扫视反应时间和计算模型揭示了青光眼视野中双眼视觉信息的异质性整合现象

《Ophthalmic and Physiological Optics》：Saccadic Reaction Times and Computational Modelling Reveal Heterogeneous Binocular Summation in Glaucomatous Visual Fields

　　摘要：双眼叠加能够增强视觉表现。然而，在引入双眼不对称性的视觉条件下（例如青光眼），这种增强作用可能会受到干扰。反应时间可以直接反映视觉处理效率。然而，在青光眼患者的双眼条件下，这一现象尚未得到系统性的研究。本研究利用眼动测量法（EMP）量化了视野范围内单眼和双眼扫视反应时间（RT），比较了健康受试者和青光眼患者之间的双眼叠加效果，并评估了其与计算模型的吻合程度。在七名健康受试者和八名不同程度青光眼患者中，分别进行了单眼和双眼扫视反应时间的测量，测试了54/56个视野位置。每个位置在低对比度（74%）和高对比度（155%）条件下进行了6到10次重复测试。数据通过互比图、估计统计量和线性混合效应模型进行分析。双眼反应时间与统计促进效应（Race模型）和方差加权神经整合预测进行了比较。健康受试者始终表现出双眼优势，其反应时间比单眼观察快约20毫秒，这与统计促进效应的预测结果非常吻合。青光眼患者表现出更大的异质性，从保留叠加效应（比单眼快约40毫秒）到双眼反应时间慢于最快单眼反应时间不等。计算模型表明，大多数青光眼病例符合统计促进效应的预测，但有些病例表现出抑制性相互作用、单眼优势或比统计预测更快的反应。双眼反应时间为视觉处理提供了一个敏感的指标，并揭示了青光眼中双眼叠加机制的异质性。在双眼条件下使用眼动测量法为研究功能性视觉障碍提供了有前景的方法。

关键点：
- 双眼叠加通常能加快视觉处理速度，但在青光眼中可能会减弱或消失。
- 青光眼患者的扫视反应时间表现出异质性，包括叠加效应减弱、较好眼睛的优势或抑制作用。
- 在健康观察者中，双眼反应时间符合统计促进效应的预测。
- 在青光眼中，建模显示了多种模式，从促进效应到抑制性相互作用不等。
- 双眼和单眼眼动测量法可以量化双眼反应时间的益处及其在青光眼中的丧失，提供了传统单眼临床测试无法捕捉的功能信息。

引言：
双眼视觉对人类视觉表现至关重要。两只眼睛输入的整合产生了一个统一的感知，支持立体视觉、空间定向和与环境的互动[1,2,3,4]。双眼视觉的一个定义特征是双眼叠加，其效果优于单眼视觉[2,3]。这种现象是视觉系统的一个众所周知的特性[1,5,6,7,8,9,10]。在神经层面上，叠加效应是通过单眼输入在双眼神经元上的汇聚实现的，这增强了信号强度并减少了变异性[11,12,13]。功能上，这导致了更高的对比敏感度[14]、更快的反应时间[14]以及在视觉要求较高的条件下更稳定的表现[15]。本研究关注使用目标导向的眼动（即扫视）的双眼和单眼反应时间[16]。反应时间是一个敏感的视觉处理效率指标，反映了感觉输入转化为运动输出的速度。与基于阈值的测量方法不同，反应时间反映了信息处理的动态过程，这对于需要快速反应的日常活动至关重要。已有几种计算模型试图解释双眼反应时间。Race模型假设每只眼睛独立处理刺激，较快的信号会引发反应[17,18]。然而，双眼反应时间有时会超过统计促进效应的预测，表明存在额外的神经整合[18,19]。线性阈值方法结合遍历率（LATER）模型可以解释比预测更快的双眼反应[20,21]。该模型将扫视启动概念化为朝着决策阈值的感官证据的线性累积，双眼输入加速了这一累积过程，从而缩短了反应时间。LATER模型中的双眼输入结合可以在贝叶斯线索整合框架内实现，该框架提出根据可靠性对双眼输入进行加权[22,23,24]。当两只眼睛都提供可靠信息时，预期会有强烈的叠加效应；而当一只眼睛功能受损时，则会出现叠加效应减弱或抑制作用。统计促进效应和神经整合模型为与实证观察数据（特别是在临床条件下，其中双眼视觉敏锐度[25,26,27]、眼球对齐[26]和对比度[27,28]存在差异）的比较提供了基准。尽管双眼视觉很重要，但大多数临床评估通常在单眼条件下进行[29]。虽然单眼测试提供了有用的诊断信息，但它并不能总是捕捉到自然观察过程中决定视觉表现的双眼互动[30,31,32,33,34]。青光眼是一种双眼整合机制可能发生改变的情况，其特征是视网膜神经节细胞逐渐丧失，导致双眼视野缺陷，这些缺陷在两只眼睛之间往往不同[27,34,35,36]。这种双眼不对称性会降低双眼叠加的效果，在某些情况下甚至会导致双眼抑制，例如双眼对比敏感度低于较好的那只眼睛[14,37,38]。先前的研究使用对比敏感度和基于阈值的测量方法证明了青光眼中的双眼整合受损[27,31,32,38]。然而，基于阈值的测量方法无法捕捉视觉处理的时间动态。

实验设置：
本研究使用单眼和双眼条件下的眼动测量法（EMP）来表征反应时间，并利用理论模型评估其机制基础。目标包括：(1) 量化双眼反应时间相对于单眼观察的优势；(2) 比较健康受试者和青光眼患者之间的双眼反应时间，从而评估整合模式的差异；(3) 将实证测量的双眼反应时间与统计促进效应和神经整合等计算框架进行比较。为了实现位置特定的比较，在54/56个空间位置上分别测量了单眼（左、右）和双眼反应时间，每个条件下的重复次数较多。由于这种详细的测量方案耗时较长，因此研究仅在相对较小的样本中进行，包括7名健康受试者和8名不同严重程度的青光眼患者。研究的重点不是大规模的临床评估，而是对青光眼中双眼叠加的详细表征，并为未来的研究建立方法学框架。

方法：
共有15名参与者参与了这项研究，其中包括8名女性、2名南亚裔参与者（P2和P15）以及13名白种人，年龄范围从24岁到67岁（见表1）。其中7名参与者被临床诊断为青光眼。参与者11是参与者10的兄弟姐妹，由于视盘变化被怀疑患有青光眼，并且有家族病史。所有参与者都没有可能影响眼动追踪可靠性的眼部疾病（如上睑下垂、角膜混浊或动眼神经麻痹）。所有参与者的球形屈光不正≤±5.00 D，柱状屈光不正≤2.00 D，最佳矫正视力≤0.30 logMAR（远视力），近视力至少为N8（0.40 logMAR）。四名青光眼参与者（P10、P12、P13和P14）之前接受了白内障手术，并在一只或两只眼睛中植入了人工晶状体。样本中包括家族亲属，参与者P2、P3和P5是本研究的作者。

