JP6672529B2 - 予測自覚屈折データまたは予測矯正値を確定するための装置およびコンピュータプログラム - Google Patents

Description

本発明は、測定された眼の他覚屈折データに基づき眼の予測自覚屈折データまたは予測自覚矯正値を確定するための装置に関する。加えて、本発明は、測定された眼の他覚屈折データに基づく眼の予測自覚屈折データまたは予測自覚矯正値の確定を容易にするプログラムコードを有するコンピュータプログラムに関する。

屈折判断は（人間の）眼の屈折特性を判断することに関係する。屈折判断の場合、自覚屈折判断と他覚屈折判断とを識別することが可能である。

この場合、自覚屈折判断のための方法は、人の視覚認知に関する被検者の（主観的）フィードバックに基づく。自覚屈折判断の一例は、減少し続ける視力検査文字（例えば数字または文字）または減少し続けるシンボルを備えた視力検査表に基づく屈折特性の判断である、この場合、被検者は、どの文字が被検者により識別され得るかに関するフィードバックを提供する。

従来、自覚屈折判断は、検眼用フレーム、検眼用レンズ、または手動またはディジタルフォロプタにより、そして外部モニタ上に表示される視力検査文字を使用して実施される。一例として、フォロプタについては２０１６年１０月１３日時点で（非特許文献１）に記載されている。ここでは、被検者が視力検査文字を観察し、そして眼鏡技師または眼科医は、様々な矯正度数を有する様々な検眼用レンズを検眼用フレーム内に挿入する、またはフォロプタが使用される場合は矯正設定を変更する。次に、被検者は、どの検眼用レンズまたはフォロプタのどの設定が視力検査文字を最良程度まで認識され得るようにするかに関するフィードバックを提供する。

ここでは、この過程で使用される検眼用レンズまたはフォロプタの対応する矯正設定が、いずれの場合も、それぞれの検眼用レンズまたはフォロプタの設定により矯正される屈折異常へ割り当てられる。ここでは、上に説明した自覚屈折判断は、眼毎に（単眼的やり方で）別々に実施され得る、またはそうでなければ両眼一緒に（双眼的やり方で）実施され得る。

他覚屈折判断のための方法および装置は、人の視覚認知に関する被検者からのいかなるこのようなフィードバックも必要としない。屈折異常は、直接測定された変数から（必要に応じ計算準備を伴って）測定される。一例として、（特許文献１）は、測定された波面収差に基づき視力の尺度を判断するための方法および装置を記載する。ここでは、視力の尺度は、点広がり関数を使用することにより低次および高次の波面収差から計算される。一例として、他覚屈折判断は、自動屈折器、光屈折器、波頭解析器、および検影器などの助けを借りて行われる。

上記手順はほぼ静的である；すなわち、上記手順は、眼鏡技師または眼科医の構内に束縛され、そして適切に教え込まれた眼鏡技師または眼科医に、屈折判断を行い、屈折異常を判断し、そして必要に応じ例えば眼鏡を処方することにより屈折異常を適切に矯正するように要求する。自覚屈折、他覚屈折、および処方との間の差異の鮮やかな説明は２０１６年１０月２１日にダウンロードされた例えば「（非特許文献２）」から集められ得る。

眼の非正視（ａｍｅｔｒｏｐｉａ）（口語的には、眼の屈折異常（ｒｅｆｒａｃｔｉｖｅ ｅｒｒｏｒ））を記述するデータは本明細書の範囲内では屈折データと呼ばれる。ここでは、自覚屈折データは自覚屈折により取得されたデータであり、他覚屈折データは他覚屈折判断により確定されたデータである。自覚屈折データおよび／または他覚屈折データは従来の球、円柱および軸の表記を使用して例えばＺｅｒｎｉｋｅ係数の形式で定義され得る。ここで、球は球状屈折値Ｓを表し、円筒は円筒屈折値Ｃを表し、軸はパワーベクトル表記（

，Ｊ_０，Ｊ_４５）を使用して円筒軸（軸配向）の位置を表す。ここで、

は球相当径を表し、Ｊ_０はジャクソンクロスシリンダの水平または垂直成分を表し、Ｊ_４５は水平または垂直成分に対して４５°または１３５°の角度で延びるジャクソンクロスシリンダの成分または任意の他の好適な表記を使用するジャクソンクロスシリンダの成分を表す。パワーベクトル成分

，Ｊ_０，Ｊ_４５は次式による球、円柱および軸のＳ、Ｃおよびαの値に関係する：

矯正値は、例えばそれぞれに判断された屈折異常に適した眼鏡レンズなどの矯正手段を特徴付ける値であり、従来の球、円柱および軸の表記の少なくとも球の値Ｓを含む。屈折異常が非点収差を含む場合、矯正値はまた円筒および軸の値Ｃおよびαを含む。さらに、矯正値は別の値（例えばプリズム、斜視を矯正するためのそのベース、および老眼を矯正する加入度（近見加入度）の値）を含み得る。他覚屈折および自覚屈折の結果は、処方眼鏡の矯正値を判断するために独立にまたは組み合わせで使用され得る（同義語：処方、眼鏡値、矯正、処方値）。他覚または自覚屈折により取得された他覚または自覚屈折データが、球、円柱および軸表記で利用可能であれば、他覚または自覚屈折データが矯正値として直接使用され得る。以下では、他覚屈折値は他覚屈折データに基づく矯正値を表し、自覚矯正値は自覚屈折データに基づく矯正値を表す。

眼の他覚屈折データの測定から眼の自覚屈折データまたは自覚矯正値について意見を述べる手法が長い間存在してきた。ここでは低次および／または高次の収差またはそれらの組み合わせが活用され得る。

（特許文献２）は、眼鏡技師または眼科医が自覚屈折データを確定するための出発点として使用し得る予備的自覚屈折データが眼の波面収差を特徴付ける眼の収差の他覚測定の結果から予測され得るということを開示した。ここでは、収差の他覚測定から予備的自覚屈折データを確定する工程はそれに割り当てられた縮尺率を有する係数を有する線形方程式を使用して実施され、測定された眼に好適な縮尺率の値はアルゴリズムの助けを借りて確定される。次に、予備的自覚屈折データは線形方程式および確定された縮尺率の値により計算される。

（特許文献３）は眼鏡レンズ処方箋を確定する方法について記載しており、ここでは眼鏡レンズ処方箋は、他覚屈折データから、または他覚屈折データと確定された自覚屈折データとの組み合わせから判断される。

（特許文献４）は眼の波面収差の自覚効果を予測するメトリックを開示した。このメトリックは波面収差に、または波面収差および神経伝達関数に依存する。特に、（特許文献４）は神経コントラスト感度を含むメトリックを記載する。このメトリックは非正視を矯正するための予測矯正値を判断するために使用され得る。

