数字智能技术在斜视诊疗中的应用
阅读量：220
DOI：10.12419/25031102
发布日期：2025-10-28
作者：
努日曼·斯热吉丁 ,秦艳莉
展开更多 '%20fill='white'%20fill-opacity='0.01'/%3e%3cmask%20id='mask0_3477_29692'%20style='mask-type:luminance'%20maskUnits='userSpaceOnUse'%20x='0'%20y='0'%20width='16'%20height='16'%3e%3crect%20id='&%23232;&%23146;&%23153;&%23231;&%23137;&%23136;_2'%20x='16'%20width='16'%20height='16'%20transform='rotate(90%2016%200)'%20fill='white'/%3e%3c/mask%3e%3cg%20mask='url(%23mask0_3477_29692)'%3e%3cpath%20id='&%23232;&%23183;&%23175;&%23229;&%23190;&%23132;'%20d='M14%205L8%2011L2%205'%20stroke='%23333333'%20stroke-width='1.5'%20stroke-linecap='round'%20stroke-linejoin='round'/%3e%3c/g%3e%3c/g%3e%3c/svg%3e)
关键词
斜视
数字智能技术
人工智能
虚拟现实
摘要
斜视作为眼科的常见疾病之一，多发生于儿童群体。传统的诊疗手段高度依赖医生的个人经验，效率欠佳，患者依从性差，极易延误病情，严重影响患儿视功能及身心发育。近年来，人工智能(artificial intelligence, AI)与虚拟现实(virtual reality, VR)技术作为数字智能技术中的前沿科技手段，已广泛应用于眼科疾病的筛查、诊断和治疗环节，并正推动斜视诊疗体系向智能化转型。AI技术凭借强大的图像识别与分析能力可自动检测斜视类型和角度，更全面地评估病情。同时，通过分析大量数据预测手术参数，辅助制定个性化的手术方案，并且评估手术效果，大幅提升了斜视诊疗的精准度和效率；而VR技术则通过眼动追踪和动态场景模拟，实现更全面的眼位测量和动态分析。在手术中为医生提供清晰全面的眼部视图，借助模拟试验提升操作精准度，降低手术风险。借助沉浸式的视觉训练有效优化了斜视的康复效果。本文系统地回顾了数字智能技术在斜视诊疗方面的创新应用实例，深入探讨了AI和VR在斜视诊疗中独特的技术优势以及显著的临床价值。AI与VR技术的协同创新，为斜视诊疗模式带来了智能化的变革，在未来，有望为眼科医疗领域的发展注入新的动力，推动整个行业迈向新的高度。
全文
文章亮点
1. 关键发现
• AI 凭借图像识别与多模态数据融合能力，可自动检测斜视类型与角度 ( 部分模型准确率超 95%)，还能通过分析病例数据预测手术参数 ( 如内直肌调整量误差仅 0.5 mm)；VR 结合眼动追踪实现动态眼位测量 ( 与传统方法一致性指数达 0.897)，且沉浸式训练可改善患者立体视功能。二者协同可覆盖斜视术前筛查诊断、术中辅助操作、术后评估康复全流程，解决传统诊疗依赖经验、效率低、患者依从性差等问题。2. 已知与发现
• 已知传统斜视诊疗依赖医生经验，存在效率低、误诊率高、患者配合度差等局限。新发现在于，AI 能突破人工诊断局限，实现自动化精准评估与手术规划；VR 可突破静态测量限制，实现动态眼位分析与沉浸式训练。同时发现，当前技术存在数据代表性不足、模型 “黑箱” 问题、临床验证不充分、成本高等挑战，且多针对儿童群体，对复杂斜视及成人患者覆盖不足。3. 意义与改变
• 在诊疗模式上，推动斜视诊疗从 “经验驱动” 向 “数据智能驱动” 转型，提升精准度与效率；在患者体验上，AI 移动端筛查、VR 游戏化训练提高患者依从性，尤其解决低龄儿童配合难题；在行业发展上，为眼科智能化提供范例，未来结合 5G 等技术有望实现全链条智能化，为斜视患者提供更高效、个性化的诊疗服务，推动眼科医疗现代化。斜视是眼科临床常见疾病，患病率约为1%~3%[1]，是由于中枢管制失调、眼外肌力量失衡，导致双眼不能同时注视目标的一种眼病[2]。其主要发生在儿童群体，可导致患儿双眼视功能破坏、单眼抑制、视网膜对应异常等，同时可影响儿童心理、运动机能的发育。患儿常因诊治不及时，视功能受到严重损害。传统的斜视诊断主要由眼科医师通过角膜映光法和遮盖试验等测试手动进行，非常依赖患者的配合和医师的技能及经验，存在效率低、误诊率高、患者依从性差等问题[3]。
随着中国计算机技术行业的不断发展，医疗行业也经历了从信息化到数字化、再到智能化的重要发展历程[4]。在这一发展趋势下，近年来，人工智能(artificial intelligence, AI)和虚拟现实(virtual reality, VR)技术的快速发展为斜视的诊疗提供了新的解决方案[5,6]。AI通过深度学习、计算机视觉等技术，能够自动化地分析眼位、预测手术方案[7]；而VR则通过构建虚拟环境与实时眼动追踪，为视觉康复与动态诊断提供了新范式[8,9]。本文聚焦于数字智能技术中的AI与VR在斜视诊疗中的术前、术中及术后的应用，系统分析二者协同应用的潜力，以期为眼科诊疗的智能化与个性化提供理论支持。
