上海纽约大学的卢教授发现了一种更好的视力测试方法

眼图可以追溯到19世纪中叶，在随后的几十年里，变化相对较小。许多验光师和眼科医生仍然通过让病人阅读成排的字母或数字来判断他们的视力。

但这是一个最佳的方法来确定我们看得多清楚吗?

zhong lin,上海纽约大学副教务长兼首席科学家,认为这些图表继续有价值,但太不精确测量视力丧失或其他变化蓝图可能防止早期检测,和治疗,患的眼科疾病,如弱视,年龄相关性黄斑变性、糖尿病性视网膜病变,糖尿病黄斑水肿,青光眼,白内障,影响超过4500万人在美国,估计每年在医疗和生产成本方面的经济负担为1,390亿美元。

鲁教授也是纽约大学神经科学中心和心理学系的教授，他和他的同事们几年前就认识到了这个缺点，并开始开发更先进的方法来评估视力，并发现视力的变化。

推动这项工作的主要因素是陆在相关领域的奖学金，他与纽约大学新闻(NYU News)讨论了这个问题。

常用眼图的当前状态是什么?

常用的眼图是人类视觉的粗糙标尺。他们只关注视觉的一个维度:一个人能看到的最小的字母。由于它们的精确度较低，它们已被证明不适合筛查视力丧失、在临床试验中证明新疗法的有效性，或为已批准的疗法的覆盖率决策提供真实的证据。例如，尽管一种治疗方法可能已经被FDA等监管机构批准，但它可能并不像实际应用时声称的那样有效。因此，医生、医院和保险公司可能不会使用或支付批准的治疗费用。因此，医生无法发现早期疾病，药物研究无法解读关于新疗法的早期结果，监管机构、保险公司和政府机构无法就药物批准或药物覆盖范围做出知情决定。

你是如何着手解决这个挑战的?

人工智能。当我们想到机器学习或人工智能时，眼图不太可能是我们的首选。但是，这些方法能否与神经科学相结合，有助于测试视力及其变化?

我们相信，有机会将智能工具应用于视力测试，并在临床试验和实际护理中提供自信决策所需的信号检测。我们开发了一个新的硬件/软件平台，以我们对人类视觉系统的知识为基础，并建立了一个计算框架，在数字显示器上实现主动学习算法，以实现对人类视觉评估的现代化。对于每个患者，主动学习算法评估潜在测试结果的扩展空间，搜索潜在测试项的大型库，并收敛到包含基于每个患者先前响应的最优查询的测试序列。这种个性化的方法使我们能够收敛到一个视觉表现型。

你的研究发现了什么，揭示了眼图忽略了什么?

在现实生活中，我们看到许多不同大小和对比度的物体。更全面的视力测试必须评估一个人能多好地看到许多不同大小的物体。对比度敏感度函数提供了这样一种测试，通过测量需要多少对比度才能看到所有大小的字母。然而，一个典型的对比敏感度测试在实验室需要一个小时左右，不能用于临床。我们的研究和开发已经将测试时间减少到2-5分钟左右，同时保持了细粒度的实验室测试精度，并使该程序可供临床医生使用。

是什么使你加快了考试时间?

对比敏感度测试由一系列试验组成;在这里，一个人被要求识别特定大小和对比度的字母。主动学习算法确定的特点对比敏感度函数基于他或她个人的反应测试刺激和规定的最优测试在接下来的试验——药效的刺激可能产生信息的最大数量的特点对比敏感度函数。这样，算法很快收敛到精确测量个人的对比度敏感度函数。

那么，你的研究对现实世界有影响吗?

很快。我和我以前的学生路易斯·莱姆斯(Luis Lesmes)共同创办了一家名为Adaptive senses Technology, Inc.的公司，专门从事这项工作。我们创建了一个平台，旨在通过算法评估和机器学习技术更精确地识别视觉上的变化。

您的研究的方法论原则是否可能应用于人类健康的其他领域?

是的。医生总是需要询问病人的病情并为他们开药方，以便对他们的病情作出准确的诊断。这里开发的原则可能会扩展到生成个性化的测试，从而使医生能够提出最具信息量的问题，并对每个病人进行最关键的测试。另一个可能的应用是个性化治疗——主动学习原则可以用来描述每个病人对多种治疗方案的反应，然后分别优化治疗方案。