实验方法：
研究使用了单色镜显示系统独立地向每只眼睛呈现视觉刺激（详细描述见[41]）。两个薄膜晶体管（TFT）刺激显示器通过前置面和二向色镜投射图像，形成了一个虚拟的双眼屏幕。一个采样频率为120 Hz的红外眼动追踪器（Tobii Pro X3-120，Tobii，tobii.com）位于二向色镜后面，能够无障碍地记录两只眼睛的活动。参与者坐在带有下颌支撑和前额支撑的座位上，佩戴带有不透明侧遮挡的眼镜以减少杂散光。参与者15在印度的机构进行了测试，其他所有参与者在荷兰的重复设置中进行了测试。通过在两个地点测试三位研究作者，验证了测量结果的等效性，他们的反应时间在单色镜系统之间没有显著差异。

视觉刺激和目标位置：
刺激与我们在实验室之前的一项研究[41]中使用的相同。简而言之，这些刺激包括一个绿色固定圆（半径0.88°）和一个无色目标圆（半径0.44°），它们呈现在一个均匀的灰色背景（6.2 cd/m2）上。测试了两个Weber对比度（WC）水平：74%和155%。目标位置主要以极坐标表示，由角度方向（Φ）和径向偏心度（R）定义，范围从2.5°到27°。这种表示方法反映了眼动系统的角度组织结构（例如上丘），有助于沿偏心度系统地分析反应时间[42]。实验网格基于标准的24×2笛卡尔布局，但位置略有调整，以创建最接近的等偏心度匹配，从而简化分析框架[41]。虽然分析是在极坐标域中进行的，但为了可视化（图1），目标位置以笛卡尔坐标表示，其中正x值代表右侧视野，正y值代表上方视野。

单眼测试（右眼（OD）和左眼（OS）遵循标准的24×2网格，包含54个位置。在这种布局中，两个独特的鼻侧位置（偏心度27°）没有对应的时间位置，这导致了轻微的空间不对称性。为了创建一个空间对称的56位置网格以便可视化，向双眼（OU）网格中添加了两个几何上对应的时间位置（±27°/±3°），以补充24×2布局中已有的两个鼻侧位置。这些额外的时间位置仅用于确保可视化的对称性，并未用于基于单眼的模型预测的推导。单眼网格考虑了双眼视觉的解剖学限制，排除了时间上最边缘的位置（±27°/±3°），在这些位置上双眼重叠受到鼻梁的限制。OU网格包括了这些位置，以提供功能区域的完整和对称的可视化。这确保了可靠性估计和模型预测仅基于两只眼睛之间空间上对应的位置得出。

行为范式：
行为范式与我们之前的研究[41]中描述的相同。该数据集的单眼反应已经部分报告但未进行详细分析，而双眼数据则是本研究的重点。所有测试都在光线较暗、安静的房间中进行。参与者完成了一个区块随机化的实验，包括六种观看条件：单眼观看左眼或右眼以及双眼观看，每种条件分别在两个WC水平（74%和155%）下进行测试。每个区块包括单眼和双眼观看下的54个和56个位置，以随机顺序呈现，并重复2-4次。在所有条件下，参与者每个位置完成了6到14次重复实验。然而，对于P13实验，最少完成了2次（WC 155%：右眼和左眼），最多完成了5次（其他所有条件）。这里的“重复”指的是每个目标位置和观看条件下记录的有效试验数量。每位参与者的实验块持续时间为4-10分钟，总测试时间约为4小时，分布在3个月的多个会话中。每次会话通常持续1-3小时，中间有定期的短暂休息，偶尔会有更长的休息时间以便舒适。在每个实验块开始之前，参与者使用一个覆盖虚拟显示器中心和周边区域的九点网格进行眼动追踪器校准。校准确保将眼位信号准确转换为视觉角度，同时考虑到屏幕大小和观看距离。

每次试验都以一个绿色固定圆圈开始，该圆圈在目标出现后仍然可见，这符合眼动测量的常用重叠范式[39]。经过随机延迟（第10/50/90百分位：1404/1422/1460毫秒）后，一个无色目标会出现在随机选定的位置。参与者被要求快速且准确地朝目标进行扫视。当连续五个注视样本落在目标位置周围5°的半径内时，闭环检测算法会终止试验，确保一旦记录到有效的扫视就结束试验。如果没有检测到反应，试验将在1.2秒后结束。然后固定圆圈会被重新定位到五个随机选择的位置之一，下一个试验随之开始。

在正式收集数据之前，参与者完成了一个包含56个位置的训练块（每次重复一次，高对比度，双眼观看）。这使他们熟悉了任务，并验证了稳定的注视和准确的目标导向扫视。根据训练期间的反馈，个别调整了注视刺激的试验间速度，以提高舒适度。

### 数据分析
#### 扫视参数的提取
经过校准的眼动追踪数据按照之前的方法[41]使用自定义编写的MATLAB程序（R2024a，MathWorks Inc.，mathworks.com）进行处理。分别对右眼和左眼的轨迹进行平均处理，并使用改进的Akima三次Hermite插值（MATLAB的‘interp1’函数中的‘makima’）重新采样到1 kHz，这样可以保持连续性并为速度估计提供稳定的导数。眨眼检测基于速度轨迹（水平和垂直导数的欧几里得范数），速度阈值设为600°/s。眨眼事件周围的过渡通过三样本滑动平均进行平滑处理，信号丢失在眨眼开始和结束之间进行插值。

使用MATLAB的‘findpeaks’函数从速度轨迹中检测扫视，最小峰值距离为200毫秒。应用了两步骤的速度标准：候选事件在100°/s时被识别，然后使用50°/s的阈值精炼起始/结束时间。所有试验都经过视觉检查，如有必要则手动校正（健康组：约1％；青光眼组：约28％，主要是由于短暂的信号中断而非系统性的数据丢失）。

对于每个检测到的扫视，确定了起始和结束时间以及水平和垂直位置。本文中将扫视反应时间定义为从目标出现到扫视开始的间隔时间。分析仅包括符合以下标准的目标导向的初级扫视：（1）刺激出现后的第一次扫视，（2）反应时间>100毫秒以排除预期反应，（3）使用以注视点和目标点为中心的圆形兴趣区（ROI；半径5°）验证空间准确性。要求注视位置在刺激出现时保持在注视ROI内（在±10毫秒的窗口内评估），并且扫视终点在扫视结束时位于目标ROI内。这种基于ROI的标准允许正常的动眼变量，同时确保准确识别刺激导向的反应。