1 数字智能技术在斜视术前的应用
斜视不仅影响外观，还可能导致弱视、双眼立体视功能障碍，降低患者视觉功能和生活质量，加重家庭与社会负担。因此，斜视的及时筛检和诊治极为关键。但目前常规入校筛查主要针对近视等屈光不正，难以准确判断斜视，易延误病情。传统斜视检查方法依赖专业医师和设备，耗费大、效率低，应用场景局限于临床。临床检查多为人工测量判断，包括斜视的定性检查（遮盖-去遮盖法和交替遮盖法等）和定量检查（角膜映光法、三棱镜角膜映光法）、眼球运动检查及双眼视觉功能检查等[2]。目前，传统的检查方法存在诸多问题，如角膜映光法使用成人眼球的相关参数，采用数值估算的方法，计算出斜视角的大小。但是由于角膜直径、瞳孔大小、角膜曲率等因人而异，故无法通过此法得到一个确切的数值[10]。三棱镜角膜映光法在斜视检查中，比角膜映光法更精确但更耗时，依赖患者配合。检查时，kappa角、三棱镜成像畸变、棱镜放置位置都会影响检查结果，且误差与棱镜度数正相关[11]。1.1 斜视的筛查与精准诊断
1.1.1 AI图像识别与分析AI技术在斜视筛查中的核心优势在于其处理复杂图像数据的能力，可以通过分析眼位照片或视频，自动检测斜视类型和角度。不同 AI模型在架构设计、数据处理方式和性能表现上各有特点。Huang等[12]提出的基于卷积神经网络(convolutional neural network, CNN)的筛查方法，通过提取眼部区域特征（如瞳孔中心与内外眦的距离偏差），在60张图像的实验中实现了初步筛查效果。CNN模型在处理局部图像特征时表现出色，适用于图像数据量相对较少、特征较为明确的场景，为资源匮乏地区的斜视筛查提供了可行性方案。但由于其数据量有限，在复杂环境下的泛化能力可能受限。为提升筛查的便捷性与覆盖范围，Wu等[13]开发了基于Vision-Transformer架构的移动端AI平台。该平台通过处理角膜反光照片，在独立测试集中达到96.7%的准确率，并整合了筛查、电子病历管理及医患交互功能，实现了全流程数字化管理。Vision-Transformer架构在处理全局图像信息方面具有优势，能够捕捉图像中的长距离依赖关系，在图像特征较为分散的情况下表现良好。该平台的高准确率和多功能集成，使其更适合在临床环境中广泛应用，尤其是对于需要快速高效处理大量数据的场景。Qin等[14]构建了一种基于深度学习的模型。该模型利用手机照片，经专业标注、采用ConvNeXt网络架构，借助预训练权重微调及数据增强策略进行训练。评估显示，其检测斜视的灵敏度为0.73（95% CI：0.70~0.77），特异度为0.85（95% CI：0.84~0.86），在不同性别亚组表现相当，年龄亚组中13~18岁组敏感性最高。ConvNeXt网络架构结合预训练策略，能有效利用迁移学习能力，在有限数据下提升模型性能。但该模型在灵敏度方面尚有提升空间，不过其在家庭早期筛查场景中，凭借对手机照片的利用，极大降低了筛查门槛。在动态场景下的筛查探索中，Chen等[15]开发的一款基于视频的AI系统(apollo infant sight，AIS)通过捕捉儿童凝视模式与面部特征，可检测包括斜视在内的16种眼病。该研究收集了3 652名儿童超过2 500万帧视频训练和测试模型。在性能上，其内部验证集受试者操作特征曲线下面积(area under the receiver operating curve, ROCAUC)达0.940，外部验证集为0.843，在家庭场景应用中ROCAUC也可达0.859。AIS系统利用卡通视频吸引儿童注意力，有效解决了低龄患者配合度低的难题。其高AUC值表明在处理动态视频数据、捕捉复杂眼部及面部特征方面表现优异，尤其适用于儿童斜视筛查，能够在更接近真实生活的场景中实现准确检测，但外部验证集与内部验证集之间的性能差异，反映出模型在跨场景应用时的稳定性有待加强。
结合眼底照片、眼动追踪数据等多模态信息，AI可以更全面地评估斜视的严重程度和类型。Wang等[16]开发的深度学习模型，为眼科领域评估眼球静态旋转状态带来新突破。研究团队收集276张来自约翰斯・霍普金斯医院的右眼眼底照片，利用ImageJ计算视盘-黄斑角(disc-foveal angle, DFA)，并据此生成12 740张合成图像，构建了二元和多分类数据集。基于ResNet架构结合迁移学习，开发了用于区分眼球内旋和外旋的二元分类器，以及判断生理性和病理性眼扭转的多分类器，在合成数据集上，二元分类器准确率达0.92，多分类器准确率为0.77 ，且在非合成数据上泛化能力良好，从眼部静态结构信息出发，为斜视诊断提供了新视角。Jabbar等[17]提出的FedCNN模型，结合了CNN和极端梯度提升(extreme gradient boosting, XGBoost)，利用注视偏差(gaze deviation, GaDe)图像捕捉动态眼动。该模型在处理多模态数据时，通过数据预处理和增强技术，提高了数据质量和分类效果，在斜视识别中达到了95.2%的准确率。这种多模态数据融合的方式能够更全面地反映眼部的状态，有助于提高斜视诊断的准确性和可靠性。
1.1.2 VR辅助眼位测量
