CN108335757A

CN108335757A - 一种预测smile手术中屈光度调整值的方法

Info

Publication number: CN108335757A
Application number: CN201810112655.6A
Authority: CN
Inventors: 王雁; 季书帆; 李炎; 崔彤; 王书航; 张琳
Original assignee: Individual
Current assignee: Individual
Priority date: 2018-02-05
Filing date: 2018-02-05
Publication date: 2018-07-27
Anticipated expiration: 2038-02-05
Also published as: CN108335757B

Abstract

本发明提供了一种预测SMILE(Small Incision Lenticule Extraction，飞秒激光小切口基质透镜取出术)屈光手术中屈光度调整值(nomogram值)的方法，该方法包括：对先验的SMILE手术方案数据进行预处理；根据信息增益(information gain)分别计算各个术前参数和手术参数对nomogram值制定的影响，筛选出对nomogram值制定影响较大的参数；采用基于决策树(REPTree)的bagging强化分类器方法，来训练分类器预测手术方案中的nomogram值；利用该分类器模型预测新的病例在SMILE手术中的nomogram值。本发明能够在该手术允许的误差范围内，准确预测SMILE手术方案中nomogram值的制定，从而为医师制定手术方案提供参考和帮助。

Description

一种预测SMILE手术中屈光度调整值的方法

技术领域

本发明属于眼科屈光手术领域，涉及机器学习技术，尤其是一种预测SMILE手术中屈光度调整值的方法。

背景技术

近视已经逐渐成为一个全球化的问题，调查研究显示，全世界有超过15亿人患有近视，在中国，年龄15-25岁之间的青少年近视患病率为75％以上。治疗近视、远视及散光等屈光不正的角膜屈光手术(准分子激光手术，飞秒激光手术)是本世纪最新的常见眼科手术之一。目前全球角膜屈光手术量已超过2亿，根据最新不完全统计，仅去年我国就开展875,000例手术，是国际上开展较多的国家之一。SMILE屈光手术是最新研发的一种治疗屈光不正的手术技术，其效果和安全性较以往的手术方法都有很大提升，目前在我国正处于蓬勃发展时期。

屈光手术在保障安全性、有效性的基础上，为了达到最佳的矫正视力和最好的视觉质量，仍然有一些问题亟待解决，例如个性化的手术决策、精准化的手术设计、手术效果评价、以及手术效果预测等。人眼是生物个体，相对统一的手术筛查、手术设计以及治疗方案均不可能适合所有的个体；同时，角膜形态参数庞杂，加之对激光的敏感性不同、临床医生的经验水平不同，亦很难达到决策的标准性、一致性。而随着现在屈光手术数据量的不断扩大，利用机器学习技术对手术数据进行分析，从而得到标准化的手术方案分析与系统设计开始成为可能。因此，这就需要针对屈光手术的手术决策，设计并开发分析和预测工具，帮助医生精确设计手术方案，减轻医生的工作负担，提升患者的术后疗效。

屈光度调整值(nomogram值)是根据手术医生先前的手术经验，综合考量球镜度、柱镜度，年龄等其他可能影响的相关因素对输入机器的治疗参数，进行一个经验的调整，以期望达到手术精准性。在眼科屈光手术领域，nomogram值的调整对于屈光手术的准确性是至关重要的。

目前，已经有人提出利用机器学习技术对屈光手术方案中的nomogram进行分析。例如，Mulit-repregression方法利用多元线性回归方法，研究在LASIK(Laser Assistedin Situ Keratomileusis，准分子激光原位角膜磨镶术)手术方案制定过程中，nomogram值和术前各个参数的线性关系。但是SMILE手术的原理与LASIK手术有所不同，这使得原有的方法无法用在SMILE手术方案的制定过程中；并且实验证明，在SMILE手术方案中，nomogram值与各其他参数之间不具备明显线性关系。

关于分类器及强化分类器算法，目前国内外研究现状如下。分类方法是一种经典的机器学习方法，它要求数据具备一系列自变量以及一个可用作分类标签的因变量。分类方法不断尝试用某个自变量的不同取值来将训练数据样本划分到不同的空间中，通过不断优化找到一系列划分规则，最终保证每个被划分的空间中的样例尽可能属于同一类别。这样当出现一条新的数据时，分类器按照之前训练得到的划分规则将该条数据划分到某一空间内，这个空间所代表的类标签即为该条数据的预测类标签。强化分类器，则是通过将数据划分为不同的子训练集，同时训练多个分类器，将多个分类器的投票结果作为最终的预测结果。实验表明强化分类器较单个分类器的预测效果更为鲁棒。