（特許文献５）は同様に、視覚品質を表すメトリックに基づき、眼の測定された収差から眼鏡レンズ処方箋を確定する（すなわち非正視を矯正するための矯正値を確定する）方法を開示した。（特許文献５）では、予測眼鏡レンズ処方箋内の非点収差矯正の程度を考慮する評価関数を表す項がメトリックに追加される。

しかし、非正視を矯正するための予測矯正値を計算するための以前に使用されたメトリックは視力の感覚生理学的知覚を考慮するという点で制限される。通常、単一生理学的測定変数だけ（コントラスト感度）が考慮される。したがって、例えば、（特許文献４）に記載の方法では、コントラスト感度は最良矯正値を判断するために部分的に使用される。ここでは、例えば他覚屈折データは単純な自動屈折器または波頭収差計を使用することにより判断される。（特許文献４）からのメトリックは、他覚屈折データから最善の矯正値を予測するために結像の光学的部分と神経的部分との両方をモデル化しようとする。しかし、特にコントラスト感度は非常に顕著な個人差に陥りやすいということが知られている。特に神経伝達関数は、非常に非線形であり、いくつかの状況下では記述するのが困難であるので、得られる結果はいくつかの状況下では不正確である。さらに、コントラスト感度だけを考慮することは、個人的ＣＳＦ（コントラスト感度関数：ｃｏｎｔｒａｓｔｓｅｎｓｉｔｉｖｉｔｙ ｆｕｎｃｔｉｏｎ）が使用されなければ、視覚的能力を物理的光学特性と感覚生理学的知覚との組み合わせとして不十分な精度で記述することになる。

したがって、メトリックを使用することにより眼の収差の他覚測定から予測自覚屈折データまたは予測自覚矯正値を計算するための以前の解決策は、フォロプタまたは検眼用フレームを使用する自覚屈折データの実際の確定と比較して長ったらしいおよび／または正確さを欠くかのいずれかである。

（特許文献６）は、学習ベース診断支援モデルを提供する方法を記載する。この目的を達成するために、概して負のケーススタディを表す新しいまたは拡大されたトレーニングデータが収集される。次に、教育ソフトウェアが、トレーニング例を表すトレーニングデータにより診断システムをトレーニングするために使用される。所謂ニューラルネットワークが教育ソフトを設計するために使用され得る。

（特許文献７）は被検眼の自覚矯正値と被検眼の他覚屈折のデータとの間の相関を確定するための装置を開示した。ニューラルネットワークにより取得される統計モデルが相関を確定するために使用される。

国際公開第２００４／１１２５７６Ａ２号パンフレット 国際公開第２０１３／０５８７２５Ａ１号パンフレット 国際公開第２００８／０４９５０３Ａ２号パンフレット 米国特許第７，３５７，５０９Ｂ２号明細書 米国特許出願第２０１５／０３４６５１２Ａ１号明細書 独国特許出願公開第１０ ２０１４ ２２６ ８２４Ａ１号明細書 国際公開第２００５／０７９５４６Ａ２号パンフレット

ｈｔｔｐｓ：／／ｄｅ．ｗｉｋｉｐｅｄｉａ．ｏｒｇ／ｗｉｋｉ／Ｐｈｏｒｏｐｔｅｒ ｈｔｔｐｓ：／／ｄｅ．ｗｉｋｉｐｅｄｉａ．ｏｒｇ／ｗｉｋｉ／Ｒｅｆｒａｋｔｉｏｎ＿（Ａｕｇｅｎｏｐｔｉｋ） Ｅｎｚｙｋｌｏｐａｅｄｉｅ ｄｅｒ Ｗｉｒｔｓｃｈａｆｔｓｉｎｆｏｒｍａｔｉｋ−Ｏｎｉｎｅ−Ｌｅｘｉｋｏｎ；Ｈｅｒａｕｓ．Ｎｏｒｂｅｒｔ Ｇｒｏｎａｕ，Ｊｏｒｇ Ｂｅｃｋｅｒ，Ｋａｒｌ Ｋｕｒｂｅｌ，Ｅｌｍａｒ Ｓｉｎｚ，Ｌｅｅｎａ Ｓｕｈｌ（ｈｔｔｐ：／／ｗｗｗ．ｅｎｚｙｋｌｏｐａｅｄｉｅ−ｄｅｒ−ｗｉｒｔｓｃｈａｆｔｓｉｎｆｏｒｍａｔｉｋ．ｄｅ） Ｈｅ，Ｋ． ｅｔ ａｌ．，"Ｄｅｌｖｉｎｇ ｄｅｅｐ ｉｎｔｏ ｒｅｃｔｉｆｉｅｒｓ：Ｓｕｒｐａｓｓｉｎｇ ｈｕｍａｎ ｌｅｖｅｌ ｐｅｒｆｏｒｍａｎｃｅ ｏｎ ＩｍａｇｅＮｅｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ"，Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，２０１５，ｈｔｔｐ：／／ｄｏｉ．ｏｒｇ／１０．１１０９／ＩＣＣＶ．２０１５．１２３ Ｈｉｎｔｏｎ ｅｔ ａｌ，"Ｎｅｕｔｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ，Ｌｅｃｔｕｒｅ ６"， ｈｔｔｐ：／／ｗｗｗ．ｃｓ．ｔｏｒｏｎｔｏ．ｅｄｕ／〜ｔｉｊｍｅｎ／ｃｓｃ３２１／ｓｌｉｄｅｓ／ｌｅｃｔｕｒｅ＿ｓｌｉｄｅｓ＿ｌｅｃ６．ｐｄｆ． Ｋａｎｅｋｏ ｅｔ ａｌ．，"Ｆａｓｔ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ Ｈｙｐｅｒｐａｒａｍｅｔｅｒｓ ｆｏｒ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ Ｍｏｄｅｌｓ ｗｉｔｈ Ｈｉｇｈｌｙ ＰｒｅｄｉｃｔｉｖｅＡｂｉｌｉｔｙ"，Ｃｈｅｍｏｍｅｔｒｉｃｓ ａｎｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｌａｂｏｒａｔｏｒｙ Ｓｙｓｔｅｍｓ，１４２，６４〜６９頁

最近の従来技術としての（特許文献７）に関連して、本発明の目的は、他覚屈折データに基づき眼の予測自覚屈折データまたは予測自覚矯正値を確定するための有利な装置であって、眼の他覚屈折データからの予測自覚屈折データまたは予測自覚矯正値の計算の信頼性の向上を容易にする装置を提供することである。

本発明の別の目的は、他覚屈折データに基づき、被検眼の予測自覚屈折データまたは予測自覚矯正値を確定するためのソフトウェアを有する有利なコンピュータプログラム製品であって特に眼の他覚屈折データからの予測自覚屈折データまたは予測自覚矯正値の計算の信頼性の向上を容易にするコンピュータプログラム製品を提供することである。

第１の目的は請求項１に記載の装置により達成され、第２の目的は請求項９に記載のコンピュータプログラム製品により達成される。従属請求項は本発明の好適な実施形態を含む。