#### 反应时间参数估计
反应时间参数的估计遵循了我们实验室之前报告的方法[41]。简而言之，反应时间（RTs）被转换为它们的倒数（promptness，P = 1/RT），这样可以得到适合参数分析的近似正态分布[20, 21, 43]。每个刺激位置的promptness值与其累积概率以probit单位绘制在一起，生成了reciprobit图[20]。第25百分位和第75百分位之间的线性拟合提供了两个参数：平均promptness（μP），代表平均视觉运动速度；以及promptness的标准差（σP），反映变异性。为了便于解释，μP表示为其倒数（1/μP）以近似平均RT（μRT），σP转换为RT变异性的估计（σRT）：
$$
{\sigma }_{{{RT}}}\approx \,\frac{{\sigma }_{{{P}}}}{{\mu }_{{{P}}}^{2}}
$$

#### 双眼模型
为了评估双眼反应时间，将观察到的数据与标准统计促进（Race）模型和基于方差加权的神经整合模型的预测进行了比较。统计促进模型假设两只眼睛独立运作，反应由两个单眼信号中较快的一个触发[17, 18]。对于两个独立的反应时间分布，双眼反应在时间t之前发生的累积概率由以下公式给出：
$$
F}_{{{{\rm{OU}}}}(t,x)={F}_{{{{\rm{OS}}}}(t,x)+{F}_{{{{\rm{OD}}}}(t,x){\textstyle {\mbox{-}}}{F}_{{{{\rm{OS}}}}(t,x)\cdot {F}_{{{{\rm{OD}}}}(t,x) < {F}_{{{{\rm{OS}}}}(t,x)+{F}_{{{{\rm{OD}}}}(t,x)
$$
其中FOU(t,x)表示在特定视野位置x处预测的双眼反应时间的累积分布函数（CDF）。FOS(t,x)和FOD(t,x)分别是OS和OD单眼反应时间的累积分布函数。通过在每个位置x计算模型，预测的双眼分布反映了基于空间局部化视觉运动性能的独立单眼过程的统计促进效应，而不是全局眼级平均值。这确保了模型考虑了青光眼视野中通常观察到的敏感性区域差异。在Race模型下预期的双眼反应时间定义为从公式（2）得出的每个相应视野位置的预测双眼分布的平均值。这个点估计反映了单眼通道之间随机“竞争”的概率结果，即双眼反应由在给定试验中更快的信号触发，不等同于简单地选择两个单眼平均值中较快的一个。

作为替代方案，在LATER模型中实现了基于方差加权的神经整合框架，其中单眼输入根据它们在相应视野位置的相对可靠性进行组合[21,22,23]。可靠性定义为promptness分布的倒数，即w = 1/σ2，这样对于每只眼睛，变异较小的响应被赋予更大的权重。整合后的双眼promptness（1/RT）作为加权平均预测：
$$
P}_{{{OU}}}=\frac{{w}_{{{OS}}}{P}_{{{OS}}+}{w}_{{{OD}}}{P}_{{{OD}}}}{{{w}_{{{OS}}}+w}_{{{OD}}}}
$$
其中POS和POD分别表示给定视野位置的左眼和右眼的单眼promptness（1/RT）。然后分别计算每个视野位置的双眼预测。

#### 结果汇总
对于每个视野位置，分别在Race模型和方差加权模型下计算了双眼预测。在汇总分析中，将结果的位置特定参数和预测的反应时间汇总到不同的视野位置（例如，图3）。这种方法确保了双眼整合和可靠性是基于空间局部化的视觉运动性能来确定的，而不是基于全局眼级平均值。

Race模型和神经整合模型被用来确定（青光眼）视野中双眼互动的理论界限。Race模型作为统计促进的基准，代表了预期双眼益处的理论下限。相比之下，神经整合模型基于贝叶斯建模，反映了可能的视觉运动性能的理论上限。这两个模型共同提供了一个计算框架，用于描述双眼整合模式。

#### 自举估计和置换检验
使用估计统计[44, 45]来比较双眼和单眼观看条件下的反应时间（毫秒）（图2），观察到的双眼反应时间与模型预测（Race和LATER；图3）之间的差异，以及视野条件和模型预测之间的内偏心度比较（图4-7）。采用了一种保留试验级 variabilit 和参与者级结构的 bootstrap 程序。在1000次 bootstrap 迭代中，分别对每个参与者和条件进行带替换的重新采样，并计算平均反应时间。然后计算每个条件的差异（例如，双眼-单眼，即OD，OS；双眼模型预测，即Race，LATER），并报告点估计值、95%置信区间（CI）和误差范围（MoE），即两个CI臂的平均长度。

使用原始（非bootstrap）数据进行了置换检验来评估统计显著性。具体来说，计算了每个参与者的平均差异，并将观察到的平均值与通过10,000次随机翻转符号生成的零分布进行比较。

为了提高可读性，所有结果都以毫秒（ms）而不是promptness值（见上文和公式（1）报告。结果报告为“差异（[下95% CI界限，上95% CI界限]，MoE，p值）”。对于双眼-单眼比较，负差异表示双眼观看下的反应时间更快（双眼优势）。对于双眼模型比较，负差异表示观察到的双眼反应时间快于统计促进/神经整合预测。所有统计分析都是在α = 0.01的显著性水平下进行的。

#### 带有线性混合效应模型的统计分析
为了研究刺激和人口统计属性对反应时间的影响，使用MATLAB的‘fitlme’函数实现了线性混合效应模型（LME）。Promptness（1/RT）作为因变量。为了考虑数据的层次结构和潜在的个体对测试条件的敏感性差异，使用了包含随机截距和随机斜率的模型。模型定义为：
$$
{{Prompt}}= \; {\beta }_{0}+{\beta }_{1}{{Group}}+{\beta }_{2}{{Age}}+{\beta }_{3}{{Contrast}} \\.getProperty_{4}{{Eccentricity}}+{\beta }_{5}{{Eye}}+{\beta }_{6}({{Group}}\,x\,{{Contrast}}) \\ Playback_{7}({{Group}}\,x\,{{Eye}})+(1+{s}_{{{Contrast}}}+{s}_{{{Eccentricity}}}|{u}_{{{ID}}})+\varepsilon
$$
其中Promptness（Prompt）定义为反应时间（1/RT）的倒数（1/s），作为固定和随机参数的线性组合。固定效应包括组（分类：健康 vs. 青光眼）、年龄（年份）、对比度（分类：74% vs. 155%）、偏心度（度数）和眼睛（分类：左眼、右眼或两者），以及组×对比度和组×眼睛作为交互项。随机效应结构包括每个参与者的随机截距（uID）和对比度（sContrast）及偏心度（sEccentricity）的随机斜率，允许这些在参与者内部的变量在不同个体间变化，以及残差误差项?。公式（4）中的参数定义如下：β0是人口级别的截距，代表参考组（用左眼在74%对比度和5°偏心度下观看的健康参与者的平均promptness），β1至β5分别是临床组、年龄、对比度、偏心度的固定效应系数，表示每个单位或类别变化引起的promptness估计变化。β6和β7表示交互效应系数，量化了对比度和观看条件之间的效应差异。参与者特定的随机截距uID表示个别参与者的基线速度与人口截距β0的偏差。参与者特定的随机斜率sContrast和sEccentricity表示个体对对比度（β3）和偏心度（β4）的固定效应的偏差。为了将测量的双眼反应时间与统计促进和神经整合模型的预测进行比较，实现了第二个LME模型。该模型拟合了包含实证观察到的双眼反应的组合数据集，并为每个参与者的每个视野位置生成了相应的理论预测。为了考虑这些比较的层次性质并保持与主要分析的统计一致性，使用了包含随机截距和随机斜率的结构。

