JP2007531559A - 波面収差を解析するシステムおよび方法 - Google Patents

Abstract

患者の眼の視力矯正のための処方を特定するシステムおよび方法が提供される。一実施形態において、この方法は、患者の眼の波面収差測定値を取得するステップと、前記波面収差測定値から導出された少なくとも１つの値を、複数の他覚的に測定された収差値と複数の自覚的に測定された視力値とを訓練データとして用いて訓練された統計的モデルに与えるステップと、前記少なくとも１つの値および前記統計的モデルに基づいて前記患者の眼の視力矯正のための処方を予測するステップとを含んでいる。

Description

本出願は、「波面収差を解析するシステムおよび方法」と題して、３５ＵＳＣ第１１９条（ｅ）の規定により２００４年２月２０日に出願された仮特許出願第６０／５４６，３７８号の優先権の利益を主張するものである。

本出願は、「人間の眼の高次収差を補正する装置および方法」と題して、２００２年８月１２日に出願された米国特許出願第１０／２１８０４９号；米国特許第６，７６１，４５４号として発行された、２００２年２月１３日出願の「波面センシングを用いて他覚的屈折を決める装置および方法」と称されて２００２年８月１２日に出願された米国特許出願第１０／０７６２１８号；および米国特許第６，７８１，６８１号として発行された、「波面測定用のシステムおよび方法」と称されて、２００１年１２月１０日に出願された米国特許出願第１０／０１４０３７号に関連する。上記のそれぞれの特許および出願を、全体として参照により本明細書に援用する。

本発明は、人間の眼の収差を補正するシステムおよび方法に関する。より詳細には、本発明は、人間の眼に関連する収差の他覚的測定値を視力の自覚的測定値に統計的に相関させ、少なくとも部分的に患者の眼の他覚的に測定された収差に基づき視力矯正のための処方を予測するために利用できる統計モデルを作成する方法およびシステムに関する。

人間の眼、すなわち角膜およびレンズは、眼の光学性能を低下させて視力障害を引き起こすように、様々な光学収差を呈することがある。レンズによる視力障害の補正は通常、焦点ぼけや乱視など、低次収差の補正にのみ限定されている。従来、三次以上のゼルニケ多項式で記述可能な収差などの高次収差は、レンズを用いて補正することができなかった。さらに、レンズ製造上の制限および費用に起因して、焦点ぼけおよび乱視は通常、離散的な手順工程で、最大限１／４ジオプターまでしか補正され得ない。残念ながら、１／４ジオプターという解像力では、視力矯正は不完全にとどまり、患者の眼の性能は制限される。

最近、本明細書に援用した同時係属中の出願にも記載されているような、波面収差測定技術を採用したシステムによって、患者の眼における高次収差の他覚的、正確、且つ迅速な測定が可能になっている。本明細書に援用した同時係属中の特許出願に記述されているような、患者の眼における高次収差の一部または全部を補正するのに適した特注の収差補正装置と組み合わせて使用すれば、患者の視力を２０／１０まで改善することができる。
米国特許第６，７６１，４５４号 米国特許第６，７８１，６８１号

本発明は、患者の眼の他覚的に測定された値またはパラメータを、視覚性能の自覚的に測定または報告された値またはパラメータと相関させること、または両者間の関係を確立することに関する。

一実施形態においては、当該の相関は、統計的モデル（例えばニューラルネットワーク）を作成する機械学習技術によって取られる。

別の実施形態においては、患者の眼の視力矯正のための処方を特定する方法は、患者の眼の波面収差の測定値を取得するステップと、その波面収差の測定値から少なくとも１つの値を、少なくともその１つの値を解析するように訓練された統計的モデルに与るステップ、及び少なくとも部分的にその統計的モデルによる少なくとも１つの値の解析に基づいて患者の眼の視力矯正のための処方を予測するステップとを備えて成ることを特徴とする患者の眼の視力矯正のための処方を特定する方法。

さらなる実施形態においては、患者の眼の高次補正により結果的に得られる視力と標準補正により結果的に得られる視力との差分を予測する方法であって、患者の眼の波面収差測定値を取得するステップと、その波面収差測定値から導出された少なくとも１つの値を、少なくともその１つの値を解析するよう訓練された統計的モデルに入力するステップと、その少なくとも１つの値およびその統計的モデルに基づいて、患者の眼の高次補正により結果的に得られる視力と標準補正により結果的に得られる視力との差分を予測するステップとからなる、視力の差分を予測する方法。

さらに別の実施形態においては、本発明は、患者の眼に対する視力矯正のための処方を予測する際に使用する統計的モデルを作成する方法を提供するものであって、その方法は、複数の患者の眼から複数の波面収差測定値を取得するステップと、複数の患者から複数の視力測定値を取得するステップと、複数の波面測定値に関連する値を統計的モデルの当該入力層に与えるステップと、複数の視力測定値に関連する値を該統計的モデルの出力層に与えるステップと、及び、複数の波面測定値に関連する与えられた値および視力測定値に関連する対応する値とに基づいて、入力層の各入力ノードに関連する複数の重み値を作成するステップとからなることを特徴とする。