本発明による解決策は機械学習の方法を利用する。割り当てられた捕捉済み自覚屈折データまたは割り当てられた捕捉済み自覚矯正値を有する他覚屈折データのトレーニングデータ記録を使用することにより、非線形多次元関数または一群の非線形多次元関数が、過剰フィッティングを回避するために十分に大きな容量と好適にはそれに整合された正則化とを有するモデルにより確定され、この助けを借りて自覚屈折データまたは自覚矯正値が他覚屈折データから予測される。

この目的を達成するために、被検眼の他覚屈折データに基づき被検眼の予測自覚屈折データまたは予測自覚矯正値を確定する本発明による装置は、関数により眼の他覚屈折データから眼の予測自覚屈折データまたは予測自覚矯正値を計算する計算ユニットを含む評価ユニットを含む。本発明による装置は、関数が非線形多次元関数または一群の非線形多次元関数であるおかげで際立っている。この関数は、トレーニングデータ記録に基づいてトレーニングされた回帰モデルまたは分類モデルをトレーニンした結果である。このトレーニングデータ記録は、複数の被検者に関して、いずれの場合も、少なくとも確定済み他覚屈折データと、自覚屈折により確定される割り当て済み自覚屈折データまたは自覚屈折により確定される割り当て済み自覚矯正値とを含む。離散的予測自覚屈折データまたは離散的予測自覚矯正値が分類モデルの場合には取得される。

特に、被検者は母集団の代表的断面を形成する人々の集団であり得る。人々のより大きな集団は後に、測定された他覚屈折データから自覚屈折データまたは自覚矯正値のより精確な予測を可能にする。予測自覚屈折データまたは予測自覚矯正値を確定するための装置がある屈折異常を矯正するためにだけ使用される場合は、母集団の代表的断面を形成する人々の集団の代わりに、対応する屈折異常を有する人々の集団を被験者として取り込むことが有利である。この結果、屈折異常が一定の割合の人々だけに存在する母集団の代表的断面を形成する被検者と比較して被験者の数を低減することが可能である。しかし、このとき、非線形多次元関数または一群の非線形多次元関数は屈折異常に固有の関数であり、一般的には使用され得ない。

特に被検眼の予測自覚屈折データまたは予測自覚矯正値の後の確定が被検眼の他覚屈折データに基づき毛様体筋麻痺的やり方で実施される場合、被検者に関する測定は同様に毛様体筋麻痺的やり方で実施され得る。ここでは、「毛様体筋麻痺的やり方で」は、眼の遠近調節能力が他覚屈折データの測定中に抑制されることを意味する。しかし、被検者の数が十分に大きければ、多数の被検者が、回帰モデルまたは分類モデルをトレーニングする際の眼の遠近調節の影響を十分な精度でモデル化することを可能にするので、被検者を形成する人々の集団における他覚屈折値の測定が毛様体筋麻痺的やり方で行われたとしても、予測自覚屈折データまたは予測自覚矯正値を非毛様体筋麻痺的やり方で（すなわち眼の遠近調節が抑制されること無く）確定するために本装置を使用することも可能である。当然、被検者を形成する人々の集団における他覚屈折値の測定を非毛様体筋麻痺的やり方で企てることも可能である。特に、非線形多次元関数または一群の非線形多次元関数はまた、子どもの屈折データが非毛様体筋麻痺的やり方で測定されればこれらを提供する。非線形多次元関数または一群の非線形多次元関数により取得される屈折結果は、毛様体筋麻痺下で測定される子どもの場合の測定結果と同等である。

２０１３年９月２７日時点の（非特許文献３）によると、分類モデルは所定クラスへの要素の割り当てを記述するマッピングである。この場合、要素またはデータオブジェクトとしての他覚屈折データのクラスとしての自覚屈折データへ割り当てがある。ここでは、他覚屈折データは例えばＺｅｒｎｉｋｅ係数の形式で提供され得、自覚屈折データのそれぞれのクラスは例えば球、円柱および軸の離散値を有する従来の表記で提供され得る。分類モデルでは、自覚屈折データのクラスは球、円柱および軸の離散値のうちの少なくとも１つが互いに異なる。球、円柱および軸の離散値により定義される代わりに、自覚屈折データのクラスはまた、自覚屈折を再生する他の離散仕様により（例えばパワーベクトル係数の離散値により）定義され得る。要素またはデータオブジェクトを所定クラスへ割り当てる際、離散分類変数（すなわち規定例では球、円柱および軸の離散値）のクラス特性はデータオブジェクトの属性の特性から（すなわち規定例では他覚屈折データの属性としてのＺｅｒｎｉｋｅ係数の特性から）生じる。分類モデルのベースはデータプール（本例では被検者に関し測定された他覚および自覚屈折データ）により形成される。規定例では他覚屈折データにより提供されるそのデータオブジェクトはそれぞれ所定クラス（規定例では球、円柱および軸の値により定義された１つのクラスの自覚屈折データ）へ割り当てられる。分類モデルは、データオブジェクトが属するクラス（現在まで未知であるその属するクラス）を予測する（すなわち、患者に関し測定される他覚屈折データが本ケースでは球、円柱および軸の値により定義されたクラスに属するということを予測する）ために使用される。

分類モデルとは対照的に、回帰モデルは複数の独立変数を使用して従属連続変数を表す。したがって、規定例では、球、円柱および軸の離散値により定義される自覚屈折データのクラスへの他覚屈折データのいかなる割り当ても無いが、いずれの場合も、球、円柱および軸のための連続値により定義される自覚屈折データへの個々の割り当てがある。したがって、回帰モデルは同様に、関連独立変数の特性により従属変数の未知の値を予測するために使用され得る。分類モデルとの違いは従属変数の濃度にある。回帰モデルは連続変数を有するが、分類モデルの場合は離散変数が存在する。

評価ユニットは、特に他覚屈折データを客観的に確定された波面収差の形式で（例えば他覚波面収差を規定する直交関数系の係数の形式で（例えばＺｅｒｎｉｋｅ係数の形式で））処理するために、設計され得る。さらに、評価ユニットは、球、円柱および軸を有する従来の表記を使用することにより予測自覚屈折データまたは予測自覚矯正値をパワーベクトル係数の形式でまたは任意の他の好適な表記で出力するように設計され得る。

十分に高い性能を実現するすべての手法は分類モデルまたは回帰モデルに関し問題になる。一例として、好適な手法は、非線形特徴（多項式特徴、ディープネットワーク特徴など）に対する線形回帰、複数の層を有するニューラルネットワーク（すなわち人工ニューロンで作られたネットワーク）、非線形カーネル（例えば動径基底関数カーネル）を有するサポートベクトル回帰、決定木、ガウス過程、および複数のリグレッサによるアンサンブリングなどを含む。例えば球値などの出力値を離散化することによる回帰モデルの分類モデルとしての再定式化が等価解を提供する。それから導出されると、十分に高い性能を実現するすべての分類法は問題になる。考え得る分類法の例は、ニューラルネットワーク、サポートベクトルマシン、最近隣アルゴリズム、線形／二次式判別分析、単純［ナイーブ］ベイズ（ｎａｉｖｅ Ｂａｙｅｓ）、決定木、ガウス過程、アンサンブリング、および複数の分類子などを含む。十分な容量により、光学的およびニューラル的部分の機械的モデルが知らされる必要無しにマッピング（他覚屈折→自覚屈折；光学的やり方とニューラル的やり方の両方での）を捕捉することが可能である。

