RLPeri: Accelerating Visual Perimetry Test with Reinforcement Learning and Convolutional Feature Extraction
作者: Tanvi Verma, Linh Le Dinh, Nicholas Tan, Xinxing Xu, Chingyu Cheng, Yong Liu
分类: cs.AI
发布日期: 2024-03-08
备注: Published at AAAI-24
期刊: The 38th Annual AAAI Conference on Artificial Intelligence, 2024
💡 一句话要点
提出RLPeri以优化视觉测量测试效率
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 视觉测量 强化学习 卷积特征提取 医疗测试优化 患者体验
📋 核心要点
- 现有视觉测量方法在患者集中注意力方面存在挑战，导致检查时间延长和准确性下降。
- RLPeri通过强化学习优化视觉测量测试，确定最佳刺激位置和初始值，以提高效率。
- 实验结果显示，RLPeri在保持准确性的同时，检查时间减少了10-20%，显著提升了测试效率。
📝 摘要（中文）
视觉测量是重要的眼科检查，有助于检测由眼部或神经系统疾病引起的视力问题。在测试过程中，患者的视线固定在特定位置，同时呈现不同强度的光刺激。患者对刺激的反应用于确定视野映射和敏感度。然而，患者在测试过程中保持高度集中存在挑战，导致检查时间延长和准确性下降。本文提出RLPeri，一种基于强化学习的方法，通过确定最佳位置序列和初始刺激值，旨在减少检查时间而不影响准确性。此外，我们还采用奖励塑形技术进一步提升测试性能。实验结果表明，与现有方法相比，我们的方法在保持准确性的同时，检查时间减少了10-20%。
🔬 方法详解
问题定义：本文旨在解决传统视觉测量测试中患者集中注意力不足的问题，导致检查时间延长和准确性下降。现有方法在刺激呈现顺序和初始值选择上缺乏优化，影响了测试效率。
核心思路：RLPeri通过强化学习算法优化视觉测量测试的刺激呈现顺序和初始刺激值，旨在在不牺牲准确性的前提下，减少检查时间。该方法利用奖励塑形技术来提升测试性能，使得系统能够更有效地适应患者的反应。
技术框架：RLPeri的整体架构包括状态表示、强化学习模型和卷积特征提取模块。状态通过一对3D矩阵表示，卷积核用于提取不同位置和刺激值的空间特征。
关键创新：RLPeri的主要创新在于结合了强化学习和卷积特征提取，能够动态调整刺激呈现顺序，显著提升了测试效率。这种方法与传统静态刺激呈现方式有本质区别。
关键设计：在设计中，采用了两种不同的卷积核来提取空间特征，并通过奖励塑形技术优化学习过程。此外，模型的参数设置和损失函数经过精心设计，以确保在减少时间的同时保持准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，RLPeri在视觉测量测试中实现了10-20%的时间减少，同时保持了与现有最先进方法相当的准确性。这一显著提升展示了强化学习在医疗测试优化中的潜力。
🎯 应用场景
该研究的潜在应用领域包括眼科诊断、神经科学研究以及患者友好的医疗设备开发。通过提高视觉测量测试的效率，RLPeri能够帮助医生更快地获取准确的视力评估结果，从而改善患者的就医体验和诊断效率。未来，该方法还可能扩展到其他类型的视觉测试和相关领域。
📄 摘要（原文）
Visual perimetry is an important eye examination that helps detect vision problems caused by ocular or neurological conditions. During the test, a patient's gaze is fixed at a specific location while light stimuli of varying intensities are presented in central and peripheral vision. Based on the patient's responses to the stimuli, the visual field mapping and sensitivity are determined. However, maintaining high levels of concentration throughout the test can be challenging for patients, leading to increased examination times and decreased accuracy. In this work, we present RLPeri, a reinforcement learning-based approach to optimize visual perimetry testing. By determining the optimal sequence of locations and initial stimulus values, we aim to reduce the examination time without compromising accuracy. Additionally, we incorporate reward shaping techniques to further improve the testing performance. To monitor the patient's responses over time during testing, we represent the test's state as a pair of 3D matrices. We apply two different convolutional kernels to extract spatial features across locations as well as features across different stimulus values for each location. Through experiments, we demonstrate that our approach results in a 10-20% reduction in examination time while maintaining the accuracy as compared to state-of-the-art methods. With the presented approach, we aim to make visual perimetry testing more efficient and patient-friendly, while still providing accurate results.