人工智能為人類視覺評估帶來創新發展的新動能

文/上海紐約大學 編輯/南溪

視力表最早可以追溯到19世紀中葉，自那以后，幾乎沒有太多變化。目前，絕大多數眼視光醫生仍通過讓患者辨別視力表上的字母或數字來測量他們的視力狀況。但這真的是檢測視力的最好方式嗎？

上海紐約大學首席科學家、副教務長呂忠林教授認為，雖然這些圖表仍具有價值，但對測量視力喪失或視力的其他變化來說過于不精確。這可能會妨礙眼部相關疾病（例如弱視、老年性黃斑病變、糖尿病性視網膜病變、糖尿病性黃斑水腫、青光眼和白內障）的早期發現和治療。僅在美國，受這種情況影響的人群規模就超過了4 500萬人，每年因此產生的醫療支出和生產損失約為1 390億美元。

呂忠林教授也是紐約大學神經科學中心和心理學系教授。他和他的團隊在很多年前就認識到了這個缺陷，并開始開發多種前沿的方法來評估視力并監測它的變化。

他在相關的基礎研究領域的工作對開發視力檢測起到了積極的推動作用。在下面的訪談中，呂教授介紹了他這項工作的內容，以及如何建立更好的視力表。

▲ 呂忠林教授在上海紐約大學圖書館

您如何評價目前使用的標準視力表？它的局限性是什么？

目前常用的視力表只能非常粗略地反映視力情況，它們只關注視覺的一個方面：受測者能看到的最小字母是什么。由于這種視力檢測表的精確度低，它們已被證明不足以用來篩查視力喪失，或證明新療法在臨床試驗中的功效，也無法為獲得批準后的療法的適用范圍提供現實依據。例如，盡管某種治療方法可能已被美國食品藥品監督管理局（FDA）等監管機構批準，但被運用于臨床時，可能無法如其聲稱的那樣有效。這就導致醫生、醫院不會使用這種療法，保險公司也不會為其買單。因此，醫生無法發現早期疾病，藥物研究人員無法確定新療法的早期成果，監管機構、保險公司及政府也難以就藥物審批及藥物適用范圍做出明智的決策。

您是如何解決這一難題的？

利用人工智能。當提起機器學習或人工智能時，人們可能不太會想到視力表。但我所考慮的是，如若將這些技術與神經科學相結合，是否有助于視力測試方法的革新？

我們相信有機會將這些智能工具應用于視力測試，并在臨床試驗和實際護理中提供有效決策所需要的信號。基于對人類視覺系統的相關知識，我們開發了一套全新的硬件、軟件平臺以及主動學習的計算框架，以實現人類視覺評估的現代化。主動學習算法會為每位患者廣泛評估大量的潛在測試項目，并且基于其先前的響應量身制定一個最佳的測試序列。也就是說，我們能夠利用這種個性化的方法，為每位患者篩選出最佳視覺測試表型。

您的研究發現了視力表檢測的哪些局限？

在現實生活中，我們會看到許多大小不同、形態各異的物體。一項更全面的視力測試必須評估一個人看到多種不同尺寸物體的能力。而對比敏感度測試正符合這一要求，它可以測量一個人看到所有尺寸物體所需要的對比度值。但是，實驗室中典型的對比敏感度測試大約需要一個小時，不適用于臨床實踐。目前，我們的研發成果將測試時間縮短至2-5分鐘，并在保持細粒級別實驗室測試精確度的同時，讓這項測試也可以被臨床醫生使用。

您如何做到縮短了測試時間？

對比度敏感測試包含一系列試驗，我們要求每個受試者識別特定大小和對比度的字母。基于受試者對測試刺激的反應，主動學習算法會試圖尋找每個受試者對比敏感度曲線的相關特征，并在下一項試驗中使用最優測試刺激——也就是可以產生對比敏感度曲線最大信息量的那個刺激。通過這種方式，主動學習算法可以快速得出個體對比敏感度曲線的精確測量。

您的研究是否已經應用于現實治療？

將會很快得以應用。我和我的一名學生Luis Lesmes共同創立了一家名叫Adaptive Sensory Technology的公司，正在將這項研究成果投入實踐。我們建立了一個平臺，旨在通過算法評估和機器學習技術，更準確地檢測視力及其變化。

這種新型檢測方式背后的方法論，是否也適用于其他健康領域？

是的。目前，醫生需要通過一系列的檢測來提供準確的診斷。基于這項研究成果背后的方法論可以生成個性化測試，幫助醫生提出更有針對性的問題，并就每個患者的情況提出更精確的檢測。另一種可能的應用是個性化治療——主動學習可以根據每位患者對多種治療方案的不同反應提供個性化的最優治療方案。