据世界卫生组织统计，全球至少有22亿人因青光眼、白内障，以及老年黄斑变性等眼部疾病而造成视力损伤甚至失明。利用视野图评估病人的中央和周边视力是临床上诊断和管理这些眼部疾病的常规方法。

日前，上海纽约大学首席科学家、副教务长、华东师范大学-纽约大学脑与认知科学联合研究中心联合主任吕忠林教授与三位研究伙伴——来自俄亥俄州立大学的徐鹏景、于德月和Adaptive Sensory Technology公司的Luis Andres Lesme——共同研发出一种全新的命名为qVFM的视野图检测方法，保证高效率的同时，协助临床医生更精准地测量患者的视野图。

该研究于2019年12月发表在视觉科学领域期刊《视觉杂志》上。

视野仪是目前临床眼科诊断中检测视野图的“金标准”，但它的测量精度却不尽人意。在一项眼部高血压治疗研究中，85.9％的案例在使用视野仪进行二次重复测量时得到的结果和第一次完全相反。

“我们可以把一台视野图检测仪器想象成一把尺子，”吕忠林解释，目前的视野仪如同一把刻度精确到分米的尺子，它们在测量毫米量级的物体时自然会存在很大的误差。所以，我们需要一种更精密的工具，可以测量更精细的物体，反映更微小的变化。只有使用精度更高的尺子，我们才能检测到微小的视力变化，从而把握正确的治疗方向。

新的qVFM方法采用了一种贝叶斯主动学习算法来提高测试的准确度和精度，缩短测试时间。

这套算法共包含三个模块：初步测量整个视野图形状的全局模块、测量视野各个区域的局部模块，以及确定何时从全局模块切换至局部模块的转换模块。

在全局模块中，视野图的形状被构建为一个包含五个参数的倾斜椭球抛物面函数。qVFM方法通过从受试者每次试验的反应中不断学习这五个参数，得出视野图总体形状的粗略估计。

▲模拟视野图和倾斜椭球抛物面函数。左图为含盲点的左眼模拟视野图，右图为与之对应的无盲点的倾斜椭球抛物面函数（受访者供图）

局部模块利用全局模块的运行结果生成对每个视网膜区域视觉功能（如光敏度）的初始估计，然后用另一种贝叶斯主动学习算法进一步提高每个视网膜区域视觉功能检测的精度。

转换模块则需评估全局模块中视野图形状的信息获取速率，并在进一步测量无法继续迅速提高倾斜椭球抛物面函数的精度时切换至局部模块。

qVFM研究团队通过一系列计算机模拟和一项心理物理学实验验证了qVFM方法。他们通过比较完整的qVFM和仅运行局部模块的简化版qVFM的性能，展现了完整的qVFM方法的强大功能。

吕忠林表示，他们计划将研究拓展至光敏度以外的其他视觉功能。“研究视觉功能的最终目的是评估和预测日常生活中视觉的使用情况，所以我们的检测不应该局限于对光敏度的测量，而应涵盖所有的视觉功能。我们的研究应当考虑人们使用视觉的真实生活场景，例如阅读、驾驶等。”

此外，研究团队还在开展一系列研究以探索视野图检测的更佳操作。

比如，他们选择了患有眼疾的受试者来验证qVFM方法，以确保该方法对检测眼部疾病患者的视野图也同样有效。他们还尝试优化受试者对刺激进行反应的方式，运用眼动装置替代目前的按键方式，这样受试者只要通过移动眼睛注视方向就能表明其看到的刺激的位置。

编辑：李晨琰
责任编辑：许琦敏

*文汇独家稿件，转载请注明出处。