#### 结果总结
Bootstrap估计和置换检验用于比较双眼和单眼观看条件下的反应时间（毫秒）（图2），观察到的双眼反应时间与模型预测（Race和LATER；图3）之间的差异，以及视野条件和模型预测之间的内偏心度比较（图4-7）。特别是，β2 参数捕捉了基于实证测量的双眼反应与基于统计促进和神经整合模型得出的理论预测之间的差异。参与者特有的随机截距 uID 代表了与群体截距（β0）的偏差，而随机斜率 sContrast 和 sEccentricity 分别代表了个体在对比度效应（β5）和偏心度效应（β3）上的偏差。对于这两种模型，随机效应（u, s）被假设遵循均值为零的多变量正态分布，其方差-协方差矩阵为 D，B ～ N(0,D)。残差误差项 ? 代表了每次观测或试验中的未解释噪声，假设其独立同分布，即 ? ～ N(0,σ2)。

在模型比较分析（方程（5））中，偏心度、年龄和对比度被作为固定效应纳入，以解释反应时间已知的变异来源，并提高统计估计的准确性。尽管理论上的 Race 和 LATER 模型预测是在个体定位层面上计算的，并且本质上捕捉了空间表现，但在 LME 框架中包含这些协变量使得在实际的双眼观测数据中有效划分残差方差成为可能。这有助于更敏感地评估实证数据与理论预测之间的系统性偏差。模型通过最大似然（ML）方法进行拟合。模型选择和随机斜率结构的必要性使用了赤池信息量准则（AIC）和贝叶斯信息量准则（BIC）进行评估，两者都支持在只有随机截距的简单模型基础上纳入随机斜率结构。固定效应的显著性通过 F 检验和 t 检验来确定，并报告了所有主要和交互项的 p 值。

伦理方面

研究中涉及人类参与者的所有程序均遵循了机构研究委员会的伦理标准以及 1964 年赫尔辛基宣言及其后续修订版或类似的伦理标准。该研究获得了荷兰鹿特丹伊拉斯姆斯大学医学中心的医学伦理委员会（MEC-2022-0543）和印度金奈视觉研究基金会的机构审查委员会和伦理委员会的批准（531-2023-P）。所有参与研究的个体都获得了知情同意和发表同意。

结果

视野范围内的双眼总和与抑制示例

图 1 以热图（前三列）和 reciprobit 图（第四列）的形式展示了单眼（OS，OD）和双眼（OU）观看时的扫视反应时间。第一行展示了健康参与者（图 1a–d），随后的行展示了青光眼患者的示例（图 1e–l）。热图显示了单眼和双眼观看时 54 个和 56 个位置的反应时间，颜色从蓝色（更快）到红色（更慢）进行编码。reciprobit 图（图 1d, h, l）显示了每种观看条件下所有位置和重复次数的累积概率分布。这些图表通过比较双眼分布与单眼分布的位置，提供了对眼睛水平差异的简洁可视化 [41]。

对于健康参与者（P6；图 1a–d），对低对比度刺激的单眼反应在中心区域较快（R ≤ 10°；232–269 ms），而在周边区域较慢（R > 15°；307–382 ms），并且大部分反应都是目标导向的。双眼反应在中心和中周边区域（10° < R ≤ 15°）有进一步的改善，这与双眼总和效应一致。reciprobit 图证实了这一优势，双眼分布（黑色）相对于两个单眼分布（红色和蓝色）向左偏移，表明双眼反应更快。

在青光眼患者中，反应时间通常更慢且变化更大，尤其是在周边位置（R > 15°）。患者 14 患有严重的青光眼，其反应时间最慢，中心区域的反应时间为 342–495 ms，而周边区域的反应时间长达 955 ms（图 1e–g）。在几个测试位置，目标导向的扫视百分比减少，对于一些极端的周边位置，完全没有发生扫视动作（黑色方块），这与这些位置的完全功能丧失一致。在双眼观看下（图 1h），反应时间分布（黑色）没有明显优势；它们与单眼反应（红色和蓝色）部分重叠，平均而言，反应时间更慢且变化更大。

患者 15 在左眼受到钝伤后患有继发性青光眼，其左侧视野有严重的损伤，具有特征性的上缺陷。双眼反应时间（251 ± 74 ms；黑色）仅略快于较好的右眼反应时间（264 ± 75 ms；红色），仅显示出微弱的反应时间优势。这表明双眼表现主要由右眼决定，反映了双眼总和效应的减少。

偶尔，例如 P6 和 P15 等参与者会对盲点目标做出目标导向的扫视（约 1–2 次扫视）。测试期间的轻微头部错位可能导致位置偏差。这些位置被排除在所有参与者的进一步分析之外。

总之，健康的示例参与者显示出明显的双眼优势，而晚期或不对称病例则几乎没有受益于双眼效应，也没有显示出双眼抑制的迹象。

图 1

该图像的替代文本可能是使用 AI 生成的。

全尺寸图像

健康参与者（P6）和两名青光眼患者（P14, P15）在低对比度（74%）条件下的扫视反应时间图（a–c, e–g, i–k）和 reciprobit 图（d, h, l）。圆圈按反应时间进行颜色编码（蓝色 = 更快，红色 = 更慢），大圆圈表示多次重复中的中位反应时间，小圆圈表示单次重复的反应时间。一圈小圆圈表示所有重复都进行了目标导向的扫视（100%）。圆圈从 12 点开始顺时针方向排列。例如，3 点表示 25% 的重复次数引发了目标导向的反应。黑色方块表示没有有效扫视的位置，灰色的“X”标记了盲点。reciprobit 图（d, h, l）显示了左眼（OS，蓝色）、右眼（OD，红色）和双眼（OU，黑色）观看的累积概率分布，以及第 25 和第 75 百分位的线性拟合（虚线）。文本插图显示了基于拟合的反应时间均值和标准差。请注意，每个热图的颜色范围是根据个别参与者的具体反应时间分布定制的。这种个体化缩放用于最大化每个视野内局部功能模式和空间不均匀性的视觉分辨率，否则这些信息可能会被统一的全局尺度掩盖或压缩。