さらなる実施形態においては、本発明は、統計的モデルを作成する上記の方法を用いて作成される学習データ構造を提供する。

さらなる実施形態においては、本発明は、実行可能なコンピュータコードを格納するコンピュータ可読媒体を提供するものであり、当該の実行可能なコンピュータコードは、実行時に患者の眼に対する視力矯正のための処方を特定する方法を実施するものであって、該方法は、患者の眼の波面収差測定値を取得するステップと、その波面収差測定値から導出された少なくとも１つの値を、少なくとも１つの値を解析するように訓練された統計的モデルに与えるステップと、その少なくとも１つの値および統計的モデルに基づいて患者の眼の視力矯正のための処方を予測するステップとからなることを特徴とする、コンピュータ可読媒体を提供するものである。

別の実施形態においては、患者の眼の視力矯正のための処方を特定するシステムであって、患者の眼の波面収差測定値を取得する手段と、その波面収差測定値から導出された少なくとも１つの値を解析する手段とを備え、に当該の少なくとも１つの値の少なくとも一部分に基づいて患者の眼の視力矯正のための処方を予測するシステムである。

図１は、患者の眼において測定された収差に基づいて視力を予測するためのニューラルネットワークの一実施形態をグラフィカルに示す図である。

図２は人間の眼における波面収差を測定するための装置の一実施形態を示す斜視図である。

図３は、患者と連携して動作する図２の装置の一部を示す詳細斜視図である

図４は、図２の装置の構成部分を示すブロック図である。

図５は、図１の実施形態に似たニューラルネットワークの実施形態を用いて標準処方を予測するプロセスの一実施形態を示すフローチャートである。

図６は、患者の眼において検出された収差を補正することの相対的重要度を決めるために役立つ、図１の実施形態に似たニューラルネットワークの実施形態を使用するプロセスの実施形態を示すフローチャートである。

図７は、本発明の一実施形態に従って高次収差を示す、色分けされた表およびグラフィックイメージである。

図８は、特注の波面収差補正装置を含む眼鏡またはコンタクトレンズを選択することで患者の視力がどの程度改善されるかを予測するための、図１の実施形態に似たニューラルネットワークの実施形態を使用するプロセスの実施形態を示している。

図９は、標準補正の結果としての視覚障害のイメージと、本発明の一実施形態に従って患者の眼の高次収差補正の結果としての補正された視覚のイメージとを並べて比較して示す図である。

以下の詳細な説明は、本発明の特定の実施形態に係わっているが、本発明は、請求項で規定されカバーされている多数の様々な手法で具現化することができる。この説明においては、図面を参照しており。ここで、同様の構成部分は同様の参照番号で指示する。
ゼルニケ(Zernike)多項式の項で表される他覚的な波面収差測定の実用面での欠点の１つは、これらの多項式を、フォロプター、スネルチャート、患者からのフィードバック反応などに基づいてアイケア専門家が行う自覚的な屈折測定に相関させるのに困難があるということである。このため、アイケア専門家が、患者の視力を補正するための行動手順を患者に告知推奨することが困難になりがちである。

理論的には、患者の眼における低次収差の波面収差測定値は、球面、円柱、および軸についての従来の処方に対応するべきものである。しかし、高次収差の相互作用が、患者が網膜において知覚するぼけに結びつき得るのであり、視覚性能の「自覚的」尺度の予測において高次収差の相互作用を考慮すべきである。視覚性能の自覚的尺度には、スネルチャートの、列を成してサイズが小さくなる文字を読み取る患者の能力に基づくスネル視力とコントラスト感度などが含まれる。

理想的には、患者の眼の収差がすべて補正されると、回折が制限された像が患者の眼の網膜上に形成される。次に、眼の視力が入射瞳孔サイズによって求められる。このため、他覚的な高次収差データから視覚性能の自覚的尺度を予測する方法では、患者の眼に焦点を結ぶ光の光学特性を最大化すること（またはぼけを最小化すること）に基づくアルゴリズムに重点が置かれてきた。

しかし、人間の視覚系の性能は、眼の光学的特性と、患者の網膜および脳による神経学的反応の両方に依存する。さらには、理論的には患者の網膜におけるぼけをひどくする特定の高次収差がある程度存在すると、患者の視覚性能の自覚的尺度を実際に向上させることがわかっている。例えば、２０／１５以上の自然視力を有する人の眼を研究した結果、これらの人の視力が高いにもかかわらず、高次収差が存在する場合が比較的一般的であった。この結果は、光学特性に基づくアルゴリズムを用いて視力を予測するという方法の基礎となる理論に矛盾する。むしろ、自覚的視力は、患者の眼の観測可能な波面収差、患者の両眼における各収差間の相互作用、収差と患者の神経学的視覚処理経路との間の相互作用など、様々な要因によって決まる。

財務予測、企業の意思決定、医療診断、パターン認識など各種分野で、すべての関連要因を直接観察することが不可能な場合に予測するために、機械学習技術が利用されている。特に帰納的学習技術では、等式、規則集合、またはその他の一部のデータ構造を「学習」するために、観測された訓練（トレーニング）データ点の組（セット）が入力として使用される。次に、この学習された構造または統計的モデルを用いて、訓練データセットに関する一般化、または新しいデータに関する予測を行うことができる。本明細書で用いる「統計的モデル」という用語は、複数のデータパラメータ（入力および出力など）間の関係を確立または予測する、任意の学習されたおよび／または統計的なデータ構造を指す。以下、神経回路を参照しながら本発明について説明するが、本発明に従って別の種類の統計的モデルを使用してもよい。