予測自覚屈折データまたは予測自覚矯正値を確定する工程は、コントラスト感度を測定する必要性が無いので本発明による装置使用することにより非常に速く実施され得る。さらに、本発明による装置は、トレーニングされた回帰モデルまたは分類モデルから生じる非線形多次元関数を使用することによりまたはトレーニングされた回帰モデルまたは分類モデルから生じる一群の非線形多次元関数を使用することにより、患者の他覚屈折データからの患者の自覚屈折データまたは自覚矯正値の信頼できる予測を容易にする。

自覚屈折データまたは予測自覚矯正値の予測はとりわけ、初めに述べたように非常に非線形であるニューラル伝達関数を含む。したがって、コントラスト感度を用いて得られた結果は不正確であり、これはニューラル伝達関数の非線形性に由来し得る。対照的に、非線形多次元関数の使用は、予測自覚屈折データまたは予測自覚矯正値の信頼できかつ正確な計算を可能にする。ここでは、トレーニングされたモデル（すなわち非線形多次元関数またはそれから生じる一群の非線形多次元関数）が、測定母集団（すなわちトレーニングデータ記録により表される被検者を形成する人々の集団）全体にわたり再生可能である光学的およびニューラル的寄与をすべて捕捉する。非線形関数または一群の非線形関数が活用された結果として、高度に非線形なニューラル伝達関数が、自覚屈折データまたは自覚矯正値を計算する際に特にうまく考慮され得る。

非線形関数または一群の非線形関数の多次元特性はさらに、他覚屈折値から自覚屈折値または自覚矯正値を計算する際に複数の光学収差が複数の変数全体にわたり考慮され得るようにする。より多くの変数が存在する、すなわち、非線形関数または一群の非線形関数の次元が高ければ高いほどより多くの収差が考慮され得る。他覚屈折データが例えばＺｅｒｎｉｋｅ係数の形式で提供される場合、次元は考慮されるＺｅｒｎｉｋｅ係数の数に対応する。他覚屈折データから十分に正確な自覚矯正値を計算するために、少なくとも３つの変数（すなわち例えば少なくとも３つのＺｅｒｎｉｋｅ係数）が存在すべきである、すなわち少なくとも１つの三次元非線形関数または一群の三次元非線形関数が存在すべきである。しかし、好適には、少なくとも１０個の変数すなわち例えば少なくとも１０個のＺｅｒｎｉｋｅ係数が存在すべきである、すなわち少なくとも１つの１０次元非線形関数または一群の１０次元非線形関数が存在すべきである。光学収差の非常に正確なモデリングがこの場合可能であるので変数の数すなわち例えば採用されたＺｅｒｎｉｋｅ係数の数が３０〜５０であれば特に有利である。

本発明による装置により利用可能にされる視覚の物理的光学特性および感覚生理学的知覚の改善された考察の結果として、例えば暗所視または薄明視のためなどの様々な視覚的要件の具体的矯正値を予測することがさらに可能である。一例として、これは、回帰モジュールをトレーニングする際にトレーニングデータ記録が使用されるおかげで実施され得る。このトレーニングデータ記録内には、より大きな瞳孔の他覚屈折データが存在し、自覚屈折により確定される自覚屈折データまたは自覚屈折により確定される自覚矯正値は、特定矯正（例えば夜間条件）に必要とされる自覚屈折データまたは自覚矯正値を含む。この目的を達成するために、評価装置はまた、特に被検眼の瞳孔径データを考慮し得る。

評価装置は有利な構成の回帰モデルまたは分類モデルを含む。さらに、評価装置は、回帰モデルまたは分類モデルがトレーニングデータ記録に基づきトレーニング可能であるトレーニングモジュールを含む。トレーニングデータ記録は、複数の被検者に関しては、いずれの場合も、非線形多次元関数または一群の多次元関数を得る目的のために、確定済み他覚屈折データと、自覚屈折により確定される割り当て済み自覚屈折データまたは自覚屈折により確定される割り当て済み自覚矯正値とを含む。特に、これはさらに、多次元関数または一群の多次元関数を最適化し得る、またはこれらを、トレーニングデータ記録を受信または入力するためのトレーニングモジュールへ接続された入力インターフェースを含む場合に必要に応じ特定要件へ適応化し得る。次に、回帰モデルのさらなるトレーニングは受信されたトレーニングデータ記録を使用して実施され得る。

別の有利な構成では、評価装置は、トレーニングする際の過剰フィッティングを回避するために回帰モデルまたは分類モデルへ整合された正則化ユニットを含む。過剰フィッティングは、非線形多次元関数または一群の非線形多次元関数が、他覚屈折データと自覚屈折により確定される自覚屈折データまたは自覚屈折により確定される自覚矯正値との間の内在統計的関係へよりむしろ統計的変動へフィッティングされることに至るだろう。これを回避するために、正則化ユニットが正則化を実行する、すなわち追加情報をトレーニングに導入し、これにより非線形多次元関数または一群の非線形多次元関数を統計的変動へフィッティングすることが抑制される。

評価装置に加えて、本発明による装置はまた、被検眼の他覚屈折データを判断し提供するための屈折測定装置を含み得る。屈折測定装置は、他覚屈折データを出力するための出力インターフェースであって他覚屈折データを受信するための評価ユニットの対応入力インターフェースへ接続された出力インターフェースを含み得る。他覚屈折データを判断する目的のために、屈折測定装置は、自動屈折、光屈折などの方法および波頭収差計または他の他覚屈折器に基づき得る。

本発明による装置の範囲内では、非線形多次元関数または一群の非線形多次元関数はまた、眼の他覚屈折データおよび眼の瞳孔径から眼の予測自覚屈折データまたは予測自覚矯正値を計算するように構成され得、ここでは、トレーニング目的のために使用されるトレーニングデータ記録はいずれの場合も被検者毎に捕捉された瞳孔径を含む。本発明による装置が被検眼の瞳孔径を判断するための瞳孔径測定装置を含むこともこの場合の選択肢である。瞳孔径測定装置は、測定された瞳孔径を表す瞳孔径データを生成するように具現化され得、瞳孔径データを出力するための出力インターフェースであって瞳孔径データを受信するための評価装置の対応する入力インターフェースへ接続された出力インターフェースを含み得る。