基于位置的单眼和双眼反应时间分析

与图 1d, h, l 中显示的汇总整个视野的反应时间均值和标准差的 reciprobit 图不同，图 2 在单个目标位置层面聚合了数据。对于每位参与者和每种观看条件，使用 reciprobit 分析计算了每个位置的平均反应时间（标记）和所有位置均值的标准差（误差条）。这种基于位置的分析使得可以直接比较相应视野位置上的单眼和双眼反应时间，并更清晰地表示视野内的整合效应。估计统计量用于评估单眼观看条件下的反应时间与双眼观看条件下的潜在差异（图 2c 和 d）。

对于低对比度（图 2a）和高对比度（图 2b）目标，大多数健康参与者的单眼反应时间匹配得很好（P6 的最小偏差为 3 ms，P1 的最大偏差为 11 ms），除了 P7（60 ms），其视觉敏锐度不对称。健康参与者的双眼反应时间平均快 24 ms，表明了双眼总和效应。P3 的差异最小（155% WC，OS = –13 ms [–24, –3] ms，MoE = 10 ms，p < 0.001），而 P4 的差异最大（74% WC，OD = –43 ms [–59, –27] ms，MoE = 16 ms，p < 0.001）。P7 的双眼反应时间在低对比度（13 ms [–17, 42] ms，MoE = 29 ms，p = 0.38）和高对比度（–28 ms [–62, 6] ms，MoE = 34 ms，p = 0.02）条件下都表现出右眼优势，这可能反映了他们视觉敏锐度的双眼不对称性。

与健康参与者样本相比，青光眼患者的单眼反应时间匹配度较差（P8 的最小偏差为 9 ms，P15 的最大偏差为 89 ms），并且单眼和双眼反应时间的变化都更大（比较误差条的长度）。尽管如此，平均而言，除 P14（严重青光眼）和 P15（单侧继发性青光眼）外，所有青光眼患者的双眼反应时间都更快。有趣的是，青光眼组中单眼和双眼反应时间之间的平均差异往往更大；约 42 ms（范围：–13 至 112 ms）。P8 的差异最小（74% WC，OD = –21 ms [–31, –12] ms，MoE = 49 ms，p < 0.001），而 P13 的差异最大（74% WC，OS = –118 ms [–169, –70] ms，MoE = 49 ms，p < 0.001）。关于 P14，74% 对比度下目标的双眼反应时间与用左眼（33 ms [–38, 98] ms，MoE = 68 ms，p = 0.59）或右眼（–4 ms [–68, 62] ms，MoE = 0.39）测量的反应时间没有显著差异。对于 155% 对比度的目标也是如此（OS：51 ms [–18, 132] ms，MoE = 75 ms，p = 0.0005；OD：54 ms [–121, 22] ms，MoE = 72 ms，p = 0.01）。对于 P15，双眼反应时间等于未受影响的右眼（74% WC：–8 ms [–31, 14] ms，MoE = 23 ms，p = 0.21），但比受影响的左眼（74% WC：–73 ms [–114, –35] ms，MoE = 40 ms，p = 0.001）快。

总之，健康参与者表现出稳健的双眼总和效应，而青光眼患者则显示出更大的变异性，从保持总和效应到抑制或单眼优势都有。

图 2

该图像的替代文本可能是使用 AI 生成的。

全尺寸图像

比较每个目标位置的单眼和双眼反应时间。将每位参与者的每个目标位置的平均反应时间作为年龄的函数绘制，分别针对低（74%；a）和高（155%；b）对比度目标。健康参与者在左侧，青光眼患者在右侧，由一条垂直虚线分隔。数据按观看条件进行颜色编码（左眼 = OS，蓝色；右眼 = OD，红色；双眼 = OU，黑色）。圆圈代表目标位置的平均反应时间；垂直误差条表示所有目标位置均值的标准差。c 和 d 是 Gardner–Altman 估计图，显示了同一参与者的双眼和单眼反应时间之间的平均差异。差异表示为 OU–OS（蓝色）和 OU–OD（红色）。白色凹槽表示平均差异，垂直条表示 95% 的置信区间，阴影区域表示平均差异的自助法分布。负值表示相对于单眼的双眼反应更快，正值表示双眼反应更慢。如果 95% 的置信区间不与零重叠（虚线），则两个分布之间存在显著差异。

为了进一步进行统计特征分析，使用线性混合效应模型对 4242 个观测值进行了分析。该模型使用了 10 个固定效应系数和具有七个协方差参数的随机效应结构（包括对比度和偏心度的随机斜率），并成功收敛，拟合指数可接受（AIC = 5764.5；BIC = 5872.5）。试验间的波动是方差的主要来源。

青光眼显著降低了反应迅速性（β = –0.94 1/s，p < 0.001），这与健康对照组的反应时间相比慢了 33 ms 相符。随着年龄的增长，反应迅速性也显著降低（β = –0.028 1/s/年，p < 0.001），相当于每年延迟约 1 ms。反应受到刺激属性的系统性影响。高目标对比度显著提高了反应迅速性（β = 0.33 1/s，p < 0.001），使反应快了约 9 ms，而增加的偏心度显著减慢了反应（β = –0.045 1/s/度，p < 0.001），导致每度延迟 1.3 ms。双眼观看比单眼观看具有显著的优势（β = 0.39 1/s，p < 0.001），使反应时间减少了约 11 ms。

值得注意的是，组和对比度之间（p = 0.25）或组和眼睛之间（p = 0.89）没有发现显著的交互作用，表明对比度和双眼性的基本益处在两组之间是质量上相似的。

将观察到的双眼反应时间与模型预测进行比较

为了更好地理解个体间双眼反应时间差异的神经机制，将观察数据与两个计算框架的预测进行了比较，即基于统计促进的 Race 模型和基于贝叶斯方差加权的神经整合模型（图 3）。图 3 的格式与图 2 相同，双眼数据以黑色重新绘制，统计促进和神经整合的预测分别以蓝色和红色显示。在平均差异面板（图 3c, d）中，负值表示实际反应时间比预测的快，而正值表示反应时间慢。

