Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Focusing of Light in the Eye01:16

Focusing of Light in the Eye

5.2K
Light rays enter the eye through the cornea, a transparent dome-shaped tissue that is the eye's outermost layer. The cornea bends or refracts, light rays traveling to the pupil. The shape of the cornea determines how much of the light is bent and whether the image will be focused correctly on the retina at the back of the eye. Once the light has passed through both refraction layers, it converges into a single focal point onto a small area. This is where photoreceptors start transforming...
5.2K

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Outcomes of Percutaneous Nephrolithotomy in Kidney Transplant Recipients: Results from a Multicenter Study by the Spanish Urology Association's Renal Transplant Group.

World journal of urology·2025
Same author

Genomic profiling unlocks new treatment opportunities for ampullary carcinoma.

ESMO open·2025
Same author

Oculomotor Behaviour in Individuals with Long COVID-19.

Clinical rehabilitation·2024
Same author

Gender trends at the annual Spanish Urologic Association (AEU) meeting: A review of AEU programmes over a 10-year period (2012-2022).

Actas urologicas espanolas·2024
Same author

[Long covid and disability].

Semergen·2024
Same author

Telemedicine in the management of patients with headache: current situation and recommendations of the Spanish Society of Neurology's Headache Study Group.

Neurologia·2023

関連する実験動画

Updated: Jan 8, 2026

Comparison of Agreement and Accuracy using Binocular Wavefront Optometer with Autorefractor and Phoropter
05:14

Comparison of Agreement and Accuracy using Binocular Wavefront Optometer with Autorefractor and Phoropter

Published on: September 16, 2025

539

光学収差と機械学習に基づく高速かつ正確な視力予測

A Sierra1, I Baoud-Ould-Haddi2, S Fernández-Núñez3

  • 1Departamento de Óptica, Facultad de Ciencias Físicas, Universidad Complutense de Madrid, Plaza de Ciencias 1, 28040, Madrid, Spain. aguesier@ucm.es.

Scientific reports
|December 19, 2025
PubMed
まとめ

視力（VA）を予測するための機械学習モデルを開発しました。LSBoost回帰木は最高の精度を達成し、XGBoostはより高速な計算を提供したため、視力補償設計に適しています。

キーワード:
調節ラグニューラルネットワーク回帰木視力（VA）XGBoostゼルニケ係数

さらに関連する動画

Binocular Dynamic Visual Acuity in Eyeglass-Corrected Myopic Patients
07:06

Binocular Dynamic Visual Acuity in Eyeglass-Corrected Myopic Patients

Published on: March 29, 2022

3.2K
Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss
07:12

Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss

Published on: April 11, 2025

836

関連する実験動画

Last Updated: Jan 8, 2026

Comparison of Agreement and Accuracy using Binocular Wavefront Optometer with Autorefractor and Phoropter
05:14

Comparison of Agreement and Accuracy using Binocular Wavefront Optometer with Autorefractor and Phoropter

Published on: September 16, 2025

539
Binocular Dynamic Visual Acuity in Eyeglass-Corrected Myopic Patients
07:06

Binocular Dynamic Visual Acuity in Eyeglass-Corrected Myopic Patients

Published on: March 29, 2022

3.2K
Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss
07:12

Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss

Published on: April 11, 2025

836

科学分野:

  • 眼科学
  • コンピュータサイエンス
  • 機械学習

背景:

  • 視力（VA）予測は、眼科ケアにおいて重要です。
  • 現在の方法では、効率または精度が不足している可能性があります。
  • 機械学習は、VA予測の改善に可能性を提供します。

研究 の 目的:

  • 視力（VA）を予測するための機械学習モデルを開発および評価すること。
  • VA予測のための回帰木（LSBoost、XGBoost）とニューラルネットワークのパフォーマンスを比較すること。

主な方法:

  • LSBoost、XGBoost、およびニューラルネットワークの3つの機械学習モデルを提案しました。
  • データには、135人の被験者からのゼルニケ係数、調節振幅、年齢、およびVAが含まれていました。
  • モデルは、VA推定のための臨床視標認識をシミュレートしました。

主要な成果:

  • LSBoostは、特に調節データにおいて、優れた予測精度を示しました。
  • XGBoostは、大規模データセットに有益な、より高速な計算時間を提供しました。
  • ニューラルネットワークは高い視標認識能力を示しましたが、VA予測精度は低かったです。

結論:

  • 回帰木モデル、特にLSBoostは、表形式の臨床データを使用したVA予測に非常に適しています。
  • LSBoostは精度に優れ、XGBoostは計算効率を提供します。
  • 機械学習は、視力評価を進歩させるための有望な道を提供します。