传统眼位测量方法（如棱镜遮盖试验）受限于操作者经验与静态环境，而VR技术通过结合眼动追踪与动态场景模拟，实现了更全面的诊断[9]。Nesaratnam等[18]利用Oculus rift进行了基于VR的斜视测试研究，对比了该测试与经典Lees屏幕测试的结果。研究通过测量水平和垂直偏差以及扭转测试，发现基于VR的测试所确定的偏差模式与Lees屏幕测试结果一致，这为VR技术应用于斜视检测提供了可行性依据。Yeh等[19]利用HTC VIVE Pro Eye设备构建的VR系统，测得斜视角度与传统方法的一致性指数(intra-class correlation coefficient, ICC)达0.897，且其可模拟大角度测量与远程医疗场景，显著降低了操作误差。
动态眼位分析方面，VR可以实时捕捉患者在动态场景中的眼位变化。通过让患者在虚拟环境中进行各种活动，如行走、观看移动的物体等，VR设备能够实时记录患者的眼位变化数据。这些数据可以帮助医生更全面地了解患者的眼位情况，尤其是在不同场景下的眼位变化特点，为医生进行诊断和制定治疗方案提供了更为丰富的信息[20]。Wang团队[21]开发的VR诊断系统在检测外斜视方面表现出色，其灵敏度与特异度均达80%。该系统在动态场景下的眼位分析（如追踪移动目标）能够真实反映患者的日常视觉状态，为个性化治疗方案的制定提供了多维数据支持。与传统的静态眼位测量相比，动态眼位分析能够更真实地反映患者日常生活中的视觉状态，有助于制定更符合患者实际需求的治疗方案。
1.2 辅助智能个性化制定手术方案
1.2.1 AI数据驱动的手术规划AI可以通过对历史手术病例中的患者年龄、斜视类型、斜视角度等多维度数据进行分析，建立预测模型，为新患者的手术提供参考，减少手术的盲目性。不仅如此，AI可以通过全面分析患者的临床数据，如斜视角度、视力、屈光度、双眼注视情况、眼底检查结果以及各眼肌在不同注视位置的运动数据等，预测手术中眼外肌的调整量，帮助医生制定更合适的手术方案，提高手术的成功率[22]。Almeida等[23]开发的基于支持向量机回归(support vector regression, SVR)的模型，通过分析23项临床特征（如斜视角度、眼肌运动参数），预测内直肌手术调整量的平均误差仅为0.5 mm，验证了AI在手术量化设计中的潜力。Mao等[24]进一步将AI应用于外斜视手术规划，借助56例成功接受初次手术的外斜视患者的角膜反光照片，开发出手术建议系统。经回顾性测试，该系统在预测手术角度方面，与实际手术角度呈现出高度正相关（r=0.86；P<0.001），预测精度可达±5.5°（11.5 PD），偏差仅为−0.6°，为外斜视手术提供了有效的角度预测参考。对于复杂病例，Lou等[25]基于GAR2U-Net开发循环残差卷积神经网络，对72例患者的106只眼进行下斜肌亢进(inferior oblique overaction, IOOA)评估。研究发现，该技术通过测量双眼下角膜缘高度差这一关键指标，与临床分级之间存在显著相关性，且与手动测量结果一致性良好，ICC达到0.975，为下斜肌亢进的评估提供了新的可靠方法。总之，AI技术在斜视手术方案制定、角度预测、病情评估等多方面成果斐然，展现出在提升斜视手术质量与临床评估效率上的巨大潜力和广阔前景。
1.2.2 VR手术模拟与预演
在手术前的准备阶段，医生能够借助VR技术在虚拟眼部模型上预演手术。通过这种方式医生可以熟悉手术流程，规划手术步骤，有效提升手术技能，更好地应对复杂情况[26]。比如模拟手术中，医生能提前感受眼部组织的弹性，从而更准确地预估手术器械的操作效果。同时，通过分析患者术前眼部数据，结合相关模型，能够预测术后眼位变化和视觉功能恢复情况，并在VR环境中向医患双方呈现[27,28]。这有助于医生与患者充分沟通，让患者清晰了解手术预期，增强对手术治疗的信心。
2 数字智能技术在斜视手术中的应用
2.1 AI实时辅助手术操作
AI技术在斜视手术中展现出了强大的实时辅助能力，为手术的精准进行提供了有力支持。Mao等[24]的研究团队构建的AI平台中的手术建议系统，能够依据大量的病例数据，为医生提供极具价值的手术目标角度等关键信息。这一系统通过对海量数据的学习与分析，深入了解不同斜视类型和程度对应的最佳手术参数，在手术过程中，医生可借助这些精准信息，科学合理地规划手术方案，精确确定肌肉调整的关键指标，有效减少手术误差，提高手术成功率。此外，一些研究利用AI对手术视频进行分析，如Zheng等[29]运用深度学习算法，实现了对斜视手术视频步骤的自动检测。这一功能不仅有助于医生在手术过程中实时把控手术进程，及时察觉并纠正潜在问题，还能为医生提供手术操作的反馈，帮助医生不断优化手术技巧。通过对手术视频的分析，AI可以识别手术中各个阶段的关键操作，监测手术器械的位置和运动轨迹，发现操作与标准流程存在偏差，能及时提醒医生进行调整，确保手术的安全性和有效性。
2.2 VR提升手术视野与操作精准度
VR技术为斜视手术带来了全新的视野和操作体验，极大地增强了手术视野的清晰度和操作的精准度。依据Chen等[30]的研究，基于VR技术的眼疾筛查系统，借助VR设备模拟多样化的视觉场景，并结合红外摄像头实时捕捉眼位变化，为斜视诊断和手术提供了丰富且直观的信息。在手术过程中，医生借助VR技术，能够获取比传统手术方式更清晰、更全面的眼部结构视图，突破了传统手术视野的局限，对眼部肌肉、神经等组织的位置和状态有更精准的把握，显著降低手术风险。Mori等[31]指出的VR模拟交替遮盖试验，手术中能帮助医生更深入地理解患者的斜视状况。通过VR技术提供的沉浸式体验，医生仿佛置身于患者眼部内部，能够更精确地判断手术需要调整的部位和程度，显著提高手术操作的精准度。VR技术还为医生搭建了虚拟的训练环境，医生可在其中反复进行模拟手术操作，提前熟悉手术流程和技巧，进一步提升在实际手术中的操作精准度和应对突发情况的能力，为手术的成功实施提供有力保障。3 数字智能技术在斜视术后的应用