本発明による装置は、屈折を測定するためのモジュールを含む光学観測機器に特に一体化され得る。一例として、このような光学観測機器は自動屈折器、収差計、顕微鏡、外科用顕微鏡、望遠鏡、および双眼鏡などであり得る。

さらに、本発明は、眼の他覚屈折データに基づき眼の予測自覚屈折データまたは予測自覚矯正値を確定するためのプログラムコードを有するコンピュータプログラム製品を提供する。コンピュータプログラム製品は、好適な媒体上に保管されるおよび／または好適な媒体から呼出し可能であるプログラムコードを意味するものと理解されるべきである。ソフトウェアを格納するのに好適な任意の媒体（例えばＤＶＤ、ＵＳＢスティック、フラッシュカードなど）がプログラムコードを保管するために使用され得る。一例として、プログラムコードはインターネットまたはイントラネットを介しまたは任意の他の好適な無線または有線ネットワークを介し呼び出され得る。

本発明によるコンピュータプログラム製品のプログラムコードは、前記コンピュータプログラム製品がコンピュータ上にロードされるおよび／またはコンピュータ上で実行される場合には予測自覚屈折データまたは予測自覚矯正値の確定が以下の方法工程により実施されるようなやり方で、設計される。本方法工程は具体的には、
−他覚屈折データを提供する工程；
−回帰モデルまたは分類モデルをトレーニングした結果である非線形多次元関数または一群の非線形多次元関数に基づき予測自覚屈折データまたは予測自覚矯正値を計算する工程であって、回帰モデルまたは分類モデルはトレーニングデータ記録に基づいてトレーニングされており、トレーニングデータ記録は、複数の被検者に関しては、いずれの場合も、少なくとも確定済み他覚屈折データと、自覚屈折により確定される割り当て済み自覚屈折データまたは自覚屈折により確定される割り当て済み自覚矯正値とを含む、工程、
−眼の予測自覚屈折データまたは予測自覚矯正値を出力する工程、である。

ここで、プログラムコードは、回帰モデルまたは分類モデルと、トレーニングデータ記録に基づき回帰モデルまたは分類モデルをトレーニングする任意選択的方法工程とを含み得る。

特に他覚屈折データを客観的に確定された波面収差の形式で（例えば他覚波面収差を規定する直交関数系の係数の形式で、例えばＺｅｒｎｉｋｅ係数の形式で）受信するためのプログラムコードが設計され得る。さらに、プログラムコードは、球、円柱および軸を有する従来の表記を使用することにより予測自覚屈折データまたは予測自覚矯正値をパワーベクトル係数の形式でまたは任意の他の好適な表記で出力するように設計され得る。

回帰モデルをトレーニングする際の過剰フィッティングを回避するために、プログラムコードはさらに、回帰モデルまたは分類モデルへ整合される正則化を含み得る。異なるやり方で表現すると、プログラムコードは、非線形多次元関数または一群の非線形多次元関数が他覚屈折データと自覚屈折により確定される自覚屈折データまたは自覚屈折により確定される自覚矯正値との間の内在統計的関係よりむしろ統計的変動へフィッティングされることを抑制する追加情報を、トレーニング中に、トレーニングに導入する。

プログラムコードは、予測自覚屈折データまたは予測自覚矯正値を計算する方法工程において眼の瞳孔径がまた眼の他覚屈折データに加えて考慮されるようなやり方で構成され得る。このとき、回帰モデルまたは分類モデルをそれぞれトレーニングするために使用されるトレーニングデータ記録はまた、被検者毎に捕捉された瞳孔径を含む。

コンピュータプログラム製品は、本発明による装置が市販コンピュータの助けを借りて実現され得るようにする。したがって本発明による装置の利点は取得可能利点に関し参照される。

本発明の別の特徴、特性および利点は添付図を参照した例示的実施形態の以下の説明から明らかになる。

自覚屈折データを確定するための装置をブロックダイヤグラムの形式で示す。 被検眼の測定された他覚屈折データに基づき被検眼の予測自覚屈折データまたは予測自覚矯正値を確定する概略図を示す。

被検眼の確定済み他覚屈折データに基づき被検眼の予測自覚屈折データまたは予測自覚矯正値を確定するための本発明による装置の例示的実施形態が図１を参照して以下に説明される。同図は、評価装置１を示し、本例示的実施形態では任意選択的追加物としてこれへ接続される屈折測定装置２および瞳孔径測定装置３が存在する。

評価装置１は、他覚屈折データを受信するための入力インターフェース４であって本例示的実施形態では屈折測定装置２の出力インターフェース５へ接続される入力インターフェース４を含む。屈折測定装置２は、眼に関し測定された他覚屈折データを表す他覚屈折データを出力インターフェース５を介し出力する。波頭収差計が、他覚屈折データを確定する目的のために本例示的実施形態では使用される。しかし、代替的に自動屈折または光屈折に基づく屈折測定装置もまた活用され得る。しかし、屈折測定装置２の代わりに、入力インターフェース４はまた、データストレージ（例えばＵＳＢスティック、ＣＤ、ＤＶＤ、メモリカード）から他覚屈折データを受信し得る。ネットワークから（例えばインターネットまたはイントラネットから）他覚屈折データを取得することも同様に可能である。

さらに、評価装置１は、例えば屈折測定装置２に一体化され得る瞳孔径測定装置３の出力インターフェース７へ接続される別の入力インターフェース６を含む。入力インターフェース６は、瞳孔径測定装置により出力インターフェース７を介し出力される瞳孔径データであって眼の測定された瞳孔径を表す瞳孔径データを受信する。この場合もまた、入力インターフェース６は、瞳孔径測定装置３よりむしろデータストレージ（例えばＵＳＢスティック、ＣＤ、ＤＶＤ、メモリカード）から瞳孔径データを受信し得る。ネットワークから（例えばインターネットまたはイントラネットから）瞳孔径データを取得することも再び同様に可能である。

さらに、本例示的実施形態における評価装置１は、トレーニングデータ記録が必要に応じ評価装置１へ入力され得る任意選択的に別の入力インターフェース８を含む。これらのトレーニングデータ記録の意味は以下に説明される。トレーニングデータ記録もまた、データストレージ（例えばＵＳＢスティック、ＣＤ、ＤＶＤ、メモリカード）からまたはネットワークから（例えばインターネットまたはイントラネットから）取得され得る。

別の部品として、本例示的実施形態における評価装置１は回帰モデル９、計算ユニット１０、回帰モデル９をトレーニングするためのトレーニングモジュール１２、および出力インターフェース１１を含む。本例示的実施形態では、トレーニングモジュール１２はさらに、回帰モデル９のトレーニング中の過剰フィッティングを回避するために正則化ユニット１３を含む。

計算ユニット１０は、他覚屈折データ４を受信する目的のために入力インターフェースと回帰モデル９とへ接続される。予測自覚屈折データまたは予測自覚矯正値は、受信された他覚屈折データに基づき計算ユニット１０において計算される。次に、計算結果は出力インターフェース１１により出力される。

