大洋洲（OSO）会议的两年代正交学会于2018年10月在澳大利亚黄金海岸举行。与第1部分一起，这里有一项摘要的摘要，我在＃OSO2018下的会议期间发布到Myopia简介Facebook页面。
4 -机器学习地形分析
保罗•吉福德博士，近视南威尔士大学（澳大利亚）的近视剖面和兼职高级讲师的联合创始人解释了他在他的“数字式洞穴”中，开发了自动化地形评估的机器学习算法。（图像左上方）保罗解释说，谷歌团队最近使用了128,000个图像来自动化糖尿病视网膜病分析，准确性与视网膜专家一样好。在更小的规模上，他使用了300多个地图我们的临床实践开发一个“机器中的大脑”，它可以分析从一张OK后的地形图中输出的数字数据，通过神经网络过程(机器学习)预测形状的变化。我和我的同事Natalie Buckman和Felicity Sklavos在测试阶段从成百上千张地图的分类中搜索出了大量的乐趣，结果显示准确率达到了82%。
在实践中，这对我们意味着什么?Paul的自动地形分析算法仍处于早期阶段，需要更多的数据才能变得更加精确。对于新手来说，这具有令人兴奋的潜力，可以利用众多专家的分析经验，而不是仅仅依赖于一个人的分析经验。对于有经验的钳工来说，这是为了节省时间和提高效率。保罗的最后消息不要担心机器接管——国际象棋世界冠军卡斯帕罗夫是被机器大约20年前,最近一些人类玩家中级水平,结合机器,已经证明自己无与伦比的人或机器的隔离。So, if we can learn to work with our future machine overlords , we’ll do better than either will alone.
5 -光学区域大小在OK
这是一个热门话题 - 在Orthok中改变光学区域尺寸，以减少治疗区，并假设这将产生更好的近视控制效果。保罗•吉福德博士presented research ‘so new that the paint is still drying’ (he was crunching the data the night before!) from work he’s being doing at the University of New South Wales (Australia) with Pauline Kang and Vinod Masseedupally of the ROK group and two rather brilliant final year Optometry students, Michael Tran and Courtney Priestley, who’ve done the data collection for their final year research project.
在一项重复的措施设计中，群组适合17名年轻人，一周用标准的OK设计，然后他们有一个星期的冲洗，然后在一个改进的设计中进行了一个较小的光学区域直径（OZD）和增加的非球面。他们发现，具有显着不同的地形效果，盎司平均较低1毫米。（图像右上）最近的工作Langis Michaud的团队还显示了具有4曲线与5曲线设计的地形的变化。但是，尚未显示的是，如果这会转移到相对外围折射的变化。Promisingly, the UNSW group did find a greater relative peripheral myopic shift with the smaller OZD design, although with current early analysis, both lens types were significantly different from baseline but didn’t quite reaching significant difference between the two designs, despite the appearance of the trend.
然后，最终问题是，如果转化为外围折射的变化的地形的变化实际上还转化为改善的近视控制效果。没有人知道这一点。所以很快就说，这种OK设计将从研究证据中提供比那种设计更好的近视控制效果。但这是一个有希望的开始！
6 .户外活动时间的地理差异
日常户外光曝光的差异可能有助于近视患病率的地理差异。斯科特副教授从昆士兰理工大学（澳大利亚）读到了澳大利亚儿童的平均每天户外时间（105分钟/天）到同龄的新加坡儿童（61分钟/天）。有趣的是，这一重要差异似乎发生在上课时间，上课后的户外时间相似。带回家的信息？少于60分钟/天似乎增加了儿童近视开发的风险，每天增加60-90分钟的日常亮光曝光似乎是保护的。