3.1 术后效果的客观评估
3.1.1 AI图像分析评估眼位矫正效果AI通过对比患者术前和术后的眼部图像，利用图像分析技术观察眼位的变化，能够较为精准地量化眼位矫正效果，为医生判断手术是否达到预期目标提供了客观依据[24,32]。Huang等[12]提出的基于图像处理的自动斜视筛查方法，先利用预训练的卷积神经网络和面部地标检测器提取眼部区域，再通过一系列图像处理操作确定瞳孔中心，进而计算双眼位置相似性偏差来判断斜视情况。此方法虽主要用于筛查，但也为术后眼位矫正效果评估提供了思路，通过对比术前和术后图像中双眼的位置相似性变化，可直观反映眼位矫正效果。若术后双眼位置相似性更接近正常范围，说明眼位矫正效果良好；反之，则提示可能需要进一步调整治疗方案。
3.1.2 VR功能测试评估视觉功能恢复
VR技术在评估斜视术后视觉功能恢复方面具有独特优势。在Yang等[33]的研究中，虽然研究主要针对糖尿病视网膜病变，但VR技术评估视觉功能的原理具有借鉴意义。通过模拟不同的视觉场景，如远近场景切换，利用VR设备结合红外摄像头捕捉患者在不同场景下的眼位变化和视觉反应，可获取多维度的视觉功能数据。在评估斜视术后视觉功能恢复时，可让患者在VR环境中进行视觉任务，如识别不同距离的物体、追踪移动目标等，根据患者的完成情况和眼动数据来评估其视觉功能的恢复程度。
除此之外，VR模拟交替遮盖试验，为评估斜视术后视觉功能恢复提供了一种新途径。该试验通过VR模拟交替遮盖的过程，观察患者的眼位变化和视觉适应情况。在术后评估中，若患者在VR模拟交替遮盖试验中眼位能迅速稳定，且视觉感知正常，说明其双眼视觉功能在一定程度上得到了恢复；若仍存在眼位不稳定、复视等问题，则表明视觉功能恢复可能不理想，需要进一步的康复训练或治疗[31]。
3.2 个性化的术后康复训练
3.2.1 AI定制康复训练方案AI可以依据患者多维度数据，根据斜视程度和年龄差异，为患者定制个性化训练方案。对轻度斜视儿童，设计简单的追逐游戏，缓慢移动的目标便于他们参与，逐步提升视觉功能；而成年患者或症状较为严重的患者，则会面对更复杂、具有挑战性的任务，如快速精准抓取目标，以此满足他们更高的训练需求[34]。
在训练过程中，通过监测患者的眼动、头部运动及训练表现，AI系统能迅速察觉问题[15,16]。若患者频繁出错或出现视觉疲劳，系统自动降低难度或给予提示；若完成任务又快又准，则增加训练难度，保证训练强度适宜，持续提升训练效果[34]。这种根据患者的训练状态和问题灵活调整训练方案的方式，不仅提高了训练的效果，还能有效增强患者的参与度和积极性，使训练过程更加贴合患者的实际需求，大大提高了治疗的依从性[29]。
3.2.2 VR沉浸式康复训练体验
VR技术通过创建沉浸式的虚拟环境，患者能够身临其境地进行视觉训练，增强训练的趣味性和效果。例如，利用VR技术模拟日常生活场景，如观看电影、玩游戏等，让患者在这些场景中进行视觉任务，促使双眼协同工作，提高双眼视功能[34]。Li等[35]开发了基于VR平台的双眼分视训练系统并展开研究，招募25例间歇性外斜视(intermittent exotropia, IXT)患者，在训练前、训练1个月、3个月和6个月后分别进行多项眼科检查。结果显示，经过6个月训练，患者均建立新的立体视功能且眼位改善，水平知觉眼位(perceptual eye position, PEP)像素值在训练1个月和6个月后显著低于训练前，角膜光学反射和棱镜度数也有显著改善。赵晓丽等[36]的临床研究进一步证实，术后VR训练组的双眼视功能治愈率显著高于对照组。且传统检查方法难以捕捉的微小改善可通过VR系统精准量化。Vedamurthy等[37]设计的“压虫游戏”利用VR技术，通过改变双眼视差，帮助患者恢复立体视功能。开发专门的VR训练游戏，让患者在游戏过程中进行视觉训练，不仅增加了训练的趣味性，还能根据患者的实时表现进行难度调整。如一些游戏要求患者通过双眼的配合完成特定任务，如抓取虚拟物体、穿越障碍等，在游戏过程中，系统可以实时监测患者的眼动数据和完成任务的情况，根据患者的表现自动调整游戏难度，实现个性化训练。研究发现，VR交互性训练游戏对4~6岁单侧斜视性弱视儿童的视力和立体视功能有显著改善作用，且安全性良好，是一种具有潜力的斜视治疗方法[38]。
4 数字智能技术在斜视诊疗中面临的挑战
4.1 数据质量与标准化
当前研究使用的数据集多来自单中心，缺乏多中心、大样本数据，这使得数据的代表性受限，难以反映不同地区、人群的差异[39]。而且数据的标注存在不一致性，不同标注者或研究的标注标准不同，影响数据完整共享，降低了模型训练效果与通用性[29]。多中心数据共享也面临困境，数据安全、隐私保护等问题阻碍不同医疗机构间的数据交流[22]。尽管AI在斜视诊疗中取得了不少的成果，但现有的研究存在局限性。在大多数研究中排除了复杂性斜视，如麻痹性斜视、限制性斜视、甲状腺相关性眼病性斜视、Duane 眼球后退综合征及Brown综合征等，且患者群体多集中于儿童。而在现实中各年龄段不同类型的患者均需要尽早、精准地诊疗。成人和复杂性斜视数据的匮乏，导致 数字化智能技术在多样化场景中的实用性和普适性受限[3]。未来应扩大数据收集范围，纳入更多成人及复杂性斜视病例。
4.2 模型的自身缺陷