予測自覚屈折データまたは予測自覚矯正値を計算する工程は、図２に示されるブロックダイヤグラムを参照して説明される。本例示的実施形態では、この計算は、回帰モデル９をトレーニングすることにより取得されるまたは取得された非線形多次元関数（ブロック１０１）に基づき実施される。しかし、対応する回帰モデル９をトレーニングすることにより取得された一群の非線形多次元関数に基づき計算を行うことも可能である。回帰モデル９をトレーニングする目的のために、トレーニングデータは、本例示的実施形態ではトレーニングデータ記録の入力インターフェース８を介し読み出される（ブロック１０２）。前記トレーニングデータは、測定母集団に関し確定される他覚屈折データと、自覚屈折により確定される割り当て済み自覚屈折データまたは自覚屈折により確定される割り当て済み自覚矯正値とを含む。ここでは、確定済み他覚屈折データ、および自覚屈折により確定される自覚屈折データまたは自覚屈折により確定される自覚矯正値は、測定母集団の人毎に、確定済み他覚屈折データ記録、およびこの他覚屈折データ記録へ割り当てられ自覚屈折により確定される自覚屈折データ記録、および／またはこの他覚屈折データ記録へ割り当てられ自覚屈折により確定される自覚矯正値記録を含む。

本例示的実施形態では、確定済み他覚屈折データはＺｅｒｎｉｋｅ係数の形式で利用可能であり、確定済み自覚屈折データまたは確定済み自覚矯正値はＤＩＮ ＥＮ ＩＳＯ １３６６６−２１３に準じた球、円柱および軸表記で利用可能である。さらに、本例示的実施形態におけるトレーニングデータはまた、測定母集団の人毎に他覚屈折データへ割り当てられる測定済み瞳孔径に関するデータを含む。したがって、トレーニングデータは概して多くのトレーニングデータ記録を含む。多くのトレーニングデータ記録はそれぞれ、被験者に関し確定される他覚屈折データ、確定済み瞳孔径、および自覚屈折により確定される自覚屈折データまたは自覚屈折により確定される自覚矯正値を表す。

本例示的実施形態では、トレーニング（ブロック１０３）はディープニューラルネットワーク（ＤＮＮ：ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）の助けを借りて実施される。この助けにより、一方では他覚屈折データに基づき回帰モデルにより予測される自覚屈折データまたは自覚矯正値と他方では自覚屈折により確定される自覚屈折データまたはこれらの他覚屈折データの自覚屈折により確定される自覚矯正値との間の平均二乗偏差が最小化される。この目的を達成するために、単一線形初期ユニットを有する小さな多層フィードフォワードネットワークが本ケースでは使用される。ネットワークは、（非特許文献４）に記載のように１２８個の隠蔽ユニットと３７個の隠蔽ユニットとをそれぞれ有するとともに整流器のパラメータ非線形性を有する２つの隠れ層を有する。初期重み付けは、０の平均値と√２/ｎの標準偏差とを有するガウス関数により取得される、ここでｎは入接続の数を表す。この手順は同様に上記Ｈｅらの非特許文献に記載されている。原理的に、ネットワークアーキテクチャ（すなわち層の数、ニューロンの数、および非線形性のタイプ）の発展形態は修正可能である。修正の強度に依存して、これは性能（平均二乗誤差、費用関数など）に影響を与え得る。同様に、ネットワークパラメータに対する選択的初期化も考えられる。すべてのデータは、トレーニングデータ記録により計算されたそれぞれの特徴次元の平均値の減算により前処理される。一例として、０．００１の学習率を有するＲＭＳｐｒｏｐが、予測自覚屈折データまたは矯正値と、自覚屈折データまたはトレーニングデータ記録に含まれる自覚屈折により確定される矯正値との間の平均二乗偏差を最小化するためにネットワークのトレーニングに使用され得る。この手順は、（非特許文献５）により説明される。過剰フィッティングを回避するために、λ＝０．０２を有するＬ２正則化によるネットワークにおける小さな重み付けが本例においては好適である。

ＤＮＮによるトレーニングの代案として、エラステックネット（ｅｌａｓｔｉｃ ｎｅｔ）によるトレーニングを多項式特徴に対して行う可能性がある。この目的を達成するために、例えば、Ｌ１（ｌａｓｓｏ）正則化とＬ２（ｒｉｄｇｅ）正則化との組み合わせ（エラステックネット）を有する線形回帰が、設定された基底関数に対し行われる。ここで、基底関数は二次以下の特徴の多項式の組み合わせにより与えられる。正則化の全体強度αとｌａｓｓｏおよびｒｉｄｇｅの相対的分布ρとを制御するハイパーパラメータがトレーニングデータ記録に関する交差検証により設定され得る。

別の代替案として、動径基底関数カーネルを有するサポートベクトル回帰に基づきトレーニングを行う選択肢がある。サポートベクトル回帰の場合、非線形性は動径基底関数カーネルを活用するおかげで実現され得る。次に、ハイパーパラメータの最適化はトレーニングデータに関する交差検証により実行され得る。Ｃ、εの値の示唆が（非特許文献６）に含まれている。

前述の方法は、十重交差検証が行われるおかげで試験された。すなわち、自覚屈折データまたは矯正値の組み合わせ毎に、そしてトレーニングのための３つの説明した手法の手法毎に、１０個のモデルがデータ記録に基づき試験され、データ記録の９０％がトレーニングデータとして使用され、残りの１０％が、他覚屈折データからの予測自覚屈折データまたは矯正値の確定の精度を照査するために使用された。機械学習および照査のための３つのすべての方法がＰｙｔｈｏｎ２．７で実施された。深層学習ライブラリ「ｋｅｒａｓ」がニューラルネットワーク部分に使用された。「ｓｃｉｋｉｔ−ｌｅａｒｎ」がエラステックネットおよびサポートベクトル回帰に使用された。

したがって、図２を再び参照すると、本例示的実施形態におけるＤＮＮにおいて、トレーニングデータが読み出され（ブロック１０２）、前述の方法の１つを使用してトレーニングされた（ブロック１０３）。次に、トレーニングの結果は多次元非線形関数（ブロック１０１）であり、これは最終的に、他覚屈折データから予測自覚屈折データまたは予測自覚矯正値を計算する（ブロック１０４）ために使用される。

非線形多次元関数を取得する目的のための回帰モデルのトレーニングは、この工程が他覚屈折データからの予測自覚屈折データまたは予測自覚矯正値の後続の計算（ブロック１０４）において再び行われる必要がないように、予め行われ得るということにここでは留意されたい。このとき、予測自覚屈折データまたは予測自覚矯正値を計算する工程は、他覚屈折データの読み出し（ブロック１０５）だけを必要とし、非線形多次元関数が瞳孔径を考慮され得るようにする場合、瞳孔径データの読み出し（ブロック１０６）だけを必要とする。回帰モデルのトレーニング（ブロック１０３）だけが予め一回行われる必要があるので、他覚屈折データおよび任意選択的に瞳孔径データから予測自覚屈折データまたは予測自覚矯正値の計算が行われ得る（ブロック１０４）速度は、計算が実施され得る速度と本装置の計算能力とだけにより制約される。

