望尽管当前AI在小儿眼科的规模化应用仍面临数据标准缺失、多中心验证不足、临床融合度不深等诸多挑战，但随着多模态大模型技术的迭代、“儿童友好型”便携式智能数据采集设备的普及，以及政府对儿童眼健康重视程度的不断提升，这一领域正迎来前所未有的发展机遇。未来，随着数据生态的完善、循证医学证据的积累、与临床诊疗过程的深度融合以及审查和监管体系的协同推进，通过构建覆盖全生命周期的儿童眼病智能防控网络，AI技术将在提升我国致盲性眼病的筛查效率与可及性、弥合城乡医疗资源差距、降低不可逆盲发生率、减轻社会及家庭负担、提升全民视觉健康水平和国民素质中发挥不可或缺的关键作用。参考文献[1]TingD,CheungCY,LimG,etal.Developmentandvalidationofadeeplearningsystemfordiabeticretinopathyandrelatedeyediseasesusingretinalimagesfrommultiethnicpopulationswithdiabetes[J].JAMA,2017,318(22):2211-2223.DOI:10.1001/jama.2017.18152.[2]FuZ,XiJ,JiZ,etal.Analysisofanteriorsegmentinprimaryangleclosuresuspectwithdeeplearningmodels[J].BMCMedInformDecisMak,2024,24(1):251.DOI:10.1186/s12911-024-02658-1.[3]EslamiY,MousaviKouzahkananZ,FarzinvashZ,etal.Deeplearning-basedclassificationofsubtypesofprimaryangle-closurediseasewithanteriorsegmentopticalcoherencetomography[J].JGlaucoma,2023,32(6):540-547.DOI:10.1097/IJG.0000000000002194.[4]JacksonM,KaliraiH,HussainRN,etal.Differentiatingchoroidalmelanomasandneviusingaself-superviseddeeplearningmodelappliedtoclinicalfundoscopyimages[J].OphthalmolSci,2025,5(2):100647.DOI:10.1016/j.xops.2024.100647.[5]PerepelkinaT,FultonAB.Artificialintelligence(AI)applicationsforage-relatedmaculardegeneration(AMD)andotherretinaldystrophies[J].SeminOphthalmol,2021,36(4):304-309.DOI:10.1080/08820538.2021.1896756.[6]CampbellJP,SinghP,ReddTK,etal.Applicationsofartificialintelligenceforretinopathyofprematurityscreening[J].Pediatrics,2021,147(3):e2020016618.DOI:10.1542/peds.2020-016618.[7]AgrawalR,KulkarniS,WalambeR,etal.Assistiveframeworkforautomaticdetectionofallthezonesinretinopathyofprematurityusingdeeplearning[J].JDigitImaging,2021,34(4):932-947.DOI:10.1007/s10278-021-00477-8.[8]WangH,LiL,WangW,etal.Developmentandvalidationofadeeplearningimagequalityfeedbacksystemforinfantfundusphotography[J].SciRep,2025,15(1):26852.DOI:10.1038/s41598-025-10859-5.[9]LiuY,DuY,WangX,etal.Anartificialintelligencesystemforscreeningandrecommendingthetreatmentmodalitiesforretinopathyofprematurity[J].AsiaPacJOphthalmol(Phila),2023,12(5):468-476.DOI:10.1097/APO.0000000000000638.[10]XiaoJ,LiuM,HuangQ,etal.Analysisandmodelingofmyopia-relatedfactorsbasedonquestionnairesurvey[J].ComputBiolMed,2022,150:106162.DOI:10.1016/pbiomed.2022.106162.[11]ZhangR,DongL,YangQ,etal.Screeningfornovelriskfactorsrelatedtohighmyopiausingmachinelearning[J].BMCOphthalmol,2022,22(1):405.DOI:10.1186/s12886-022-02627-0.[12]LinH,LongE,DingX,etal.PredictionofmyopiadevelopmentamongChineseschool-agedchildrenusingrefractiondatafromelectronicmedicalrecords:aretrospective,multicentremachinelearningstudy[J].PLoSMed,2018,15(11):e1002674.DOI:10.1371/journal.pmed.1002674.[13]FooLL,LimG,LancaC,etal.Deeplearningsystemtopredictthe5-yearriskofhighmyopiausingfundusimaginginchildren[J].NPJDigitMed,2023,6(1):10.DOI:10.1038/s41746-023-00752-8.[14]LuL,ZhouE,YuW,etal.Developmentofdeeplearning-baseddetectingsystemsforpathologicmyopiausingretinalfundusimages[J].CommunBiol,2021,4(1):1225.DOI:10.1038/s42003-021-02758-y.[15]WangZ,ZouH,GuoY,etal.Myopic-Net:deeplearning-baseddirectidentificationofmyopiaonsetandprogression[J].TranslVisSciTechnol,2025,14(8):38.DOI:10.1167/tvst.14.8.38.[16]LiY,FengW,ZhaoX,etal.Developmentandvalidationofadeeplearningsystemtoscreenvision-threateningconditionsinhighmyopiausingopticalcoherencetomographyimages[J].BrJOphthalmol,2022,106(5):633-639.DOI:10.1136/bjophthalmol-2020-317825.[17]TangJ,YuanM,TianK,etal.Anartificial-intelligence-basedautomatedgradingandlesionssegmentationsystemformyopicmaculopathybasedoncolorfundusphotographs[J].TranslVisSciTechnol,2022,11(6):16.DOI:10.1167/tvst.11.6.16.