在健康参与者中，双眼反应时间通常可以很好地用统计促进模型解释。对于七名参与者中的六名（P1–P6），95% 的置信区间与零重叠，表明与统计促进没有显著偏差（图 3c，d 蓝色区域）。相比之下，双眼反应一致偏离了神经整合模型，后者系统性地低估了观察到的反应时间（图 3c，d 红色区域）。这种模式表明，正常视力下的双眼表现最好通过独立单眼信号的统计促进作用来解释，这与之前的研究结果一致[2, 3]。一位健康的参与者（P7）的双眼反应时间明显慢于统计促进模型预测的时间（74%对比度时：41 [15,70]毫秒，MoE = 28毫秒，p < 0.001；155%对比度时：58 [31,84]毫秒，MoE = 26毫秒，p < 0.001）或神经整合模型预测的时间（74%对比度时：87 [63, 112]毫秒，MoE = 25毫秒，p < 0.001；155%对比度时：108 [84, 130]毫秒，MoE = 23毫秒，p < 0.001），这可能反映了他们双眼视力的不对称性。青光眼组的表现更为多样化。在低对比度（74%）下，大多数参与者也符合统计促进模型的预测，但出现了不同的亚组（图3c）。在最大的一个组（P8, P9, P12, P13, P15）中，双眼反应时间与统计促进模型的预测没有显著差异，其中P13的反应时间差异最大（–14 [–61, 34]毫秒，MoE = 47毫秒，p = 0.54），而P12的反应时间差异最小（–1 [–13, 11]毫秒，MoE = 12毫秒，p = 0.73）。第二种反应类型出现在P14身上，其特征是双眼反应时间显著慢于统计促进模型的预测（107 [48, 165]毫秒，MoE = 59毫秒，p = 0.0001）。在最后一个组中，双眼反应时间比统计促进模型预测的要快，这表明存在某种形式的神经整合。这一点在P11身上尤为明显（–26 [–38, –16]毫秒，MoE = 11毫秒，p < 0.001），而在P10身上则不那么明显（–20 [–38, –1]毫秒，MoE = 18毫秒，p = 0.02）。在高对比度（155%）下，双眼反应时间再次与神经整合模型有很大差异，但组层面的符合程度降低（图3d）。三名参与者的双眼反应时间明显慢于预测。这可以在P14（104 [32, 175]毫秒，MoE = 72毫秒，p = 0.001）、P9（49 [20,76]毫秒，MoE = 28毫秒，p < 0.001）和P12（17 [7,27]毫秒，MoE = 10毫秒，p = 0.0006）身上观察到，这可能表明存在抑制性交互作用或单眼优势。然而，两位青光眼患者的双眼反应时间比统计促进模型预测的要快。这种情况同样出现在P10（–17 [–31, –3]毫秒，MoE = 14毫秒，p = 0.0005）和P11（–31 [–41, –19]毫秒，MoE = 11毫秒，p < 0.001）身上。参与者P13的表现出乎意料，尤其是双眼反应时间略微快于统计促进模型的预测（–64 [–117, –0.7]毫秒，MoE = 58毫秒，p = 0.03），并且似乎更接近神经整合模型的预测（6 [–43, 66]毫秒，MoE = 55毫秒，p = 0.09）。

这种模式表明，正常视力下的双眼表现最好通过独立单眼信号的统计促进作用来解释，这与之前的研究结果一致[2, 3]。一位健康的参与者（P7）的双眼反应时间显著慢于统计促进模型（74%对比度时：41 [15,70]毫秒，MoE = 28毫秒，p < 0.001；155%对比度时：58 [31,84]毫秒，MoE = 26毫秒，p < 0.001）或神经整合模型（74%对比度时：87 [63, 112]毫秒，MoE = 25毫秒，p < 0.001；155%对比度时：108 [84, 130]毫秒，MoE = 23毫秒，p < 0.001）的预测，这可能反映了他们双眼视力的不对称性。青光眼组的行为则更加多样化。在低对比度（74%）下，大多数参与者也符合统计促进模型的预测，但出现了不同的亚组（图3c）。在最大的组（P8, P9, P12, P13, P15）中，双眼反应时间与统计促进模型的预测没有显著差异，其中P13的反应时间差异最大（–14 [–61, 34]毫秒，MoE = 47毫秒，p = 0.54），而P12的反应时间差异最小（–1 [–13, 11]毫秒，MoE = 12毫秒，p = 0.73）。第二种反应类型出现在P14身上，其特征是双眼反应时间显著慢于统计促进模型的预测（107 [48, 165]毫秒，MoE = 59毫秒，p = 0.0001）。在最后一个组中，双眼反应时间比统计促进模型预测的要快，这表明存在某种形式的神经整合。这一点在P11身上尤为明显（–26 [–38, –16]毫秒，MoE = 11毫秒，p < 0.001），而在P10身上则不那么明显（–20 [–38, –1]毫秒，MoE = 18毫秒，p = 0.02）。在高对比度（155%）下，双眼反应时间再次与神经整合模型有很大差异，但组层面的符合程度降低（图3d）。三位参与者的双眼反应时间显著慢于预测。这可以在P14（104 [32, 175]毫秒，MoE = 72毫秒，p = 0.001）、P9（49 [20,76]毫秒，MoE = 28毫秒，p < 0.001）和P12（17 [7,27]毫秒，MoE = 10毫秒，p = 0.0006）身上观察到，这可能表明存在抑制性交互作用或单眼优势。然而，两位青光眼患者的双眼反应时间比统计促进模型的预测要快。这种情况同样出现在P10（–17 [–31, –3]毫秒，MoE = 14毫秒，p = 0.0005）和P11（–31 [–41, –19]毫秒，MoE = 11毫秒，p < 0.001）身上。参与者P13的表现出乎意料，尤其是双眼反应时间略微快于统计促进模型的预测（–64 [–117, –0.7]毫秒，MoE = 58毫秒，p = 0.03），并且似乎更接近神经整合模型的预测（6 [–43, 66]毫秒，MoE = 55毫秒，p = 0.09）。