当前AI模型多为“黑箱”，决策过程难以理解，限制其临床应用。以深度学习模型为例，虽在斜视诊断中准确率高，但医生难以知晓诊断决策依据，使用时有所顾虑，担心错误决策会影响患者[40]。另一方面，也有人认为人工智能的开发和训练过程非常复杂，超出了普通人的理解范围，从而形成了“黑箱”的概念[41]。训练的具体过程若能公开，将在很大程度上增强人们的信心，并使人工智能在眼科领域得到更广泛的应用。人工神经网络(artificial neural networks, ANNs)具有自我学习的特性，这是其发展的核心，解释这一过程如何发生，能够让在临床中使用这些系统的医生更有信心。开发和安装其他软件也有助于简化这一过程，提高透明度[42]。目前的研究表明，可解释的人工智能系统比不可解释的系统更具优势。通过更深入地理解，眼科医生能够更好地利用这项技术，实现其最大功效，并更清楚在哪些情况下人工智能系统能够提供最佳结果[43]。现有的数字智能技术在斜视诊疗中的研究往往排除了复杂斜视类型，并且主要集中在儿童群体，在多样化场景中的实用性和普适性明显不足。由于儿童和成人在眼部疾病的病因、临床表现以及治疗方法上存在差异，适用于成年患者的模型直接运用于儿童可能会出错[5]。
4.3 临床应用障碍
数字智能技术的应用在斜视诊疗中展现潜力，但临床应用的安全性和有效性仍需更多大规模临床试验验证[44]。多数研究样本量小，难以全面反映技术在不同人群、临床场景下的真实效果，且评估指标和方法缺乏统一标准，给临床验证带来困难[13,20]。另外，VR设备在使用过程中存在安全隐患问题，头戴式VR显示设备若在运行过程中过度发热可能会对眼部健康带来不利影响，部分患者长时间使用VR设备可能会出现头晕、恶心等不适症状，甚至会出现短时间内的平衡感下降，这可能与使用VR设备过程中的视觉呈现与真实运动状态不一致导致视觉-前庭冲突有关。在使用时进行双眼的光学矫正或提高视觉与真实运动状态的一致性可能可以减少这种晕动症状。在诊治不同类型、年龄和程度的斜视患者时对VR设备的刺激参数和治疗时长、治疗频率等方面需要更加详细、科学地定义，在临床应用中需要进一步规范筛查手段和治疗方案[8]。数字智能技术在斜视诊疗中的应用改变了传统诊疗模式，可能与现有的医疗流程和工作模式不兼容，导致医护人员在使用时面临困难。而且不同科室、医疗机构之间在数据共享、技术协同方面存在障碍，影响了技术的广泛应用和推广[22]。
除此之外，数字智能技术在斜视诊疗中的成本较高，这制约了其广泛推广应用。例如，VR设备和相关软件的开发、维护成本较高，使得一些医疗机构难以承担，影响了技术在临床实践中的普及。
5 AI与VR协同应用的探索
AI识别技术初步检测出可能存在斜视的患者，之后引导患者使用VR设备进行更全面的动态眼位分析，收集到的数据综合分析后给出更准确的筛查结果及诊断。借助AI强大的数据处理及学习能力，能够深度分析患者的临床数据。根据分析结果，生成高度个性化的VR训练场景。例如：AI依据其具体的屈光数据和眼肌调节能力，为患者在VR训练中设计特定的眼球运动轨迹、速度以及距离。患者在使用VR设备进行检查、训练过程中，VR设备可以实时收集丰富的数据（如眼球运动轨迹、视觉反应等）并反馈给AI模型，帮助其不断优化。AI可通过分析患者的临床数据，为医生提供手术操作的建议，在模拟手术当中，VR设备同样把手术操作的数据（如操作深度、力度等）反馈给AI进而优化手术方案，保障手术顺利进行。术后，AI结合VR反馈数据评估手术效果并制定康复训练方案，促进患者视功能的恢复，从而实现“筛查-诊断-治疗-康复”的全链条智能化闭环诊疗。6 结语
数字智能技术中的AI与VR为斜视诊疗开辟了新路径，术前实现自动化精准筛查与手术规划，术中辅助手术操作，术后有效评估手术效果并展开个性化视觉训练与康复。然而，目前数字智能技术在斜视诊疗中的应用仍面临诸多挑战，如数据质量参差不齐、标注标准不统一、模型可解释性差、临床验证不足，以及与现有医疗流程不兼容、成本高昂等问题。在克服现有挑战的基础上，通过跨学科合作（如眼科、计算机科学、生物工程）构建标准化技术生态，数字智能技术将在未来眼科医疗中发挥更大的作用。随着5G、边缘计算等技术的结合，斜视诊疗有望实现“筛查-诊断-治疗-康复”的全链条智能化，为斜视患者提供更加高效、精准、个性化的诊疗服务，推动眼科医疗向智能化、现代化方向迈进。声明
在本作品的准备过程中，作者使用了DeepSeek和豆包来整理文章框架，改写语句进行辅助创作。使用该类工具后，作者根据需要对内容进行了审查和编辑，并对出版物的内容承担全部责任。利益冲突
所有作者均声明不存在利益冲突。开放获取声明
本文适用于知识共享许可协议(Creative Commons)，允许第三方用户按照署名(BY)-非商业性使用(NC)-禁止演绎(ND)(CC BY-NC-ND)的方式共享，即允许第三方对本刊发表的文章进行复制、发行、展览、表演、放映、广播或通过信息网络向公众传播，但在这些过程中必须保留作者署名、仅限于非商业性目的、不得进行演绎创作。基金
1、天山英才医药卫生高层次人才中青年骨干（SYC202401B062 ）。
This work was supported by Young and Middle-aged Backbone Talents in Medicine and Health among High-level Professionals of the "Tianshan Talents" Program（SYC202401B062 ）.