例えば、訓練データセットの各データ点は、データ点内の別の値に相関する、あるいはその値を予測する値の集合を含んでもよい。このため、医療診断応用において、心臓発作患者の血圧や年齢など一連の計量生物学的データによって、５年間に心臓発作を起こす可能性を予測してもよい。各患者の実際の結果とともに計量生物学的値の測定値から成るデータ点を訓練データセットとして用いて、帰納的学習技術によって、新しい患者のバイオメトリクスが与えられたときに、新しい患者が５年間に心臓発作を起こす可能性を予測するデータ構造を構築してもよい。

当業者にとって周知の帰納的学習方法には、例えば、ベイズ(Bayesian)推論、記憶ベース密度推定、パラメトリック密度推定、ニューラルネットワークなどが含まれる。ニューラルネットワークでは、訓練データセットを用いて、ネットワークを備えるデータ構造に加えられる重みが学習される。例えば、クリストファー・エム・ビショップ（Christopher
M. Bishop）の「パターン認識用のニューラルネットワーク（Neural
Networks for Pattern Recognition）」（オックスフォード大学出版局、１９９５年、Oxford
University Presss, 1955））を参照されたい。一般に、ニューラルネットワークには、データを入力するためのノードセット、入力層、および予測されるデータ値を生成するための出力層が含まれる。誤差逆伝搬ニューラルネットワークも、入力層と出力層の間に１つ以上の隠れ層を備えている。入力層と各隠れ層は、次の層（別の隠れ層または出力層のいずれか）の各ノードへの出力を持つものとして表される。訓練が完了したあと、ニューラルネットワークは、ネットワーク内の各ノードに対する重みセットを備える。これらの重み値は、隠れ層ノード値だけでなく、入力ノードに適用される訓練データと出力ノードに適用される訓練データの間の関係を表す。この訓練された関係を用いて、ニューラルネットワークは、新しい入力値またはパラメータが入力層の対応するノードに送り込まれるときに１つ以上の出力値を予測することができる。各ノードについて、ノードの重みが、ノードの各入力を少なくとも１つの出力値に関連付ける訓練された関係（ニューラルネットワークの各種実施形態において異なることがある）を表す固定方程式に係数として適用される。１つ以上の出力層ノードの出力値が、ネットワークの出力を構成する。

当然のことながら、特定のニューラルネットワークトポロジに関して一部の実施形態について説明してきたが、例えば、隠れ層の数が異なる、あるいは入力ノードまたは出力ノードの数が異なる、他のネットワークトポロジを使用することもできる。さらに、ニューラルネットワークの使用に関して一部の実施形態について説明してきたが、例えば上述した技術など、他の帰納的機械学習技術または統計解析技術を使用することができる。

図１は、５つの入力ノード１１０と、３つのノード１２０を有する隠れ層と、予測される視力値を生成するための単一のノード１３０を有する１つの出力層とを備え、波面収差データを受け取るのに適したニューラルネットワーク１００の一実施形態である。異なる数の、またはすべての、測定された波面収差を受け取るのに適したニューラルネットワーク１００の実施形態は通常、波面収差ごとに１つの入力ノードを含んでいる。ニューラルネットワーク１００の実施形態は、任意の汎用コンピュータプロセッサまたは特殊目的コンピュータプロセッサ上で実行するように実装してもよい。また当然のことながら、ニューラルネットワーク１００は、ＣやＦＯＲＴＲＡＮなどの汎用言語を含め、任意のコンピュータ言語または環境を用いて生成することができるソフトウェアに実装してもよい。ニューラルネットワークソフトウェアは、例えばカリフォルニア州ネバダ市のカリフォルニア・サイエンティフィック・ソフトウエアー社（Ｃａｌｉｆｏｒｎｉａ Ｓｃｉｅｎｔｉｆｉｃ Ｓｏｆｔｗａｒｅ）のブレインメーカー・プロ（Ｂｒａｉｎｍａｋｅｒ Ｐｒｏなどのニューラルネットワーク開発ツールを用いて生成することが好ましい。

図２および図３は、ニューラルネットワーク１００のための訓練データと、以後、ニューラルネットワーク１００とともに使用するためのデータの両方を収集するために、患者の眼における波面収差を測定する装置の一実施形態を示している。本明細書に援用した係属中の特許出願でより詳細に記述されているこの装置１０は、検査椅子１６に座る患者１５の正面にハウジング１２を位置決めするための可動スタンド１４に取り付けることができるハウジング１２を備えている。一実施形態においては、この装置１０はフォロプター（図示していない）を備えてもよい。図４に示した一実施形態においては、ハウジング１２は、患者１５の眼における波面収差を測定するように構成された一連の光学素子を備えている。当業者によって了解されるように、人間の眼の収差を測定するための、シャーマー（Schemer）ディスク波面センサー、シャックハートマン（Shack-Hartmann）波面センサー、フィゾー(Fizeau)干渉計、トワイマン−グリーン(Twymann-Green)干渉計、ホログラフィック素子波面センサーや,双眼波面センサー、その他の光学系など、各種の装置、システム、および技術が存在する。本発明の実施に当たっては、これらの波面測定装置、システム、および／または技術のいずれを利用してもよい。

