为给角膜塑形镜验配提供客观、高效的技术支持，解决临床验配中镜片配适状态评估、偏位评价及近视防控效果预测的主观性强、效率偏低的问题，我们开发了一套覆盖角膜塑形镜验配全流程的人工智能评估方案。该方案选取360只眼的镜片配适评估视频、200只眼的角膜地形图数据及115只左眼的验配数据，采用基于注意力机制的深度学习算法(通过两个阶段区分镜片配适状态为合适、偏紧及偏松)、K-means联合加权最小二乘法(分析角膜地形图离焦环并拟合椭圆形、定义偏位量)及多元线性回归结合深度神经网络构建模型等方法，分别完成角膜塑形镜配适状态分类、镜片偏位评价及戴镜后12个月眼轴增长预测。结果显示，配适评估算法两阶段的准确率、敏感性、特异性均高于80%，各类配适状态分类正确率达80%–83%；镜片偏位评价中，算法结果与人工评估结果匹配度高且可重复性更优；防控效果预测中，年龄(r = -0.30, P < 0.001)、等效球镜度(r = 0.20, P = 0.032)和性别(r = 0.19, P = 0.037)与眼轴延长显著相关，瞳孔直径、角膜曲率等其他基线因素无显著相关性，基于年龄、等效球镜度及角膜地形图变化构建的预测模型有效性良好,其均方根误差(RMSE)、平均绝对误差(MAE)及决定系数(R²)均优于传统线性回归模型。该人工智能评估方案在角膜塑形镜验配全流程关键环节均表现出较高的准确性和可重复性，可有效实现验配全流程的智能化辅助，减少人为误差，提升验配效率，具有重要的临床应用价值和推广前景。
Hou et al. (Sun,) studied this question.