未矫正的屈光不正是全球视力损害的主要原因之一，导致了超过一亿人中度至重度视力损害和近680万人失明。如若不经过及时治疗，不仅会造成生活质量和生产力的降低，还会增加跌倒风险。经过预计，未来由于未矫正屈光不正引起的视力损害人数将持续上升，这一趋势表明了一个日益严重的公共健康问题，强调了有效筛查的和管理的必要性。

深度学习作为人工智能的一个分支，在眼科学领域产生了显著的影响。它在诊断多种眼部疾病（如糖尿病性视网膜病变、年龄相关性黄斑变性、白内障和青光眼）方面表现出高效性。深度学习不仅提高了筛查效率，还提升了诊断的准确性，甚至有时超过了专家水平。这提供了早期疾病检测的可能性，并有助于推动远程筛查和远程医疗的结合，扩大眼科护理的覆盖范围。

在屈光不正的检测领域，尽管已有一些研究探索了使用多种成像模式（如眼底图像、超广角眼底图像、视力光照图像、眼部外观图像和光学相干断层扫描（OCT）图像）的深度学习模型，但尚未对这些研究进行全面的系统综述。因此，本综述评估了基于眼部图像的深度学习在屈光不正检测中的应用，突出了其重要性和实际应用价值，为未来的研究和临床应用提供了宝贵的见解。

屈光不正的预测通常依赖于复杂的眼科检查，而这些检查过程繁琐且对患者有一定的负担。随着深度学习技术的不断进步，通过分析眼部图像来预测屈光不正成为可能。

本系统综述旨在评估基于眼科影像的深度学习模型在预测屈光不正中的表现。我们在PubMed、Scopus和Web of Science数据库中进行了全面的文献检索，并筛选出符合纳入标准的研究。研究结果表明，基于眼底照片的深度学习模型在预测高度近视方面表现出色，其AUC值介于0.91到0.98之间，敏感度在85.10%至97.80%之间，特异性在76.40%至94.50%之间。基于OCT图像的模型在预测屈光不正方面的AUC值为0.79至0.81敏感度为82.30%至87.20%，特异性为61.70%至68.90%。外眼照片模型的AUC值介于0.91到0.99之间，敏感度为81.13%至84.00%，特异性为74.00%至86.42%。对不同算法的性能进行了对比分析，并探讨了这些技术在临床应用中的可行性。本文回顾了自2010年以来，使用深度学习算法对眼部图像进行分析，以预测屈光不正的研究。主要分析了这些研究中使用的数据集、模型结构、评估指标及结果，并对其优缺点进行了总结。

尽管深度学习技术取得了显著进展，但在实际应用中仍面临一些挑战，如数据质量、模型泛化能力以及临床可解释性等问题。本文提出了未来研究的方向和建议，以期进一步提升基于深度学习的屈光不正预测技术的临床应用价值。

通讯作者

覃宇宗 Tham Yih Chung,PHD。新加坡国立大学杨潞龄医学院眼科助理教授，新加坡国立大学创新与精准眼健康中心人口数据科学联合负责人和视光学教育项目主任；新加坡眼科研究所的临床科学家。迄今为止，Tham Yih Chung教授在Lancet Digital Health、Nature Medicine， Nature Biomedical Engineering、Nature Aging、Ophthalmology、JAMA Ophthalmology 等著名期刊上发表了250余篇经过同行评审的科学论文。他曾获得新加坡国立大学校长研究生奖学金、国家医学研究理事会的过渡奖（TA）和HPHSR临床科学家奖（HCSA）。自2021年以来，他被斯坦福大学评为全球引用率前2%的科学家之一。