収集された訓練データを用いることで、ニューラルネットワーク１００の一実施形態は、患者の測定された波面収差を視力の１つの尺度、例えば患者の最良補正眼鏡視力（ＢＣＳＶＡ）に関連付けるデータセットを用いて訓練されている。球面収差、コマ、トレフォイル、テトラフォイル、非点テトラフォイルを入力値とし、ＢＣＳＶＡ値を出力値とする、当技術分野で一般に知られているゼルニケ多項式に対応する患者収差を含む学習セットが、８５の近視眼および１６７の乱視眼について構築された。結果として得られる訓練されたニューラルネットワークが、テストケースの８５％でデータセットのランダムなサブセットにおいて視力を正確に予測した。他の実施形態においては、訓練中および以降の試験中に、測定される高次収差の多数またはすべてを含めることによって、一部の状況で精度を高めることができる。さらに、他の実施形態においては、精度を高めるために、コントラスト感度など追加の出力値を用いてネットワーク１００の実施形態が訓練される。当然のことながら、例えばコンタクト、眼内レンズ、またはレーザー原位置角膜切開反転術（レーシック（LASIK）手術）を用いた患者の眼の最良補正視力など、視力の他の尺度をニューラルネットワーク１００の訓練データとして用いることもできる。

図５は、自覚的フォロプター検査ではなく他覚的に測定された収差に基づいて患者の標準処方を予測するためのプロセス２００の一実施形態を示すフローチャートである。標準処方、すなわち患者の自覚的な屈折測定値は、低次収差に対応する、球面、円柱、および軸の測定値から成る。但し、上述のように、視力の自覚的尺度は特定の眼において、高次収差との相互作用および患者の神経学的視路によって影響を受けることがある。患者における収差を他覚的に決めるために、まず患者の訓練データセットが測定される。また、例えばフォロプターやスネルチャート（Snellen
Chart）を用いて、各訓練患者の自覚的屈折も測定される。一実施形態においては、他覚的に測定された収差を入力として用い、球面、円柱、および軸の自覚的測定値を出力として用いて、ニューラルネットワーク１００が訓練される。当然のことながら、患者の視力に関係することがある、任意の数の追加データパラメータを用いて、本発明に従って統計的モデルを訓練しおよび作成することができる。例えば、一実施形態においては、患者の年齢、患者が望む視力の改善（例えば、遠視力の改善、近視力の改善、コントラストの改善、細部の解像力の改善、焦点深度の改善）、患者の処方履歴に関する情報などの要因またはパラメータを、統計的モデルを構築するための訓練データとして役立たせることがある。また、頭痛、夜間における視覚障害または「ハロー」、あるいはその他の副作用または症状（好ましいものであれ好ましくないものであれ）を患者が経験しているかどうかといったパラメータまたは要因を、統計的モデルの訓練中に考慮に入れることができる。本明細書では一般に、このような種類のデータパラメータを「患者の個人的プロフィールパラメータ」または「プロフィールパラメータ」と称する。

統計的モデルを訓練した後、このモデルを用いて新しい患者の処方を予測することができる。当該のプロセス２００は、例えば測定装置１０を用いて患者の眼の収差が他覚的に測定されるステップ２１０から始まる。ステップ２２０に移って、少なくとも部分的に他覚的に測定された収差パラメータに基づいて、予測される球面、測定値、円柱測定値、および軸測定値を生成するように実行作動される、訓練されたネットワーク１００に、患者の収差測定値が入力される。次に、球面、円柱、および軸のこれらの予測される値を用いて、例えば、少なくとも部分的に他覚的測定値またはパラメータに基づいて標準処方を患者に提供することができ、患者および医師が各種の治療選択肢（例えば、補正レンズ、コンタクト、または外科手術）を比較できるようになり、あるいは、レーシック手術の計画において、レーシック手術を実行する前に、自覚的に測定された処方を確認することができる。

さらに当然のことながら、この統計的モデルは様々な高次収差と視力の間の関係を表すことができ、ここで、一部の高次収差および／またはそれらの組み合わせによる相対的なインパクトを予測できるように、その関係を表すことができるのである。例えば、一部の高次収差または収差の組み合わせが、当該の収差を有する患者間の視力の優劣を一貫して示し得る。これは、当該の収差またはその組み合わせが視力の優劣に関与し得ることを意味している。当該の統計的モデルがあれば、標準的な低次収差（球面、円柱、および軸）を補正するだけでなく、高次収差（例えば、球面収差、コマ、トレフォイル、テトラフォイル、非点テトラフォイル）および／またはそれらの組み合わせのどれが、患者の自覚的に知覚される視力にとって有益、有害、またはどちらでもない、のかを示す、予測される視力矯正のための処方を生成する方法を簡単に知ることができる。

さらに、様々な高次収差が、近視眼、遠視眼、老眼、および乱視眼にとって様々なレベルの重要度を有していることがわかっている。このため、プロセス２００の一実施形態においては、これらのカテゴリの眼それぞれにおいて異なるニューラルネットワーク１００を使用することができる。例えば、一実施形態においては、乱視眼の患者を主に用いてニューラルネットワーク１００を訓練して、非点収差を有する患者用に特別にカスタマイズされた統計的モデルを得ることができる。