This work was supported by Young and Middle-aged Backbone Talents in Medicine and Health among High-level Professionals of the "Tianshan Talents" Program（SYC202401B062 ）.
参考文献
1、中华医学会眼科学分会斜视与小儿眼科学组. 我国斜视分类专家共识(2015年)[J]. 中华眼科杂志, 2015, 51(6): 408-410. DOI:10.3760/cma.j.issn.0412-4081.2015.06.003.
Strabismus and Pediatric Ophthalmology Group, Ophthalmology Branch of Chinese Medical Association. Expert consensus on strabismus classification in China (2015)[J]. Chin J Ophthalmol, 2015, 51(6): 408-410. DOI:10.3760/cma.j.issn.0412-4081.2015.06.003.
Strabismus and Pediatric Ophthalmology Group, Ophthalmology Branch of Chinese Medical Association. Expert consensus on strabismus classification in China (2015)[J]. Chin J Ophthalmol, 2015, 51(6): 408-410. DOI:10.3760/cma.j.issn.0412-4081.2015.06.003.
2、郭勇麟, 陈墨馨, 刘哲源, 等. 基于人工智能技术的斜视诊疗进展[J]. 上海交通大学学报(医学版), 2024, 44(3): 393-398. DOI:10.3969/j.issn.1674-8115.2024.03.013.
Guo YL, Chen MX, Liu ZY, et al. Progress in diagnosis and treatment of strabismus based on artificial intelligence technology[J]. J Shanghai Jiaotong Univ Med Sci, 2024, 44(3): 393-398. DOI:10.3969/j.issn.1674-8115.2024.03.013.
Guo YL, Chen MX, Liu ZY, et al. Progress in diagnosis and treatment of strabismus based on artificial intelligence technology[J]. J Shanghai Jiaotong Univ Med Sci, 2024, 44(3): 393-398. DOI:10.3969/j.issn.1674-8115.2024.03.013.
3、刘陇黔, 吴达文. 关注人工智能在斜视诊疗中的应用[J]. 中华实验眼科杂志, 2024, 42(12): 1079-1083. DOI:10.3760/cma.j.cn115989-20240611-00149.
Liu LQ, Wu DW. Pay attention to the application of artificial intelligence in strabismus diagnosis and treatment[J]. Chin J Exp Ophthalmol, 2024, 42(12): 1079-1083. DOI:10.3760/cma.j.cn115989-20240611-00149.
Liu LQ, Wu DW. Pay attention to the application of artificial intelligence in strabismus diagnosis and treatment[J]. Chin J Exp Ophthalmol, 2024, 42(12): 1079-1083. DOI:10.3760/cma.j.cn115989-20240611-00149.
4、郭英胜, 邓蔚, 徐尾霞, 等. 数字化和人工智能技术在口腔医学中的应用进展[J]. 中国现代医生, 2024, 62(31): 121-125. DOI:10.3969/j.issn.1673-9701.2024.31.029.
Guo YS, Deng (W/Y), Xu (W/Y)X, et al. Application progress of digitalization and artificial intelligence technology in stomatology[J]. China Mod Dr, 2024, 62(31): 121-125. DOI:10.3969/j.issn.1673-9701.2024.31.029.
Guo YS, Deng (W/Y), Xu (W/Y)X, et al. Application progress of digitalization and artificial intelligence technology in stomatology[J]. China Mod Dr, 2024, 62(31): 121-125. DOI:10.3969/j.issn.1673-9701.2024.31.029.
5、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.
Wang ZJ, Gan XL, Zhang L, et al. Application of artificial intelligence in strabismus and pediatric ophthalmology[J]. Int Rev Ophthalmol, 2024, 48(2): 99-103. DOI:10.3760/cma.j.issn.1673-5803.2024.02.004.
Wang ZJ, Gan XL, Zhang L, et al. Application of artificial intelligence in strabismus and pediatric ophthalmology[J]. Int Rev Ophthalmol, 2024, 48(2): 99-103. DOI:10.3760/cma.j.issn.1673-5803.2024.02.004.
6、张姗姗, 李琴华, 薛玉坤, 等. 虚拟现实技术在眼部疾病中的应用与展望[J]. 西安交通大学学报(医学版), 2024, 45(3): 514-519. DOI:10.7652/jdyxb202403024.
Zhang SS, Li QH, Xue YK, et al. Application and prospect of virtual reality technology in ocular diseases[J]. J Xi’an Jiaotong Univ Med Sci, 2024, 45(3): 514-519. DOI:10.7652/jdyxb202403024.