[18]SuQ,GeY,WangJ,etal.Innovativemyopicscreeningplatformbasedonsmartphones[J].FrontBioengBiotechnol,2025,13:1678800.DOI:10.3389/fbioe.2025.1678800.[19]KaraaslanŞ,KobatSG,GedikpınarM.AnewmethodbasedondeeplearningandimageprocessingfordetectionofstrabismuswiththeHirschbergtest[J].PhotodiagnosisPhotodynTher,2023,44:103805.DOI:10.1016/j.pdpdt.2023.103805.[20]ZhengC,YaoQ,LuJ,etal.Detectionofreferablehorizontalstrabismusinchildren′sprimarygazephotographsusingdeeplearning[J].TranslVisSciTechnol,2021,10(1):33.DOI:10.1167/tvst.10.1.33.[21]ChenZ,FuH,LoWL,etal.Strabismusrecognitionusingeye-trackingdataandconvolutionalneuralnetworks[J].JHealthcEng,2018:7692198.DOI:10.1155/2018/7692198.[22]HoTC,KolinT,StewartC,etal.Evaluationofhigh-definitionvideosmartglassesforreal-timetelemedicinestrabismusconsultations[J].JAAPOS,2021,25(2):74.e1-74.e6.DOI:10.1016/j.jaapos.2020.11.016.[23]WuD,LiY,ZhangH,etal.Anartificialintelligenceplatformforthescreeningandmanagingofstrabismus[J].Eye(Lond),2024,38(16):3101-3107.DOI:10.1038/s41433-024-03228-5.[24]MuraliK,KrishnaV,KrishnaV,etal.Applicationofdeeplearningandimageprocessinganalysisofphotographsforamblyopiascreening[J].IndianJOphthalmol,2020,68(7):1407-1410.DOI:10.4103/ijo.IJO_1399_19.[25]LongE,ChenJ,WuX,etal.Artificialintelligencemanagescongenitalcataractwithindividualizedpredictionandtelehealthcomputing[J].NPJDigitMed,2020,3:112.DOI:10.1038/s41746-020-00319-x.[26]ZhangK,LiuX,JiangJ,etal.Predictionofpostoperativecomplicationsofpediatriccataractpatientsusingdatamining[J].JTranslMed,2019,17(1):2.DOI:10.1186/s12967-018-1758-2.[27]FarahA,RemtullaR,KoenekoopRK.Neuralnetwork-basedpredictionofpost-operativevisualoutcomesfollowingsecondarypediatricintraocularlensimplantation[J].Children(Basel),2025,12(10):1413.DOI:10.3390/children12101413.[28]VempuluruVS,ViriyalaR,AyyagariV,etal.Artificialintelligenceandmachinelearninginocularoncology,retinoblastoma(ArMOR):experiencewithamultiracialcohort[J].Cancers(Basel),2024,16(20):3516.DOI:10.3390/cancers16203516.[29]NamY,SongT,LeeJ,etal.Developmentofaneuralnetwork-basedautomatedeyelidmeasurementsystem[J].SciRep,2024,14(1):1202.DOI:10.1038/s41598-024-51838-6.[30]BalasM,MicieliJA,WulcA,etal.Text-to-imageartificialintelligencemodelsforpreoperativecounsellinginoculoplastics[J].CanJOphthalmol,2024,59(1):e75-e76.DOI:10.1016/j.jcjo.2023.09.006.[31]SunY,HuangX,ZhangQ,etal.Afullyautomaticpostoperativeappearancepredictionsystemforblepharoptosissurgerywithimage-baseddeeplearning[J].OphthalmolSci,2022,2(3):100169.DOI:10.1016/j.xops.2022.100169.[32]赵治,吴燕,刘晓宁,等.镇江市区6~12岁儿童屈光发育现状及其影响因素[J].中华实验眼科杂志,2020,38(12):1071-1077.DOI:10.3760/115989-20191218-00550.[33]HuangX,LeeSJ,KimCZ,etal.Animprovedstrabismusscreeningmethodwithcombinationofmeta-learningandimageprocessingunderdatascarcity[J].PLoSOne,2022,17(8):e0269365.DOI:10.1371/journal.pone.0269365.[34]王子健,甘小林,张璐,等.人工智能在斜视与小儿眼科中的应用[J].国际眼科纵览,2024,48(2):99-103.DOI:10.3760/cma.j.issn.1673-5803.2024.02.004.[35]WallaceDK,QuinnGE,FreedmanSF,etal.Agreementamongpediatricophthalmologistsindiagnosingplusandpre-plusdiseaseinretinopathyofprematurity[J].JAAPOS,2008,12(4):352-356.DOI:10.1016/j.jaapos.2007.11.022.[36]TomE,KeanePA,BlazesM,etal.ProtectingdataprivacyintheageofAI-enabledophthalmology[J].TranslVisSciTechnol,2020,9(2):36.DOI:10.1167/tvst.9.2.36.[37]RamessurR,RajaL,KilduffC,etal.Impactandchallengesofintegratingartificialintelligenceandtelemedicineintoclinicalophthalmology[J].AsiaPacJOphthalmol(Phila),2021,10(3):317-327.DOI:10.1097/APO.0000000000000406.[38]《眼科人工智能临床应用伦理专家共识(2023)》专家组,中国医药教育协会数字影像与智能医疗分会,中国医药教育协会智能医学专业委员会.眼科人工智能临床应用伦理专家共识(2023)[J].中华实验眼科杂志,2023,41(1):1-7.DOI:10.3760/115989-20220905-00414.