例如，未来有望出现一系列内置生物传感器的智能隐形眼镜。此类创新目前仍处于早期研发阶段，但现有产品已因具备收集生理数据（如葡萄糖浓度或眼压）的潜力而引发关注^[8-11]。尽管这些器械尚未直接应用 AI 技术，但人工智能方法可用于分析它们生成的连续数据流，帮助临床医生解读数据模式、预测疾病进展或制定个性化治疗方案^[12-14]。更近期的应用中，AI 正被用于隐形眼镜适配，尤其针对角膜塑形镜（ortho-k）、巩膜镜等复杂镜片设计。通过分析大量角膜地形图数据及既往适配结果，AI 算法可协助从业者选择初始镜片参数，缩短诊疗时间，并提高首次适配成功率^[15-23]。本社论将探讨 AI 如何塑造隐形眼镜的未来，涵盖从先进设计、制造流程到临床应用（如个性化适配、实时眼部健康监测）的各个方面。

Fan 等人开启了角膜塑形镜适配领域的 AI 相关研究，他们开发模型用于预测关键镜片设计参数，尤其是回归区深度（Reverse Zone Depth, RZD）和着陆区角度。研究团队基于1037只中国近视人群眼睛的角膜地形图和屈光数据（这些眼睛均适配了角膜屈光治疗镜片系统），训练了线性回归和支持向量回归模型。结果显示，这些模型在预测 RZD 方面的表现优于滑动卡片法（一种基于制造商提供的适配图表估算镜片参数的传统规则化方法），尤其在东亚人群中适配估算效果更优，该人群中标准适配指南的代表性往往不足[26]。在后续的 COVID-19 疫情期间，该团队将其机器学习方法应用于视力塑形治疗设计的回顾性地形图数据，实现了安全性高、接触少的远程适配，同时保持了适配准确性[23]。

除镜片参数选择外，Xu 等人进一步拓展了 AI 的应用范围，他们利用超过2600只眼的数据开发机器学习模型，同时预测适配曲线半径和1年眼轴长度变化。在测试的多种算法中，随机森林算法在两项任务中均表现最佳，性能优于传统基于公式的方法^[22]。在一项相关研究中，这些研究者结合深度学习与图像处理技术，对瞳孔、治疗区等地形图特征进行分割。生成的定量指标（包括偏心度和有效离焦范围）用于角膜地形图类型分类，与专家评估结果的一致性超过98%，为镜片评估的临床应用提供了支持^[21]。其他研究团队也探索了辅助镜片适配、改善临床结局的补充 AI 策略^[17-20]。Xiao 等人开发了一个预测模型，用于评估佩戴1个月后镜片的偏心情况，发现年龄、8mm矢状高度差、5mm Kx1（平坦曲率差）和 7mm Kx2（倾斜曲率差）是关键预测因素^[17]。Yang 等人应用深度神经网络，通过角膜和屈光数据预测曲率、度数和镜片直径。该模型整体准确性较高，但在角膜形态较为特殊的情况下性能有所下降，这也凸显了扩大训练数据集的必要性^[18]。Koo 等人采用监督学习方法，为韩国青少年预测全套镜片参数（包括复曲面度和矢状深度），开发的网页应用性能优于制造商计算器^[20]。最后，Lan 等人基于超过11000条多品牌适配记录，训练了一个 AI 辅助处方系统，结果显示该系统提高了镜片选择效率，减少了从业者（尤其是初级临床医生）之间的适配差异^[19]。