最後に、計算された予測自覚屈折データまたは計算された予測自覚矯正値が出力される（ブロック１０７）。次に、眼鏡、コンタクトレンズ、眼内レンズ、屈折矯正手術などの処方箋がこれらのデータに基づき生成され得る。出力データに基づき手術により眼の屈折の矯正を企てることが同様に可能である。

回帰モデル９のトレーニング（ブロック１０３）は概して、予測自覚屈折データまたは予測自覚矯正値を確定するための装置が実際に使用される前に実施されるが、回帰モデル９をさらにトレーニングすることができる選択肢があれば有利かもしれない。一例として、追加トレーニングデータ記録が存在すれば、非線形多次元関数を確定するためのベースが広げられ得、その結果、他覚屈折データから予測自覚屈折データまたは予測自覚矯正値を確定する際の信頼性をさらに改善することが可能である。さらに、追加データ記録が例えば様々な母集団における地域差または個人差を考慮するために使用され得る。さらに、本装置の使用分野を拡張することが可能である。一例として、元のトレーニングデータが瞳孔径データを含まなく、したがってトレーニングされた非線形多次元関数が瞳孔径を考慮することができない場合、本装置を新しい使用分野へ適合させる（例えば暗所視または薄明視の場合に予測自覚屈折データまたは予測矯正値を確定する）ために瞳孔径データも含むトレーニングデータ記録を有する新たなトレーニングにより新たなトレーニングを行うことが可能である。

予測自覚屈折データまたは予測自覚矯正値を確定するための装置の評価装置１は、特にこの目的を達成するために生成される機器として実現され得る。しかし、市販コンピュータを使用して評価ユニット１を実現することも可能である。この場合、入力および出力インターフェース４、６、８、１１はデータインターフェースとして実現され、回帰モデル９および計算ユニット１０はプログラムコードにより表され得るソフトウェアモジュールの形式で入手可能である。次に、プログラムコードは、記憶媒体上にコンピュータプログラム製品として保管されてもよいしネットワークからコンピュータプログラム製品として呼出し可能であってもよい。

他覚屈折値に基づき予測自覚屈折データまたは予測自覚矯正値を確定するための本発明による装置は、他覚屈折値を測定し次に計算済み予測自覚屈折データに基づき矯正を企てる光学機器に一体化され得る。次に、矯正は、手動でまたは自動的に一回実施されてもよいし、反復されてもよいし、連続的にそして特にリアルタイムで実施されてもよい。一例として、このような装置は、屈折計、顕微鏡、外科用顕微鏡、望遠鏡、双眼鏡、スマート眼鏡、または自覚屈折ユニットなどであり得る。予測自覚屈折データまたは予測自覚矯正値を確定するための装置が一体化される光学機器に依存して、評価ユニットは、それ自体が、または屈折測定装置および／または瞳孔径測定装置と組み合わせて、光学機器に一体化される。一例として、光学機器が屈折計であれば、評価ユニットおよび任意選択的に瞳孔径測定装置だけが屈折計に一体化される。対照的に、光学ユニットが外科用顕微鏡であれば、屈折測定装置はさらにまた依然として外科用顕微鏡に一体化され得る。同じことはまた、屈折測定装置を含まない他の光学機器に適用される。

本発明による装置が外科用顕微鏡に一体化されれば、これは、計算された予測自覚屈折データに基づき例えば眼内レンズ（ＩＯＬ：ｉｎｔｒａｏｃｕｌａｒ ｌｅｎｓ）を埋め込む際に、患者に対し術中他覚測定を企てるとともに手術結果または最終的に実現された屈折の評価を予測する選択肢を提供する。

特に、屈折はまた、モバイルまたはポータブル機器の場合に測定され得る。ここでは、スマートフォンまたはスクリーン機器が主に考慮されるべきである。コンピュータプログラム製品の形式（特にアプリの形式）の本発明の実施形態はスマートフォンの場合に好適であり、前記コンピュータプログラム製品をスマートフォンにロードすることが可能である。

本発明は、説明の目的のために例示的実施形態に基づき詳細に説明された。しかし、当業者は、例示的実施形態から逸脱することが可能であるということを認識することになる。したがって、例えば、波面収差を特徴付ける他の多項式または他の変数に基づく係数が、他覚屈折データを記述する目的のためにＺｅｒｎｉｋｅ係数の代わりに使用され得る。一例として、ベッセル多項式、ヤコビ多項式、ルジャンドル多項式または他の直交多項式に基づく係数を使用することが考えられる。スプラインまたは他の多項式による他覚屈折データの数学的記述ですら考えられる。入力データの代替数学的記述と類似したやり方で、回帰または分類モデルの代替式を使用することも可能である。特に、所与の特定モデルに関して、等価解に繋がる代替のハイパーパラメータもまたしばしば、ある限度内で可能である。したがって、本発明は説明した例示的実施形態へ制約されるように意図されていなく、むしろ添付の特許請求の範囲だけにより制約されるように意図されている。

１ 評価装置
２ 屈折測定装置
３ 瞳孔径測定装置
４ 入力インターフェース
５ 出力インターフェース
６ 入力インターフェース
７ 出力インターフェース
８ 入力インターフェース
９ 回帰モデル
１０ 計算ユニット
１１ 出力インターフェース
１２ トレーニングモジュール
１３ 正則化ユニット
１０１ 非線形多次元関数
１０２ トレーニングデータ記録を読み出す
１０３ 回帰モジュールをトレーニングする
１０４ 予測自覚屈折データまたは予測自覚矯正値を計算する
１０５ 他覚屈折データを読み出す
１０６ 瞳孔径データを読み出す
１０７ 予測自覚屈折データまたは予測自覚矯正値を出力する

Claims (16)

