卢仲林表示，人工智能有望大幅改进视力表。
视力表可追溯至19世纪中叶，此后几十年间变化相对较小。许多验光师和眼科医生至今仍通过让患者朗读成行的字母或数字来评估其视力。
卢仲林现任纽约大学上海分校副教务长兼首席科学家，同时也是该校神经科学中心及心理学系教授。他认为，这些视力表仍有其价值，但在测量视力下降或其他视力变化方面精度不足。这可能会妨碍对白内障、青光眼、糖尿病视网膜病变、糖尿病黄斑水肿、年龄相关性黄斑变性、弱视等眼部疾病的早期发现与治疗。
这些疾病在美国影响着超过4500万人，每年造成的医疗和生产力损失经济负担估计为1390亿美元。
卢仲林及其同事多年前便已认识到这一不足，并开始开发更前沿的方法，用以评估视力并发现视力变化。
以下，卢仲林介绍了他的研究工作，以及如何打造更好的视力表：
问
目前常用的视力表现状如何？
答
常用视力表对人类视力的衡量十分粗略。它们只关注视力的一个维度：一个人能看清的最小字母。由于精度较低，这类视力表已被证明不足以用于筛查视力下降、在临床试验中验证新疗法的疗效，或为已获批疗法的报销决策提供真实世界证据。
例如，某种疗法即便已获美国食品药品监督管理局（FDA）等监管机构批准，在实际应用中的效果也可能不及其宣称的水平。因此，医生、医院和保险公司可能不会使用或为已批准的疗法付费。这样一来，医生无法及早发现疾病，药物研究人员无法准确解读新疗法的早期结果，监管机构、保险公司和政府部门也无法就药物审批或药物报销做出明智决策。
问
你们是如何着手解决这一难题的？
答
借助人工智能。提到机器学习或人工智能，人们很少会想到视力表。但这些方法若与神经科学相结合，能否有助于视力及其变化的检测？
我们认为，将智能工具应用于视力检测存在机遇，有望为临床试验和真实世界医疗提供可靠决策所需的信号检测。我们基于对人类视觉系统的认识，开发了一种新型软硬件平台，并构建了一个计算框架，在数字显示屏上运行主动学习算法，以实现人类视力评估的现代化。
针对每位患者，主动学习算法会评估大量潜在的测试结果，检索庞大的潜在测试题库，并根据患者此前的作答，收敛为一套由最优问题组成的测试序列。这种个性化方法使我们能够收敛至个人的视觉表型。
问
你的研究发现了哪些视力表所遗漏的内容？
答
在现实生活中，我们所见的物体大小和对比度各不相同。更全面的视力测试必须评估一个人对不同大小物体的辨识能力。对比敏感度函数正是为此提供了一种测试方法，它测量一个人需要多大的对比度才能看清各种大小的字母。然而，实验室中典型的对比敏感度测试大约需要一小时，无法在临床中使用。
通过研发，我们已将测试时间缩短至约2至5分钟，同时保持了实验室测试的精细精度，并使该方法可供临床医生使用。
问
是什么让你们能够缩短测试时间？
答
对比敏感度测试由一系列试验组成，在每次试验中，受试者需要辨认特定大小和对比度的字母。主动学习算法会根据受试者对测试刺激的反应，确定其对比敏感度函数的特征，并在下一次试验中设定最优测试刺激，即能够产生关于对比敏感度函数特征最大信息量的刺激。通过这种方式，该算法能够快速收敛至对个人对比敏感度函数的精确测量。
问
那么，你的研究是否已经对现实世界产生影响？
答
很快就会。我与我的前学生Luis Lesmes共同创办了一家公司，即Adaptive Sensory Technology, Inc.，正是为了实现这一目标。我们已创建了一个平台，旨在通过算法评估和机器学习技术，更精确地识别视力变化。
问
你的研究所依据的方法论原则，有可能应用于人类健康的其他领域吗？
答
可以。医生在对患者做出准确的疾病诊断时，始终需要询问病情并安排相关检查。本研究所提出的原则有望扩展为个性化检测，使医生能够提出信息量最大的问题，并针对每位患者聚焦于最关键的检查。
另一种可能的应用是个性化治疗：主动学习原则可用于刻画每位患者对多种治疗方案的反应，进而为其个体化优化治疗方案。