Zhang SS, Li QH, Xue YK, et al. Application and prospect of virtual reality technology in ocular diseases[J]. J Xi’an Jiaotong Univ Med Sci, 2024, 45(3): 514-519. DOI:10.7652/jdyxb202403024.
7、刘潇逸. 婴幼儿眼病的人工智能应用[J]. 眼科学报, 2022, 37(3): 214-221. DOI:10.3978/j.issn.1000-4432.2022.03.09.
Liu XY. Artificial intelligence application for infantile eye diseases[J]. Eye Sci, 2022, 37(3): 214-221. DOI:10.3978/j.issn.1000-4432.2022.03.09.
Liu XY. Artificial intelligence application for infantile eye diseases[J]. Eye Sci, 2022, 37(3): 214-221. DOI:10.3978/j.issn.1000-4432.2022.03.09.
8、李姬静, 袁进. 基于虚拟现实技术的视功能评估与重建[J]. 中华实验眼科杂志, 2022, 40(6): 576-581. DOI:10.3760/cma.j.cn115989-20210924-00534.
Li JJ, Yuan J. Evaluation and reconstruction of visual function based on virtual reality technology[J]. Chin J Exp Ophthalmol, 2022, 40(6): 576-581. DOI:10.3760/cma.j.cn115989-20210924-00534.
Li JJ, Yuan J. Evaluation and reconstruction of visual function based on virtual reality technology[J]. Chin J Exp Ophthalmol, 2022, 40(6): 576-581. DOI:10.3760/cma.j.cn115989-20210924-00534.
9、牛玉玲, 叶茹珊, 金玲, 等. Hirschberg Test在儿童斜视角测量中的准确性和可靠性研究[J]. 中外医学研究, 2018, 16(24): 149-150. DOI:10.14033/j.cnki.cfmr.2018.24.073.
Niu YL, Ye RS, Jin L, et al. Research on the accuracy and reliability of hirschberg test in children’s oblique angle measurement[J]. Chin Foreign Med Res, 2018, 16(24): 149-150. DOI:10.14033/j.cnki.cfmr.2018.24.073.
Niu YL, Ye RS, Jin L, et al. Research on the accuracy and reliability of hirschberg test in children’s oblique angle measurement[J]. Chin Foreign Med Res, 2018, 16(24): 149-150. DOI:10.14033/j.cnki.cfmr.2018.24.073.
10、Tengtrisorn S, Tungsattayathitthan A, Phatthalung SN, et al. The reliability of the angle of deviation measurement from the Photo-Hirschberg tests and Krimsky tests[J]. PLoS One, 2021, 16(12): e0258744. DOI:10.1371/journal.pone.0258744.
11、Miao Y, Jeon JY, Park G, et al. Virtual reality-based measurement of ocular deviation in strabismus[J]. Comput Methods Programs Biomed, 2020, 185: 105132. DOI:10.1016/j.cmpb.2019.105132.
12、Huang X, Joon L, Zoo K, et al. An automatic screening method for strabismus detection based on image processing[J]. PLoS One, 2021, 16(8): e0255643. DOI:10.1371/journal.pone.0255643.
13、Wu D, Li Y, Zhang H, et al. An artificial intelligence platform for the screening and managing of strabismus[J]. Eye, 2024, 38(16): 3101-3107. DOI:10.1038/s41433-024-03228-5.
14、Shu Q, Pang J, Liu Z, et al. Artificial intelligence for early detection of pediatric eye diseases using mobile photos[J]. JAMA Netw Open, 2024, 7(8): e2425124. DOI:10.1001/jamanetworkopen.2024.25124.
15、Chen W, Li R, Yu Q, et al. Early detection of visual impairment in young children using a smartphone-based deep learning system[J]. Nat Med, 2023, 29(2): 493-503. DOI:10.1038/s41591-022-02180-9.
16、Wang C, Bai Y, Tsang A, et al. Deep learning model for static ocular torsion detection using synthetically generated fundus images[J]. Transl Vis Sci Technol, 2023, 12(1): 17. DOI:10.1167/tvst.12.1.17.
17、Jabbar A, Jabbar MK, Mahmood T, et al. A retinal detachment based strabismus detection through FEDCNN[J]. Sci Rep, 2024, 14(1): 23255. DOI:10.1038/s41598-024-72919-6.
18、Nesaratnam N, Thomas P, Vivian A. Stepping into the virtual unknown: feasibility study of a virtual reality-based test of ocular misalignment[J]. Eye, 2017, 31(10): 1503-1506. DOI:10.1038/eye.2017.97.
19、Yeh PH, Liu CH, Sun MH, et al. To measure the amount of ocular deviation in strabismus patients with an eye-tracking virtual reality headset[J]. BMC Ophthalmol, 2021, 21(1): 246. DOI:10.1186/s12886-021-02016-z.
20、Moon HS, Yoon HJ, Park SW, et al. Usefulness of virtual reality-based training to diagnose strabismus[J]. Sci Rep, 2021, 11: 5891. DOI:10.1038/s41598-021-85265-8.
21、Wang YM, Liu J, Chen WW, et al. Accuracy of virtual reality in automated measurement and diagnosis of strabismus[J]. Digit Health, 2024, 10: 20552076241308713. DOI:10.1177/20552076241308713.
22、Wu D, Huang X, Chen L, et al. Integrating artificial intelligence in strabismus management: current research landscape and future directions[J]. Exp Biol Med, 2024, 249: 10320. DOI:10.3389/ebm.2024.10320.