上述のように、すべての高次収差が視力に悪影響を及ぼすとは限らないことがわかっている。したがって、例えば、本明細書に援用した同時係属中の特許出願に記述されているような特注の波面収差補正装置を含むメガネやコンタクトレンズのような、高次収差を補正する視力矯正技術または装置は、視力に悪影響を及ぼす収差のみ補正し、好ましい影響を及ぼす収差はそのままにすることによってさらに改良することができる。

図６は、ニューラルネットワークまたは統計的モデル１００を用いて患者の眼に対する一連の補正処置を決めるために役立つ、プロセス３００の別の実施形態を示すフローチャートである。一実施形態においては、ニューラルネットワーク１００が、訓練入力として、他覚的に測定されたゼルニケ収差の一部またはすべてを用いて訓練される。視力および／またはコントラスト感度など、自覚的視覚性能の１つ以上の尺度が、フォロプターやメガネなど従来の低次補正手段を用いて各患者について測定される。さらに、各患者について設定された入力における各高次収差（例えば、球面収差、コマ、トレフォイル、テトラフォイル、非点テトラフォイル）を補正する特注の高次波面収差補正装置を用いて、視覚性能が自覚的に測定される。有益な高次収差が取り除かれた患者の眼において低いまたは負であり得る、標準補正視力と高次収差補正視力との差、または改善尺度が、訓練データセットにおける各患者の出力値として使用される。このため、訓練後、各入力層ノード１１０の重みＷ_Ｉｎは、それが正である場合、各収差について、視力の改善にとっての、その収差を補正することの相対的重要度を示す。ノード１１０の重みが負である場合、対応する収差は、視力にとって有益な収差である。すなわち、その収差を補正しても、視力は改善されず、むしろ悪化する。

したがって、ステップ３１０から始まるプロセス３００に戻って、患者の眼の収差が測定される。ステップ３２０に移って、各収差が、収差を入力として、視覚性能の改善を出力として訓練されたニューラルネットワーク１００の入力層ノード１１０の重みを基準にして解析され、重みの相対的大きさおよび符号に基づいて重要度が割り当てられる。次にステップ３３０において、例えば二次から六次の多項式の次数に応じた表におけるゼルニケ多項式など、測定された収差の表が、ステップ３２０の解析において決められた収差を調整することの相対的重要度に基づいて各収差が色分けされて提示される。図７は色分けされた表の一例と、本発明の一実施形態に従って、高次収差の相対的重要度および状態（例えば、視力にとって有益または有害）に基づいて高次収差を表す色分けされたグラフィックイメージとを示している。収差の調整には、収差を最小化すること、収差を大きくすること、または収差を導入することが含まれ得ることに注意されたい。一実施形態においては、小さい収差、または視力改善に関連しない収差は例えば緑色で、小さいけれども有意な大きさの収差は例えば黄色で、大きい収差は例えば赤色で、これらの収差を調整することの重要度がそれぞれ示される。収差の調整には、収差を小さくすること、または有益な収差を大きくすることが含まれ得ることに注意されたい。さらに、一部の収差またはすべての収差を、それらが患者の眼に存在するかどうかにかかわらず、例えば色分けして、それらの収差を導入することによって視力が改善されるかどうかを示すこともできる。ステップ３４０に移って、アイケア専門家または患者がこの情報を利用して、患者の視力を補正するプランを作成することができ、アイケア専門家が、メガネ、コンタクト、眼内レンズ、外科手術（例えばレーシック手術）などを用いて高次収差を補正することの価値をより正確に顧客に助言できるようになる。前述のとおり、この補正プランには、視力に有益な影響を及ぼす収差を導入すること、またはこのような収差を大きくすることが含まれ得る。

図８は、例えば特注の波面収差補正装置を含むメガネまたはコンタクトレンズを選択することで患者の視力がどの程度改善されるかを予測するプロセス４００の実施形態を示している。ニューラルネットワークの実施形態が、上記のプロセス３００で使用するために上述したように構築される。ステップ４１０から始まって、患者の眼の収差が測定される。ステップ４２０に移って、特注の高次波面補正メガネを用いた場合と標準メガネを用いた場合の予測される視力改善が、ニューラルネットワーク１００を用いて計算される。特注の高次波面補正メガネには、患者の視路における波面収差を調整することによって患者の視力を補正する、特注の波面収差補正装置が含まれている。この調整は、既存の収差を最小化するという調整、既存の有益な収差を大きくするという調整、または有益な収差を導入するという調整の任意の組み合わせを含むことができる。次にステップ４３０で、この改善が提示される。一実施形態においては、この改善が、標準メガネを用いた場合に比べて、高次補正メガネを用いた場合に患者が読み取ることができるスネルチャートの文字の数が追加される点でグラフィカルに示される。別の実施形態においては、典型的な図９に示したように、コンピュータ制御のディスプレイを用いて視力表の文字の相対的なぼけをシミュレートするイメージを提示することができる。左側の視力表の文字は、ぼけが強く、標準補正の結果または補正をしない場合の結果として視力が低いことを示している。右側の視力表は鮮明であり且つ焦点が合っており、高次収差補正によって視力の改善が可能であることを示している。当然のことながら、当該のイメージは、標準補正および高次補正をそれぞれ用いて予測される改善に基づいて患者の視力の最良近似をもたらすことができる。例えば、標準補正を用いたときに患者の視力が２０／２５に改善されると予測され、高次補正を用いたときに２０／１５に改善されると予測される場合、対応するぼけを表すために選択した（自動でまたは手動で）各視力表を患者に提示することができる。