为了评估测量的双眼反应时间与模型预测的差异，研究人员对4242个观测值拟合了一个线性混合效应模型（LMEM）。该模型使用了七个固定效应系数和七个随机效应协方差参数（包括对比度和偏心的随机斜率），与仅使用随机截距的结构相比，模型的拟合度较好（AIC = 7972.2；BIC = 8061.2）。青光眼患者的反应速度显著低于健康对照组（β = –0.79 1/s，p < 0.001），相当于反应时间慢了24毫秒。反应速度还随年龄增长而降低（β = –0.027 1/s，p < 0.001），相当于每年慢1毫秒，以及随偏心度增加而降低（β = –0.051 1/s，p < 0.001），相当于每度慢1.6毫秒。高目标对比度显著提高了反应速度（β = 0.30 1/s，p < 0.001），相当于速度提高了7毫秒。就模型性能而言，测量的双眼反应时间与统计促进模型（Race模型）的预测没有显著差异（β = 0.029 1/s，p = 0.20）。然而，神经整合模型系统性地高估了反应速度（β = 0.71 1/s，p < 0.001），预测的反应时间通常比实际测量值快17毫秒。为了评估理论模型在个体水平上的绝对准确性，计算了每个组的实际双眼观测值与模型预测值之间的均方根误差（RMSE）。对于健康组，Race模型的拟合度很高，平均偏差仅为29毫秒，而神经整合模型的误差较大，为51毫秒。在青光眼组中，尽管受影响视野的变异性较高，Race模型的准确性仍然明显高于神经整合模型（76毫秒对比115毫秒）。这些描述性指标补充了LMEM分析（方程（5）的结果，证实统计促进机制（Race模型）不仅与组级表现一致，而且在健康和青光眼患者中都能提供更高的点对点精度。

总之，双眼反应时间与模型预测的比较表明，实际观测到的双眼反应时间更符合统计促进模型，而神经整合模型的预测则超出了测量得到的促进效果。

前一部分基于模型的比较显示，健康参与者的双眼表现与统计促进模型一致。相比之下，青光眼组表现出相当的异质性，从符合统计促进模型到部分促进或抑制都有。为了进一步了解这些不同的整合模式是否具有空间依赖性，研究人员检查了双眼反应时间作为偏心度的函数，并将其与计算模型预测进行了比较（图4-7）。在健康参与者中（图4a, c），双眼反应时间随偏心度的增加而逐渐增加，从5°时的约211毫秒增加到22°时的279毫秒，总体上增加了约68毫秒。在所有偏心度下，测量的双眼反应时间都紧密跟随统计促进模型的预测，偏差均在±10-12毫秒范围内，没有达到统计显著性（图4b, d）。模型准确捕捉到了中心和周边位置的双眼促进幅度，表明在整个视野范围内统计促进作用是稳定的。相比之下，神经整合模型系统性地高估了双眼促进作用，预测的反应时间比实际测量值快20-34毫秒，尤其是在中周边和周边偏心度（15°-20°）。

在青光眼患者（P8, P9, P12, P13, P15）中，双眼反应时间随偏心度的增加而系统性地增加，平均从5°时的280毫秒增加到22°时的365毫秒，总体上因偏心度而延迟了约85毫秒。这种增加与单眼趋势密切相关。测量的双眼反应时间与统计促进模型的预测保持良好的一致性，偏差通常在±20毫秒范围内，没有达到统计显著性。相比之下，神经整合模型系统性地高估了双眼促进作用，预测的反应时间平均比实际观察到的快40-70毫秒，尤其是在15°偏心度以上。

在两位参与者（P10, P11）中，双眼反应时间比统计促进模型预测的要快，但比基于神经整合模型预测的要慢（图6a-d）。反应时间从5°时的约288毫秒增加到22°时的366毫秒，这与单眼观察中典型的偏心度依赖性减慢趋势一致。在所有偏心度下，测量的双眼反应时间都超过了统计促进模型的预测，超出了20-30毫秒，表明视觉运动速度有所增强。然而，神经整合模型一致性地高估了双眼反应时间，预测的反应时间比实际测量值快15-50毫秒，特别是在中周边区域（15°-20°）。

在一位严重青光眼的参与者（P14）中，观察到双眼抑制现象，其反应时间一致性地慢于单眼反应和统计促进模型的预测（图7a-d）。双眼反应时间从5°时的370毫秒增加到22°时的713毫秒，总体上因偏心度而延迟了超过343毫秒。除了5°偏心度外，测量的双眼反应时间比统计促进模型慢100-160毫秒，显著超出了其置信区间，表明双眼之间存在强烈的抑制性交互作用。神经整合模型也未能充分预测测量的双眼反应时间，相对于测量数据，其预测值超出了200毫秒。这种抑制作用在所有偏心度上都是均匀的，表明双眼处理存在全局性的干扰，而不是局部效应。

在所有组中，反应时间都随偏心度的增加而增加，但无论是基于概率的整合模式、部分促进模式还是抑制模式，在不同空间位置上都是稳定的。没有观察到明显的偏心度特异性调节。此外，在高对比度（155%）下也观察到了类似的模式，尽管各组的差异保持不变，但整体反应时间更快。这些发现表明，虽然偏心度影响总体反应时间速度，但潜在的整合机制在整个视野内是一致的。

本研究首次使用EMP系统地描述了青光眼患者的双眼反应时间。通过将反应时间分析扩展到双眼视场，研究发现健康参与者始终表现出明显的双眼优势，而青光眼患者在双眼整合方面表现出显著异质性。在健康参与者中，双眼反应时间平均比单眼反应快20毫秒，这与统计促进模型的预测相符，并且与基于方差加权的神经整合模型预测的结果不同，后者系统性地预测了更快的双眼反应时间。这一发现与早期的心理物理学研究结果一致，这些研究表明正常视力下的双眼表现 largely 可以通过独立单眼信号的统计促进作用来解释[2, 3, 15]。这种模式表明，在正常视力下，双眼表现反映了独立单眼输入的统计促进作用，而不是完全基于可靠性加权的整合。相比之下，青光眼患者的表现更加多样化。虽然当前样本中的大多数参与者（P8, P9, P12, P13, P15）表现出与统计促进模型一致的双眼加速（快约40毫秒），但其他人则表现出偏离这一模式的反应。一位严重青光眼的参与者（P14）表现出双眼抑制现象，其双眼反应比单眼表现慢，这与在明显的眼间不对称条件下报告的双眼整合受损一致[25, 37]。这种模式表明单眼信号的概率组合机制出现了故障，导致双眼反应比独立处理预期的慢。相比之下，一位左眼患有继发性青光眼的参与者（P15）的反应与统计促进模型一致，但主要受较好眼的影响，表明较弱眼的贡献很小。这种较好眼的优势在视觉功能不对称的条件下已有报道[38, 46]。这反映了在视觉功能不对称的情况下，人们更依赖于受影响较小的眼睛，而不是平衡的双眼整合。这些病例中缺乏双眼整合与先前的报告一致，这些报告将眼间不对称性与立体视和对比度敏感度的降低联系起来[47, 48]。更广泛地说，眼间不对称性（例如，视力下降或亚临床的媒介混浊[25, 46]）会减弱双眼整合，并与驾驶表现和姿势平衡受损相关[49, 50]。当前样本还包括两位青光眼患者（P10, P11），他们的双眼反应时间比统计促进模型的预测快，但仍然慢于基于变异度加权的神经整合模型预测的结果，表明存在部分促进作用，但没有达到最佳线索组合的水平。在健康的视觉系统中，双眼融合在某些条件下可以超过统计增强的预测水平，这反映了眼睛之间的真实神经互动 [18]。这种“神经融合”在弱刺激或接近阈值的刺激中最可靠地被观察到 [3, 32, 51, 52]。在这些参与者中观察到的中间行为表明了一种混合整合模式，它超出了纯粹的统计增强，但尚未达到完全基于可靠性的神经整合，这表明青光眼中的双眼增强可能受到视觉输入可靠性降低的限制。尽管在弱刺激条件下神经融合可以超过统计增强，但目前的发现表明，青光眼中的双眼表现更常反映统计增强或部分整合，而不是完全的神经融合。总之，这些观察结果说明了与不对称或晚期疾病相关的双眼处理变化的独特表现（双眼抑制、优势眼主导和部分增强），并强调了青光眼中双眼整合的异质性。