1. 被検眼の予測自覚屈折データまたは予測自覚矯正値を前記被検眼の他覚屈折データに基づき確定するための装置であって、
   前記装置は、関数（１０１）により前記眼の前記他覚屈折データから前記眼の前記予測自覚屈折データまたは前記予測自覚矯正値を計算する計算ユニット（１０）を含む評価装置（１）を含み、
   前記関数は回帰モデル（９）または分類モデルをトレーニングした結果であり、
   前記回帰モデル（９）または分類モデルはトレーニングデータ記録に基づきトレーニングされており（１０３）、
   前記トレーニングデータ記録は、複数の被検者に関しては、いずれの場合も、少なくとも確定済み他覚屈折データと、自覚屈折により確定される割り当て済み自覚屈折データまたは自覚屈折により確定される割り当て済み自覚矯正値とを含み、
   −前記関数は非線形多次元関数（１０１）または一群の非線形多次元関数である、装置。
2. 前記非線形多次元関数（１０１）または前記一群の非線形多次元関数は少なくとも１つの三次元非線形関数または一群の三次元非線形関数である、請求項１に記載の装置。
3. 前記非線形多次元関数（１０１）または前記一群の非線形多次元関数は少なくとも１つの１０次元非線形関数または一群の１０次元非線形関数である、請求項２に記載の装置。
4. 前記評価装置（１）は、前記回帰モデル（９）または前記分類モデルを含み、さらに、前記回帰モデル（９）または分類モデルがトレーニングデータ記録に基づきトレーニング可能であるトレーニングモジュール（１２）を含み、
   前記トレーニングデータ記録は、複数の被検者に関しては、いずれの場合も、前記非線形多次元関数（１０１）または前記一群の非線形多次元関数を得る目的のために、確定済み他覚屈折データと、自覚屈折により確定される割り当て済み自覚屈折データまたは自覚屈折により確定される割り当て済み自覚矯正値とを含む、請求項１乃至３のいずれか一項に記載の装置。
5. 前記トレーニングモジュール（１２）はさらに、前記回帰モデル（９）または分類モデルに整合された正則化ユニット（１３）を含む、請求項４に記載の装置。
6. 前記装置はさらに、前記トレーニングモジュール（１２）へ接続された入力インターフェース（８）であってトレーニングデータ記録を受信または入力するための入力インターフェース（８）を含む、請求項４または５に記載の装置。
7. 前記評価装置（１）はさらに、前記被検眼の前記他覚屈折データを判断および提供するための屈折測定装置（２）を含む、請求項１乃至６のいずれか一項に記載の装置。
8. 前記非線形多次元関数（１０１）または前記一群の非線形多次元関数は、前記眼の前記他覚屈折データおよび前記眼の瞳孔径から前記眼の前記予測自覚屈折データまたは前記予測自覚矯正値を計算するように構成され、
   トレーニング目的のために使用される前記トレーニングデータ記録はいずれの場合も被検者毎に捕捉された瞳孔径を含む、請求項１乃至７のいずれか一項に記載の装置。
9. 前記装置はさらに前記被検眼の前記瞳孔径を判断するための瞳孔径測定装置（３）を含む、請求項８に記載の装置。
10. 請求項１乃至９のいずれか一項に記載の装置を有する光学観測機器。
11. コンピュータプログラムがコンピュータにロードされるおよび／またはコンピュータ上で実行されると以下の工程により眼の他覚屈折データに基づき前記眼の予測自覚屈折データまたは予測自覚矯正値を確定するためのコンピュータプログラムであって、前記工程は具体的には、
    −前記他覚屈折データ（４）を提供する工程（１０５）；
    −回帰モデルまたは分類モデルをトレーニングした結果である非線形多次元関数（１０１）または一群の非線形多次元関数に基づき予測自覚屈折データまたは予測自覚矯正値を計算する工程（１０４）であって、前記回帰モデル（９）または分類モデルはトレーニングデータ記録に基づきトレーニングされており、前記トレーニングデータ記録は、複数の被検者に関しては、いずれの場合も、少なくとも確定済み他覚屈折データと、自覚屈折により確定される割り当て済み自覚屈折データまたは自覚屈折により確定される割り当て済み自覚矯正値とを含む、工程、
    −前記眼の前記予測自覚屈折データまたは予測自覚矯正値を出力する工程（１０７）、である、コンピュータプログラム。
12. 前記コンピュータプログラムはさらに、トレーニングデータ記録に基づき前記回帰モデル（９）または分類モデルをトレーニングする任意選択的工程（１０３）を含む、請求項１１に記載のコンピュータプログラム。
13. 前記コンピュータプログラムはさらに、前記トレーニング中に正則化を実行する工程（１０３）を含み、前記正則化は前記回帰モデルまたは分類モデルに整合される、請求項１２に記載のコンピュータプログラム。
14. 前記予測自覚屈折データまたは前記予測自覚矯正値を計算する前記工程（１０４）のコンピュータプログラムは、前記眼の前記他覚屈折データに加えて前記眼の瞳孔径も考慮する非線形多次元関数（１０１）または一群の非線形多次元関数に基づき前記予測自覚屈折データまたは前記予測自覚矯正値の計算を提供し、トレーニング目的のために使用される前記トレーニングデータ記録はいずれの場合も被検者毎に捕捉された瞳孔径を含む、請求項１１乃至１３のいずれか一項に記載のコンピュータプログラム。
15. 被検眼の予測自覚屈折データまたは予測自覚矯正値を前記被検眼の他覚屈折データに基づき確定するための装置であって、
    前記装置は、関数（１０１）により前記眼の前記他覚屈折データから前記眼の前記予測自覚屈折データまたは前記予測自覚矯正値を計算する計算ユニット（１０）を含む評価装置（１）を含み、
    前記関数は回帰モデル（９）または分類モデルをトレーニングした結果であり、
    前記回帰モデル（９）または分類モデルはトレーニングデータ記録に基づきトレーニングされており（１０３）、
    前記トレーニングデータ記録は、複数の被検者に関しては、いずれの場合も、少なくとも確定済み他覚屈折データと、自覚屈折により確定される割り当て済み自覚屈折データまたは自覚屈折により確定される割り当て済み自覚矯正値とを含み、
    −前記関数は、非線形多次元関数（１０１）または一群の非線形多次元関数であり、前記回帰モデル（９）は、ディープニューラルネットワーク、多項式特徴対するエラステックネット、および動径基底関数カーネルを備えたサポートベクトル回帰方法のうちの１つの助けを借りてトレーニングされる、装置。
16. コンピュータプログラムがコンピュータにロードされるおよび／またはコンピュータ上で実行されると以下の工程により眼の他覚屈折データに基づき前記眼の予測自覚屈折データまたは予測自覚矯正値を確定するためのコンピュータプログラムであって、前記工程は具体的には、
    −前記他覚屈折データ（４）を提供する工程（１０５）；
    −回帰モデル（９）または分類モデルをトレーニングした結果である非線形多次元関数（１０１）または一群の非線形多次元関数に基づき前記予測自覚屈折データまたは前記予測自覚矯正値を計算する工程（１０４）であって、前記回帰モデル（９）または分類モデルはトレーニングデータ記録に基づいてトレーニングされており、前記トレーニングデータ記録は、複数の被検者に関しては、いずれの場合も、少なくとも確定済み他覚屈折データと、自覚屈折により確定される割り当て済み自覚屈折データまたは自覚屈折により確定される割り当て済み自覚矯正値とを含み、前記回帰モデル（９）は、ディープニューラルネットワーク、多項式特徴に対するエラステックネット、および動径基底関数カーネルを備えたサポートベクトル回帰方法の１つの助けを借りてトレーニングされる、工程、
    −前記眼の前記予測自覚屈折データまたは予測自覚矯正値を出力する工程（１０７）である、コンピュータプログラム。