ニューラルネットワーク１００の実施形態は、特注の波面収差補正装置付きメガネの選択および設計に関連して使用されるだけでなく、眼内レンズ挿入および角膜切除（放射状角膜切除術、乱視角膜切除術、自動表層角膜移植術、レーザー屈折補正角膜切除術、レーシック手術など）といった外科的処置および技術を含む、より永続的な補正の結果を予測するために使用すると有利なこともある。訓練されたニューラルネットワーク１００の予測能力は、特注の波面収差補正装置付きメガネとよりも、これらの処置の計画と併用した場合の方がはるかに大きな価値を発揮する。その理由は、もたらされる変化が永続的な性質を有するからである。

このため、プロセス４００に似たプロセスの実施形態は、レーシック手術を実施する前に測定された、レーシック患者の標準補正と比較した場合にレーシック患者における高次補正の結果もたらされる改善を使用する訓練データを用いたニューラルネットワーク１００の実施形態を生成するステップを含む。このため、他覚的に測定された高次収差を入力層ノードに対する訓練入力値として用い、自覚的な改善測定値を統計的モデルの出力ノードに対する訓練出力値として用いて、統計的モデルを訓練することができる。訓練データを用いて統計的モデルを訓練した後、レーシック患者候補で検出された様々な高次収差の相対的重要度および状態（例えば、有益、有害、どちらでもない）を判断または予測することができる。患者における高次収差の相対的重要度を特定した後、レーシック手術の結果として患者の視覚性能を最大限に高めるように、レーシックレーザーの切除パターンを変更することができる。さらに、プロセス４００と似たプロセスの一実施形態においては、例えば図９に示したイメージに似た、レーシック手術の結果としてもたらされると予測される視力の相対的な改善（または悪化）を示す視覚的イメージが患者に提示される。このプロセスをプロセス４００のステップと組み合わせて、通常のメガネを使用した場合、レーシック手術を受けた場合（標準補正または高次補正による）、および特注の収差補正装置を組み込んだメガネを使用した場合に予測される結果の比較を患者に提供することができる。プロセス４００に似たプロセスを、コンタクトレンズまたは眼内レンズを使用または検討している患者に対して実行することができる。補正コンタクトレンズまたは眼内レンズを装着した患者を利用して訓練データを取得することによって、各種の処置（例えば、眼内レンズ、通常のメガネ、コンタクトレンズ）間の相対的結果、および各種の補正（例えば、標準補正、高次収差補正）間の相対的結果を予測するための統計的モデルを作成することができる。

当然のことながら、本明細書で説明したような、訓練されたニューラルネットワークを使用するプロセスの実施形態において、新しい患者に対してニューラルネットワーク１００を使用することと、その結果をディスプレイに提示することとから成るコンピュータステップを、例えば接続されたビデオディスプレイを使用して結果を提示する測定装置１０上で直接実行することができる。あるいは、測定された収差を、本明細書で説明したように即座に使用するために、または格納して他のディスプレイシステムによって後で使用したり、提示するために、別のコンピュータ制御システムに入力することもできる。さらに、本明細書で開示した各プロセスについて、本発明の範囲を逸脱することなく、ステップを追加すること、他のステップを削除すること、ステップを結合すること、またはステップの順序を変更することができる。

上記の詳細な説明において、様々な実施形態に適用される本発明の新規な特徴を示し、説明し、指摘してきたが、本発明の精神から逸脱することなく、示した装置またはプロセスの形態および詳細の様々な省略、置換、および変更を当業者が実施できることは明らかである。当然のことながら、一部の特徴を他の特徴から分離して使用または実施できることから、本明細書に示した特徴および利点のすべてを備えていない形態でも本発明を具現化することもできる。

Claims (57)

