目前，近視困擾著全球超過20億人。如果不加以矯正，近視會嚴重損害視力，影響教育、就業機會和整體生活品質。預計到2050年，全球近一半人口將受到近視的影響。尤其是高度近視，它會導致嚴重的併發症，甚至導致永久性視力喪失，進一步加重個人和經濟負擔。早期診斷對於防止長期視力損害和有效控制近視發展至關重要。

近視是一個日益嚴重的全球性健康問題，它會損害視力和生活質量，但早期診斷是預防的關鍵。人工智慧透過機器學習和深度學習，在檢測、評估和預測近視方面展現出巨大的潛力，儘管數據品質和臨床接受度等挑戰仍然存在。圖片來源：Openverse 的Chris Urbanowicz

人工智慧(AI) 已成為解決這一日益嚴重的公共衛生問題的有力工具。機器學習(ML) 和深度學習(DL) 等人工智慧技術可以分析複雜的醫療數據，支援疾病診斷，識別風險因素和生物標記物，並預測臨床結果。

在2025年3月18日發表於《兒科調查》雜誌的一篇最新文獻綜述中，首都醫科大學眼科的李莉博士、餘繼峰博士和劉楠博士探討了人工智慧在近視領域的應用及其當前面臨的挑戰。他們的綜述重點介紹了人工智慧如何輔助近視的檢測、風險評估以及預測模型的開發，從而改善患者護理。

人工智慧近視檢測

有趣的是，可以使用機器學習/深度學習訓練人工智慧模型，透過眼底照片和光學相干斷層掃描影像檢測近視。透過向模型輸入大量近視患者的眼底影像，可以訓練人工智慧辨別與近視相關的視網膜顏色和圖案的細微變化。這使得模型能夠根據眼底照片診斷未來的患者。

此外，諸如SVOne（一款使用波前感測器測量眼部缺陷的手持設備）之類的自我監測設備，可以利用人工智慧演算法檢測眼部屈光不正。該設備可以存取線上影像資料庫，人工智慧可以將其作為參考來診斷近視。此外，人工智慧還可以接受訓練，檢測與近視發作相關的行為變化。這種檢測對於兒童近視的早期發現尤其有用，否則兒童近視往往被忽略。例如，Vivior 監測器使用機器學習演算法來記錄6-16 歲兒童視覺行為的變化，例如近視活動的時間。

識別和評估風險因素

此外，可以採用支援向量機、邏輯迴歸和XGBoost 等機器學習方法來識別近視的風險因素。

李莉博士解釋說：“基於XGBoost 的模型可以接收大量縱向數據，從而了解眾多患者的近視結果及其相關風險因素。這反過來又使該模型能夠根據新患者的遺傳、家族史、環境和生理參數來評估他們的風險因素。”

預測近視的進展和結果可以幫助醫生調整臨床治療方案。從宏觀層面來看，它可以影響臨床實踐和政策制定，有助於控制近視。透過向人工智慧模型輸入大量近視患者的生物特徵數據、屈光數據、治療反應和眼部影像，人工智慧可以學習預測新患者的近視結果。

儘管人工智慧在近視治療方面潛力巨大，但仍需克服若干挑戰。首先，必須確保用於訓練人工智慧模型的資料集正確且高品質。偏差、假陰性/陽性以及資料品質不佳會對模型的診斷和預測準確度產生負面影響。其次，大多數人工智慧模型都是使用來自大型醫院的數據進行訓練的，這些數據可能無法代表前往小型診所的患者。這造成了現實世界與訓練人群之間的差異。第三，人工智慧模型並非訓練有素的醫生，可能無法為其診斷提供臨床依據，這可能導致診斷被醫療專業人員拒絕。最後，由於用於訓練人工智慧模型的患者資料量如此之大，因此確保患者病歷的隱私至關重要。

餘繼峰博士總結道：「雖然我們的研究凸顯了人工智慧在近視臨床應用方面取得的顯著進展，但仍需進一步研究以克服技術挑戰。透過建立高品質的資料集，提升模型處理多模態影像資料的能力，以及改善人機互動能力，人工智慧模型可以進一步改進，從而實現更廣泛的臨床應用。」

編譯自/ scitechdaily