SSR-Stacking：基于班级关系图的儿童高度近视预测模型
摘要
研究团队提出SSR-Stacking框架，用于在基线球镜度数（SE）缺失情况下预测儿童随访终点的高度近视状态。该模型融合图神经网络与集成学习，构建以学校班级为单位的社会-环境图，并通过自监督重建机制从同班同学数据中补全缺失SE值，再经元堆叠层整合XGBoost、SVM和随机森林等分类器。评估基于一项纵向队列数据，未提供具体样本量或准确率数字。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- SSR-Stacking是一种针对基线球镜度数（SE）缺失场景设计的高度近视分类框架
- 模型构建社会-环境图，利用同班同学关系实现自监督重建缺失的基线SE值
- 框架融合图神经网络与XGBoost、SVM、随机森林等多类分类器进行元堆叠
本站解读
这项研究折射出眼科AI落地正从‘单点精准’转向‘现实容错’——不再苛求完整临床数据，而是主动适配基层筛查中常见的记录不全、随访脱落等真实缺陷。它背后是儿童近视防控从三级医院下沉到校园场景的底层趋势，要求模型能用教室、年级、同班同学这类易获取的社会结构替代昂贵或难采集的生物指标。
受益者将是具备真实世界数据积累能力的机构，尤其是拥有长期校园视力筛查队列的公共卫生系统；传统依赖完整验光数据的商业AI工具则面临重构压力。在中国，多地已开展中小学生视力建档，但基线球镜度数漏填率高，该框架的‘班级图谱+自监督补全’思路可直接映射到上海、广州等地的近视监测平台，比纯影像AI更易嵌入现有工作流。
预计未来2年内将出现类似逻辑的国产筛查工具试点，依据是PubMed DOI显示该文发表于2026年卷14，说明方法已进入验证后期。后续需关注两个信号：一是国内是否有团队在‘国家儿童青少年视力健康大数据平台’上复现SSR-Stacking；二是是否出现将班级关系替换为‘学区-学校-班级’三级图结构的本地化改进版本。
常见问题
这个新算法能帮孩子早点发现近视变严重吗？
目前还不能直接用于临床诊断，但它的设计目标是在学校视力筛查数据不全时仍能预测高度近视风险。中国已有超2亿中小学生接受年度视力检查，但基线球镜度数常因设备或操作原因缺失，该技术若本土化落地，可能提升早期预警能力。如有疑虑可咨询眼科医生。
我家孩子在学校查的视力数据不全，这种算法能用得上吗？
这正是SSR-Stacking要解决的问题——它专为基线球镜度数缺失的情况设计，利用同班同学的数据相互补充。目前该模型处于研究阶段，尚未在国内筛查系统中应用。中国部分城市如深圳、杭州已在试点校园视力大数据平台，但是否接入此类算法有待确认。如有疑虑可咨询眼科医生。
延伸阅读
福建眼病研究构建糖尿病视网膜病变预测模型
福建眼病研究基于8211名参与者数据，训练并比较五种机器学习模型预测糖尿病视网膜病变（DR）风险。支持向量分类器（SVC）表现最优，F1-score达92.83%，AUC为0.99。SHAP分析确认五大关键预测因子：糖尿病病史、年龄、脉压差、左眼近视力和身高。研究验证了该框架在人群筛查中的稳健性与可复现性。
早期青光眼视野进展预测模型比较研究
研究通过模拟早期青光眼患者的视野数据，对比四种预测方法：个体化一阶自回归模型（AR(1)）、普通线性回归（OLR）、群体级长短期记忆网络（LSTM）和朴素基线预测。结果显示，在检查次数较少时（如前6–11次），LSTM误差最低；但随着检查次数增加，尤其在中、快速进展患者中，AR(1)的预测精度反超LSTM。评估指标为RMSE和点均绝对误差（PMAE）。
本地医疗大模型精准识别青光眼风险因素
研究团队使用MedGemma-27B-text-it本地医疗大模型，分析2014至2024年间1250例青光眼相关临床记录，评估其识别用药依从性差、随访失约及家族史的能力。结果显示，模型在识别用药非依从性（准确率0.91）、随访非依从性（准确率0.96）和家族史（准确率0.98，Jaccard指数0.99）方面远超结构化电子病历字段（家族史准确率仅0.49）。研究证实本地化大模型可高效挖掘自由文本中的隐性风险信息。