1. 患者の眼の波面収差測定値を取得するステップ、該波面収差測定値から導出される少なくとも１つの値を、少なくとも１つの値を解析するように訓練された統計的モデルに適用するステップ、及び該統計的モデルによって解析された少なくとも１つの値の少なくとも一部分に基づいて該患者の眼の視力矯正のための処方を予測するステップからなることを特徴とする、患者の眼の視力矯正のための処方を特定する方法
2. 該統計的モデルが、訓練データとして複数の他覚的に測定された収差値と、複数の自覚的に測定された視力値とを用いて訓練されたものであることを特徴とする、請求項１に記載の方法。
3. 該統計的モデルが、患者の個人的プロフィールデータを用いてさらに訓練されたものであることを特徴とする、請求項２に記載の方法。
4. 該患者の個人的プロフィールデータが、患者の年齢、患者の好み、患者の処方履歴、および患者が報告した副作用から成るデータパラメータの群のうちから選択される少なくとも１つのデータパラメータからなることを特徴とする、請求項３に記載の方法。
5. 前記複数の自覚的に測定された視力値が、複数の患者の眼の測定結果が前記複数の他覚的に測定された収差値をも与えるような複数の患者からの測定値によって最良に補正された視力測定値であることを特徴とする、請求項２に記載の方法。
6. 該測定された波面収差は、三次以上のゼルニケ多項式で表すことができるものである、請求項１に記載の方法。
7. 該統計的モデルは、ニューラルネットワークを備えるものである、請求項１に記載の方法。
8. 該予測される視力矯正のための処方は、球面パラメータ、円柱パラメータ、および軸パラメータが標準処方に関連するものである、請求項１に記載の方法。
9. 前記予測される視力矯正のための処方を用いて、自覚的に測定された処方を確証することをも特徴とする、請求項８に記載の方法。
10. 前記予測される視力矯正のための処方は、前記患者の眼に関連する少なくとも１つの高次収差を調整することをさらに処方することを特徴とする、請求項８に記載の方法。
11. 前記調整するステップは、前記少なくとも１つの高次収差を小さくするステップまたは大きくすることを特徴とする、請求項１０に記載の方法。
12. 前記調整するステップは、前記少なくとも１つの高次収差を導入することを特徴とする、請求項１０に記載の方法。
13. 少なくとも１つの該高次収差のグラフィックイラストレーションを提供することをさらに特徴とする、請求項１０に記載の方法。
14. 前記グラフィックイラストレーションが、前記少なくとも１つの高次収差の相対的重要度を示す色分けされた表からなることを特徴とする、請求項１３に記載の方法。
15. 前記少なくとも１つの高次収差は、球面収差、コマ、トレフォイル、テトラフォイル、および非点テトラフォイルから成る群のうちから選択される１つ以上の高次収差からなることを特徴とする、請求項１４に記載の方法。
16. 前記統計的モデルが、特定のカテゴリの眼の種類に合わせてカスタマイズされたものである、請求項１に記載の方法。
17. 前記波面収差測定値は、球面収差、コマ、トレフォイル、テトラフォイル、および非点テトラフォイルから成る群のうちから選択される高次収差の１つ以上の測定値を提供するものである、請求項1に記載の方法。
18. 患者の眼の高次収差補正の結果もたらされる視力と標準補正の結果もたらされる視力との差を予測する方法であって、該方法が、患者の眼の波面収差測定値を取得するステップ、前記波面収差測定値から導出された少なくとも１つの値を、前記少なくとも１つの値を解析するように訓練された統計的モデルに入力するステップ、及び、患者の眼の高次補正により結果的に得られる視力と標準補正により結果的に得られる視力との差を、前記少なくとも１つの値および前記統計的モデルに基づいて予測するステップとからなることを特徴とする方法。
19. 前記統計的モデルが、複数の他覚的に測定された収差値と、複数の差分値とを用いて訓練されたものであって、該複数の差分値は、高次収差補正視力を有する患者の視力と、標準補正視力を有する同じ各患者の視力との差分を示すものである、請求項１８に記載の方法。
20. 前記統計的モデルが、患者の個人的プロフィールデータを用いて更に訓練されたものである、請求項１９に記載の方法。
21. 前記患者の個人的プロフィールデータは、患者の年齢、患者の好み、患者の処方履歴、および患者が報告した副作用からなるデータパラメータの群のうちから選択される少なくとも１つのデータパラメータであることを特徴とする、請求項２０に記載の方法。
22. 前記差を視覚的にイラスト表示するステップをさらに備える、請求項１８に記載の方法。
23. 前記イラスト表示するステップは、前記患者の標準補正視力を指示するスネルチャートの第１のイメージと、前記患者の高次収差補正視力を指示するスネルチャートの第２のイメージとを提供することを特徴とする、請求項２２に記載の方法。
24. 前記統計的モデルは、患者の眼についてどの測定された高次収差が有益、有害、またはどちらでもない、のかを予測し得るものである、請求項１８に記載の方法。
25. 視力矯正のための処方を提供することをさらに含み、ここで、前記視力矯正のための処方は、患者の眼について測定された少なくとも１つの高次収差を、該少なくとも１つの収差が有益であると予測されるのか、有害であると予測されるのか、またはどちらでもない、と予測されるのかに基づいて調整することを処方内容とするものである請求項２４に記載の方法。
26. 前記調整するステップは、有害または有益であると予測される少なくとも１つの高次収差をそれぞれ減少または増大させることを含むものである、請求項２５に記載の方法。
27. 前記調整するステップは、有利であると予測される少なくとも１つの高次収差を導入することを含むものである、請求項２５に記載の方法。
28. 前記少なくとも１つの高次収差のグラフィックイラストレーションを提供することをさらに含む、請求項２５に記載の方法。
29. 前記グラフィックイラストレーションは、前記少なくとも１つの高次収差が有益であるのか、有害であるのか、またはどちらでもないのかを表す色分けされた表を含むものである、請求項２８に記載の方法。