总的来说，应用数据分析技术对SMILE手术方案中的nomogram值进行分析尚属空白，而一些用在传统屈光手术中的分析方法并不适用于SMILE手术，分类器技术作为一种机器学习的经典方法，在对数据进行分类预测方面具有较好的效果，可以用作解决本问题。

发明内容

本发明提供一种预测SMILE屈光手术中nomogram值的方法，为医生设计SMILE屈光手术方案提供帮助和指导。

为解决上述技术问题，本发明提供一种预测SMILE屈光手术中nomogram值的方法，具体包括以下步骤：

步骤1：对专家设计的历史手术方案进行数据预处理，根据数据分布将每个手术方案的nomogram值按精度0.05进行离散化，得到类别标签；

步骤2：分别计算术前参数(包括验光度和散光轴等)和手术参数(包括角膜厚度、角膜直径、角膜曲率等)对手术方案中nomogram值的信息增益，筛选对nomogram值影响较大的参数，作为用于分类器训练的输入属性集合；

步骤3：利用基于决策树的bagging分类器算法，训练得到用于预测nomogram值的模型，具体包括：

步骤3.1：设定bagging强化分类次数N＝10；

步骤3.2：对训练数据集进行有放回的随机抽样，每个抽样集与原始样本集等大，依次得到N个训练数据集；

步骤3.3：分别在N个训练数据集上采用决策树分类器REPTree进行训练；

步骤3.4：根据训练得到的N个决策树分类器的预测结果进行投票，得到最终分类结果；

步骤4：利用该分类器模型对新的病例进行预测，得到新病例在SMILE手术方案中的nomogram值。

优选地，步骤2中，筛选对nomogram值影响较大的参数的过程中，需要计算各个参数对nomogram值的信息增益(information gain)并进行排序，其中计算信息增益所用到的公式如下：

其中Entropy(S_A)为节点A的熵，Gain(S_A，A)为在节点A处的信息增益。

公式中的各个变量意义如下：N_A表示节点A上的样本集合，表示在节点A的全部样本中属于类别C_i的样本数量，节点A共有M个属性，N_Am表示在节点A选择属性m的样本数量，表示在选择属性m的样本中属于类别C_i的样本数量。

计算出术前参数和手术参数对nomogram值的信息增益后，筛选出对nomogram值影响较大的参数，作为分类器模型的输入参数。这些参数包括：年龄、性别、眼别、术前裸眼视力、球镜度、柱镜度、散光轴、最佳矫正视力、角膜直径、光学区、角膜曲率、角膜中央厚度。

本发明的优点和有益效果

1、本发明提出的预测SMILE屈光手术方案中nomogram值的方法，通过分析大量由SMILE屈光手术专家制定的先验手术方案及病例数据，找到术前参数和术中参数与手术方案nomogram值的关系，从而可以通过这些参数对nomogram进行预测。

2、本发明的创新点在于将信息增益(information gain)、REPTree决策树、bagging组合分类器等机器学习算法应用于角膜屈光手术nomogram值的预测问题，并进行了针对性的设计和优化，其中包括具体参数设置、预测属性设计和整体流程步骤规划。经临床试验表明，该方法预测的实例结果已达到临床应用标准。使用该方法可以减少术前方案制定过程对专家的依赖，降低术前方案制定的专业门槛，提升术前方案制定的效率与准确率。

附图说明

图1为本发明所述的利用bagging强化分类器预测SMILE手术方案中nomogram值的方法流程简图；

图2为本发明所述的bagging强化分类器原理示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明所述的利用bagging强化分类器预测SMILE手术方案中nomogram值的方法流程简图。该方法包括以下步骤：

步骤1：对专家设计的历史手术方案进行数据预处理，为了将数据用于分类器训练，需要将目标变量nomogram值转变为离散的类别标签。本发明实例以0.05为间距将nomogram值进行离散化处理，离散化后的类别标签为0、0.05、0.10、0.15、0.20……依次类推。

步骤2：在分别计算各个术前参数和手术参数对nomogram值的影响之后，对这些参数按照信息增益大小进行排序，其中计算信息增益所用到的公式如下：

通过对信息增益进行排序，筛选出对nomogram值影响较大的参数，包括：年龄、性别、眼别、术前裸眼视力、球镜度、柱镜度、散光轴、最佳矫正视力、角膜直径、光学区、角膜曲率、角膜中央厚度。