23、de Almeida JDS, Silva AC, Teixeira JAM, et al. Surgical planning for horizontal strabismus using Support Vector Regression[J]. Comput Biol Med, 2015, 63: 178-186. DOI:10.1016/j.compbiomed.2015.05.025.
24、Mao K, Yang Y, Guo C, et al. An artificial intelligence platform for the diagnosis and surgical planning of strabismus using corneal light-reflection photos[J]. Ann Transl Med, 2021, 9(5): 374. DOI:10.21037/atm-20-5442.
25、Lou L, Huang X, Sun Y, et al. Automated photographic analysis of inferior oblique overaction based on deep learning[J]. Quant Imaging Med Surg, 2023, 13(1): 329-338. DOI:10.21037/qims-22-467.
26、Mayr H. Virtual eye muscle surgery based upon biomechanical models[J]. Stud Health Technol Inform, 2001, 81: 305-311.
27、Lin H, Long E, Ding X, et al. Prediction of myopia development among Chinese school-aged children using refraction data from electronic medical records: a retrospective, multicentre machine learning study[J]. PLoS Med, 2018, 15(11): e1002674. DOI:10.1371/journal.pmed.1002674.
28、Guo J, Zhou L, Wang Y, et al. Automated fiber quantification analysis identifies tract-specific microstructural alterations in brain in intermittent exotropia[J]. Brain Res Bull, 2024, 219: 111113. DOI:10.1016/j.brainresbull.2024.111113.
29、Zheng C, Li W, Wang S, et al. Automated detection of steps in videos of strabismus surgery using deep learning[J]. BMC Ophthalmol, 2024, 24(1): 242. DOI:10.1186/s12886-024-03504-8.
30、Chen L, Miao Y, Nam H, et al. Automated non-supervised eye disorder screening system using virtual reality[J]. Int J Med Robot, 2024, 20(6): e70012. DOI:10.1002/rcs.70012.
31、Mori DM, Kuchhangi A, Tame J, et al. Evaluation of a novel virtual reality simulated alternate cover test to assess strabismus: a prospective, masked study[J]. Am J Ophthalmol, 2025, 269: 266-272. DOI:10.1016/j.ajo.2024.08.042.
32、Liu Y, Liu C, Zhang W, et al. Model of a support vector machine to assess the functional cure for surgery of intermittent exotropia[J]. Sci Rep, 2019, 9(1): 8321. DOI:10.1038/s41598-019-38969-x.
33、Yang WH, Zheng B, Wu MN, et al. An evaluation system of fundus photograph-based intelligent diagnostic technology for diabetic retinopathy and applicability for research[J]. Diabetes Ther, 2019, 10(5): 1811-1822. DOI:10.1007/s13300-019-0652-0.
34、Chan HS, Tang YM, Do CW, et al. Design and assessment of amblyopia, strabismus, and myopia treatment and vision training using virtual reality[J]. Digit Health, 2023, 9: 20552076231176638. DOI:10.1177/20552076231176638.
35、Li X, Yang C, Zhang G, et al. Intermittent exotropia treatment with dichoptic visual training using a unique virtual reality platform[J]. Cyberpsychol Behav Soc Netw, 2019, 22(1): 22-30. DOI:10.1089/cyber.2018.0259.
36、赵晓丽. 基于VR技术的视感知觉学习对共同性斜视患者术后双眼视功能重建的疗效观察[D]. 开封: 河南大学, 2020.
Zhao XL. Observation of the effect of visual perception learning based on VR technology on the reconstruction of binocular vision function in patients with common strabismus. Kaifeng: Henan University, 2020.
Zhao XL. Observation of the effect of visual perception learning based on VR technology on the reconstruction of binocular vision function in patients with common strabismus. Kaifeng: Henan University, 2020.
37、Vedamurthy I, Knill DC, Huang SJ, et al. Recovering stereo vision by squashing virtual bugs in a virtual reality environment[J]. Philos Trans R Soc Lond B Biol Sci, 2016, 371(1697): 20150264. DOI:10.1098/rstb.2015.0264.
38、Zhu W, Gu S, Li J, et al. Transformative gamified binocular therapy for unilateral amblyopia in young children: pilot prospective efficacy and safety study[J]. JMIR Serious Games, 2025, 13 DOI:10.2196/63384.
39、Yarkheir M, Sadeghi M, Azarnoush H, et al. Automated strabismus detection and classification using deep learning analysis of facial images[J]. Sci Rep, 2025, 15(1): 3910. DOI:10.1038/s41598-025-88154-6.
40、Labib KM, Ghumman H, Jain S, et al. A review of the utility and limitations of artificial intelligence in retinal disorders and pediatric ophthalmology[J]. Cureus, 2024, 16(10): e71063. DOI:10.7759/cureus.71063.
41、Nensa F, Demircioglu A, Rischpler C. Artificial intelligence in nuclear medicine[J]. J Nucl Med, 2019, 60(Supplement 2): 29S-37S. DOI:10.2967/jnumed.118.220590.
42、Becker JU, Mayerich D, Padmanabhan M, et al. Artificial intelligence and machine learning in nephropathology[J]. Kidney Int, 2020, 98(1): 65-75. DOI:10.1016/j.kint.2020.02.027.
43、Li Z, Wang L, Wu X, et al. Artificial intelligence in ophthalmology: The path to the real-world clinic[J]. Cell Rep Med, 2023, 4(7): 101095. DOI:10.1016/j.xcrm.2023.101095.
44、Chung SA, Choi J, Jeong S, et al. Block-building performance test using a virtual reality head-mounted display in children with intermittent exotropia[J]. Eye, 2021, 35(6): 1758-1765. DOI:10.1038/s41433-020-01160-y.