多模态影像融合与机器学习预测青少年近视发病：基于OCT和眼底彩照的前瞻性研究

本研究针对全球近视流行危机，创新性地整合光学相干断层扫描(OCT)、彩色眼底照相(CFP)和生物特征数据，开发了XGBoost预测模型。研究人员通过半监督学习分割脉络膜层，提取ETDRS网格厚度值，构建混合模型实现1年近视发病预测（AUROC=0.845）。该研究首次证实多模态数据融合可显著提升预测精度，为个性化近视防控提供了新范式。

　　

近视已成为席卷全球的公共卫生危机，预计到2050年将影响半数世界人口，造成高达1.7万亿美元的经济负担。传统近视防控面临两大挑战：一是难以在近视发生前识别高风险人群，二是现有预测方法多依赖单一模态数据。Min Hu等人在《Scientific Reports》发表的研究，开创性地将人工智能与多模态眼科影像结合，为破解这些难题提供了新思路。

研究团队采用三大关键技术：1）使用DRI OCT Triton采集472眼128层OCT图像，通过U-Net半自动分割脉络膜并计算ETDRS网格厚度；2）采用ResNet-50提取CFP和OCT的深度特征；3）整合生物特征数据（如SE、AL）与影像特征，利用XGBoost构建混合预测模型。所有数据来自湖北347名6-14岁青少年，采用5折交叉验证确保可靠性。

【ETDRS网格厚度比较】

研究发现近视前期组在II、SI、SO、TI、TO五个区域的脉络膜显著薄于对照组（p<0.05），提示脉络膜变薄是近视发生的早期生物标志物。

【模型性能评估】

临床数据模型（含SE、AL）AUROC为0.783，而融合多模态数据的混合模型将性能提升至0.845。CFP模型（AUROC=0.703）优于OCT模型（0.612），但二者联合时产生协同效应。

【变量重要性分析】

球形等效(SE)是最强预测因子，其次为CFP评分、OCT评分。ETDRS变量虽单独贡献度较低，但在混合模型中通过交互作用增强整体预测力。

这项研究首次证实：多模态数据融合可突破单一模态预测瓶颈，其中CFP能捕捉视网膜形态改变，OCT可检测脉络膜细微结构变化，二者互补显著提升预测效能。该成果为近视早期筛查提供了可解释的AI工具，其创新性体现在：1）建立首个整合OCT+CFP的预测框架；2）开发半自动脉络膜分割流程；3）揭示脉络膜厚度与近视发生的时空关联。尽管存在样本量有限等局限，但研究开创的"影像组学+生物测量"范式，为个性化近视防控策略制定提供了重要科学依据。