步骤3：以筛选出来的参数作为输入，对基于决策树的bagging强化分类器方法进行训练。如图2所示，具体包括以下步骤：

步骤3.1：设定bagging强化分类次数，在本发明实例中的分类次数设为10；

步骤3.2：开始新一轮训练，对训练数据集进行有放回的随机抽样，得到本轮分类器训练的数据集，其大小与原数据集相同；

步骤3.3：在本轮得到的数据集上用决策树分类器REPTree进行训练，得到本轮训练的决策树分类器。具体包括：a)在决策树的根节点存储所有数据的索引；b)在当前结点，逐属性计算信息增益率；c)根据信息增益率，选择最优属性进行分裂，将根据该属性分裂开的数据集对应的索引分别存放在当前节点的子节点中；d)检测是否达到最优树结构(是否已经达到了设定树的最深层；是否子节点中的数据已经属于同一类别)，如果是，则结束训练，否则，则对各个子节点逐次执行上述计算信息增益率和分裂过程；

步骤3.4：根据10轮训练得到的决策树分类器的预测结果进行投票，得到最终的结果；

步骤4：利用该分类器模型对新增病例进行预测，得到新增病例在SMILE手术方案中的nomogram值。

本发明实例中，首先筛选出新增病例的验光信息和手术信息中的相关参数并将其输入到训练好的bagging分类器模型中，然后将分类器模型输出的类别标签换算成对应的nomogram值，作为新增病例的预测结果。

下面通过一个病例来说明通过本发明方法得到的nomogram值在SMILE手术中的正确性。

患者，男，28岁，术前双眼裸眼视力0.07，术前屈光度右眼：-6.75DS，左眼-5.75DS-0.25DC*130.角膜厚度：右眼568μm，左眼559μm。平均角膜曲率右眼41.7D,左眼41.6D，术中经过分类模型计算输入nomogram值，右眼：0.30D，左眼：0.20D。手术后患者3个月裸眼视力右眼1.5，左眼2.0.术后屈光度右眼0.25DS，左眼-0.25DS；术后6个月裸眼视力右眼1.5，左眼2.0.术后屈光度右眼平光，左眼-0.25DS；患者视力及屈光度均很好。

以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims

1.一种预测SMILE手术中nomogram值的方法，其特征在于：采集大量由SMILE屈光手术专家制定的先验手术方案及病例数据，计算术前参数和手术参数对手术方案中nomogram值的信息增益，筛选对nomogram值影响较大的参数作为分类器训练的输入属性集合，利用分类器算法训练得到用于预测nomogram值的模型，通过该分类器模型对新的病例进行预测，得到新病例在SMILE手术方案中的nomogram值。

2.根据权利要求1所述的预测SMILE手术中nomogram值的方法，其特征在于：所述的分类器算法为基于决策树REPTree的bagging分类器算法。

3.根据权利要求1所述的预测SMILE手术中nomogram值的方法，其特征在于：所述的信息增益的计算公式为：

其中Entropy(S_A)为节点A的熵，Gain(S_A，A)为在节点A处的信息增益，N_A表示节点A上的样本集合，表示在节点A的全部样本中属于类别C_i的样本数量，节点A共有M个属性，N_Am表示在节点A选择属性m的样本数量，表示在选择属性m的样本中属于类别C_i的样本数量。

4.根据权利要求1或3所述的预测SMILE手术中nomogram值的方法，其特征在于：通过信息增益计算公式计算得到的对nomogram值影响较大的参数包括年龄、性别、眼别、术前裸眼视力、球镜度、柱镜度、散光轴、最佳矫正视力、角膜直径、光学区、角膜曲率、角膜中央厚度。

5.根据权利要求1所述的预测SMILE手术中nomogram值的方法，其特征在于：方法包括以下步骤：

步骤1：对先验手术方案数据进行预处理，根据数据分布将每个手术方案的nomogram值按精度0.05进行离散化，将离散值作为手术方案的分类标签；

步骤2：分别计算术前参数和手术参数对手术方案中nomogram值的信息增益，筛选对nomogram值影响较大的参数，作为分类器训练的输入属性集合；

步骤3：利用基于决策树REPTree的bagging分类器算法，训练得到用于预测nomogram值的模型，具体包括：

6.根据权利要求5所述的预测SMILE手术中nomogram值的方法，其特征在于：步骤3算法的流程为：

⑴设定bagging强化分类次数N＝10；

⑵对训练数据集进行有放回的随机抽样，每个抽样集与原始样本集等大，依次得到N个训练数据集；

⑶分别在N个训练数据集上采用决策树分类器REPTree进行训练；

⑷根据训练得到的N个决策树分类器的预测结果进行投票，得到最终分类结果。