30. 前記少なくとも１つの高次収差は、球面収差、コマ、トレフォイル、テトラフォイル、および非点テトラフォイルからなる群のうちから選択される１つ以上の高次収差を含むものである、請求項２５に記載の方法。
31. 患者に対する視力矯正のための処方の予測に用いるための統計的モデルを作成する方法であって、複数の患者の眼から複数の波面収差測定値を取得するステップと、前記複数の患者から複数の視力測定値を取得するステップと、波面測定値に関連する前記複数の値を前記統計的モデルの入力層に与えるステップと、前記複数の視力測定値に関連する値を前記統計的モデルの出力層に与えるステップと、及び、前記複数の波面測定値に関連する前記与えられた値と、前記複数の視力測定値に関連する前記対応する値とに基づいて、前記統計的モデルの各ノードに関連する複数の重み値を生成するステップとからなることを特徴とする、統計的モデルを作成する方法。
32. 前記複数の波面収差測定値は、球面収差、コマ、トレフォイル、テトラフォイル、および非点テトラフォイルからなる群のうちから選択される１つ以上の高次収差の測定値である、請求項３１に記載の方法。
33. 前記統計的モデルを、通常の眼のタイプを有する複数の患者から受け取った訓練データから作成されたものである、請求項３１に記載の方法。
34. 前記統計的モデルは、ニューラルネットワークからなるものである、請求項３１に記載の方法。
35. 前記複数の視力測定値に関連する値は、高次収差補正視力を有する患者の視力と、標準補正視力を有する同じ各患者の視力との差を指示する複数の差分値を含むものである、請求項３１に記載の方法。
36. 前記統計的モデルは、前記患者の眼の測定された高次収差のどれが有益であるのか、有害であるのか、またはどちらでもないのかを予測し得るものである、請求項３５に記載の方法。
37. 請求項３１に記載の方法を用いて作成されたデータ構造。
38. 実行される際、患者の眼に対する視力矯正のための処方を特定する方法を実施させるものである、実行可能なコンピュータコードを格納するコンピュータ可読媒体において、該実施方法が、患者の眼の波面収差測定値を取得するステップと、
    前記波面収差測定値から導出された少なくとも１つの値を、少なくとも１つの値を解析するように訓練された統計的モデルに与えるステップ、及び、前記少なくとも１つの値および前記統計的モデルに基づいて前記患者の眼に対する視力矯正のための処方を予測するステップからなることを特徴とする、患者の眼に対する視力矯正のための処方を特定する方法
39. 前記統計的モデルが、訓練データとして複数の他覚的に測定された収差値と複数の自覚的に測定された視力値とを用いて訓練されるものである、請求項３８に記載のコンピュータ可読媒体。
40. 前記統計的モデルが、複数の他覚的に測定された収差値と、高次収差補正視力を有する患者の視力と、標準補正視力を有する同じ各患者の視力との差分を示す複数の差分値とを用いて訓練されたものである、請求項３９に記載のコンピュータ可読媒体。
41. 前記方法が、患者の眼の高次補正の結果もたらされる視力と標準補正の結果もたらされる視力との差を、前記少なくとも１つの値および前記統計的モデルに基づいて予測することをさらに含むものである、請求項４０に記載のコンピュータ可読媒体。
42. 患者の眼の視力矯正のための処方を特定するシステムであって、患者の眼の波面収差測定値を取得する手段と、その前記少なくとも１つの値の少なくとも一部分に基づいて前記患者の眼の視力矯正のための処方を予測するように、前記波面収差測定値から導出された少なくとも１つの値を解析する手段とからなることを特徴とする、患者の眼の視力矯正のための処方を特定するシステム。
43. 前記解析する手段は、統計的モデルを含むものである、請求項４２に記載のシステム。
44. 前記統計的モデルは、ニューラルネットワークを含むものである、請求項４３に記載のシステム。
45. 前記測定された波面収差は、三次以上のゼルニケ多項式で表されるものである、請求項４２に記載のシステム。
46. 前記予測される視力矯正のための処方は、標準処方に関連する球面パラメータ、円柱パラメータ、および軸パラメータを含むものである、請求項４２に記載のシステム。
47. 前記予測される視力矯正のための処方は、前記患者の眼に関連する少なくとも１つの高次収差を調整することをさらに処方内容として含むものである、請求項４６に記載のシステム。
48. 前記調整するステップは、前記少なくとも１つの高次収差を最小化することを含むものである、請求項４７に記載のシステム。
49. 前記調整するステップは、前記少なくとも１つの高次収差を大きくすることを含むものである、請求項４７に記載のシステム。
50. 前記調整するステップは、前記少なくとも１つの高次収差を導入することを含むものである、請求項４７に記載のシステム。
51. 前記少なくとも１つの高次収差のグラフィックイラストレーションを提供する手段をさらに備える、請求項４２に記載のシステム。
52. 前記グラフィックイラストレーションは、前記少なくとも１つの高次収差の相対的重要度を示す色分けされた表を含むものである、請求項５１に記載のシステム。
53. 前記解析する手段は、前記患者の眼の測定された高次収差が有益であるのか、有害であるのか、またはどちらでもないのかを予測し得る統計的モデルを備えている、請求項４２に記載のシステム。
54. 請求項１に記載の方法を用いて得られる、前記予測される視力矯正のための処方に従って構成されるメガネレンズ。
55. 請求項１に記載の方法を用いて得られる、前記予測される視力矯正のための処方に従って構成されるコンタクトレンズ。
56. 請求項１に記載の方法を用いて得られる、前記予測される視力矯正のための処方に従って構成される眼内レンズ。
57. 請求項１に記載の方法を用いて得られた、前記予測される視力矯正のための処方に従って前記患者の眼に対して外科的処置を実施することを特徴とする、患者の視力を補正する方法。

Images