从这些发现中产生的一个重要问题是，这些整合模式是否会在不同的视野位置上有所不同，或者它们在空间上是否保持一致。为了解决这个问题，研究人员检查了反应时间与视野偏心的关系。分析证实，双眼整合模式在视野上是空间稳定的。正如之前报道的那样，所有组的反应时间从中央到周边区域都有所增加 [53]，但双眼融合的模式——无论是基于概率的、神经融合还是抑制作用——无论对比度如何，都始终保持一致。重要的是，尽管反应时间随偏心度的增加而系统性地延长（大约每度增加1.3-1.6毫秒），但单眼表现轨迹通常是不一致的，尤其是在青光眼中。由于青光眼损害的局部特性，两只眼睛的相对效率在视野位置上是不同的。在中央提供更快反应的眼睛在周边区域可能会变慢，这取决于该区域的功能丧失情况。这种空间变异性表明，虽然整合机制在空间上是一致的，但每只眼睛对双眼反应的相对贡献本质上取决于位置。因此，青光眼中的双眼表现不能用单一的全局功能分类来描述，例如“较好”或“较差”的眼睛，因为眼睛的相对效率可能会根据测试区域的局部功能状态而改变。

对双眼反应时间的建模

计算模型的预测结果与观察到的双眼反应时间进行了比较。对双眼反应时间进行建模的实际动机是可以根据单眼反应时间数据预测日常的双眼表现，类似于基于单眼Humphrey视野的双眼Humphrey Esterman数据 [30,31,32]。如果可靠的预测是可行的，那么这将大大减少测试负担，并提供在自然观看条件下更符合生态学有效性的视觉运动功能估计，因为患者在自然情况下会同时使用两只眼睛。然而，目前的发现表明，仅凭单眼反应时间不足以确定患者是否会表现出统计增强、部分神经融合、优势眼主导或双眼抑制。先前的研究表明，眼间不对称性是双眼互动的重要决定因素 [25, 37, 38]，因此可能是预测双眼组合是否会增强或损害表现的关键因素。然而，目前的数据集并没有揭示一个简单的阈值或规则，将单眼不对称性的程度或形式与最终的双眼融合模式联系起来。开发预测框架可能需要将单眼反应时间分布与已知调节双眼整合的结构或基于可靠性的指标（例如，对比敏感度、神经节细胞完整性或视野一致性）结合起来 [22, 23, 28]。另一种方法是使用传统的Minkowski类型框架（k = 4）的4次方根融合规则，该规则通常用于建模双眼对比度检测阈值 [6, 10]。虽然这个规则在阈值领域已经得到很好的证实，但反应时间范式通常依赖于Race模型，该模型描述了独立单眼信号之间的随机“MAX规则”竞争 [17, 18]。固定的融合规则与当前神经整合模型的动态框架之间存在根本区别。后者利用基于可靠性的权重（w = 1/σ2）来根据局部青光眼损害自适应地调整每只眼睛的相对贡献 [22, 23]。尽管如此，在特定情况下，4次方根模型可能在理论上更优越，特别是在描述弱刺激或接近阈值的刺激时的双眼表现时，因为活跃的神经融合导致的增益显著超过独立竞争预测的统计增强 [3, 32, 51]。未来的工作需要结合单眼EMP、结构生物标志物和计算建模，以确定何时可以从临床上可获得的测量值预测出双眼增强、抑制或中间整合模式。

方法学考虑

本研究的一个关键贡献是其方法论方法。为了能够在视野范围内进行直接的、按位置比较，研究人员在视野范围内测量了单眼（左眼、右眼）和双眼的反应时间，并且每种条件下都进行了多次重复。这导致了一个详细但耗时的协议，因此研究是在一小群七名健康参与者和八名不同疾病严重程度的青光眼患者中进行的。研究的重点不是临床泛化，而是基于反应时间提供青光眼中双眼融合的初步高分辨率描述，并为未来的研究建立方法论框架。尽管样本量较小，但数据的详细性为应用双眼EMP探究整合的潜在机制提供了概念验证。需要更大规模的研究来确定青光眼亚型、疾病阶段以及它们与结构测量（如光学相干断层扫描 [54, 55]）之间的双眼反应时间变化。此外，将双眼反应时间与功能结果联系起来，包括模拟驾驶 [56, 57] 或移动任务 [58,59,60]，将是建立其临床应用的重要步骤。

临床相关性

在青光眼中观察到的双眼优势降低或不一致具有现实世界的影响。在健康个体中，双眼视觉通常提供了感知和运动上的好处，特别是在需要快速视觉-运动协调的任务中 [4]。然而，在不对称的青光眼中，这种优势似乎减弱或消失，可能会损害日常活动中的表现，如驾驶、避开障碍物、危险检测或在低能见度条件下的功能 [61,62,63,64,65]。重要的是，在标准视野测试检测到显著视野丧失之前，就可能出现功能损害和生活质量下降 [66]。从诊断角度来看，双眼反应时间测量通过提供对功能视觉的额外见解来补充传统测试。反应时间在这方面是一个特别敏感的指标。与基于阈值的测量不同，它们捕捉到了感觉处理和运动启动的动态过程，从而提供了一个补充的功能视觉能力指标。双眼融合的减少或消失可以作为不对称青光眼的行为标志。因此，将双眼反应时间任务纳入临床评估中可以通过使评估与现实世界的需求保持一致并评估疾病的影响来提高功能有效性。这些方法可以帮助检测传统临床评估未能发现的微妙功能损害 [32]。

结论

目前的发现表明，健康参与者表现出与统计增强一致的稳健双眼融合，而青光眼则与不同的整合结果相关，从保留的融合到抑制都有。反应时间提供了视觉处理效率的敏感测量，而双眼EMP提供了一种有用的方法学工具来研究青光眼损害的功能后果。