CN108538389B - 一种预测smile屈光手术中屈光度调整值的方法及系统 - Google Patents
一种预测smile屈光手术中屈光度调整值的方法及系统 Download PDFInfo
- Publication number
- CN108538389B CN108538389B CN201810259112.7A CN201810259112A CN108538389B CN 108538389 B CN108538389 B CN 108538389B CN 201810259112 A CN201810259112 A CN 201810259112A CN 108538389 B CN108538389 B CN 108538389B
- Authority
- CN
- China
- Prior art keywords
- training
- data
- diopter
- smile
- diopter adjustment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 101
- 230000008447 perception Effects 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000002980 postoperative effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 5
- 230000004438 eyesight Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004379 myopia Effects 0.000 description 3
- 208000001491 myopia Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Eye Examination Apparatus (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测SMILE屈光手术中屈光度调整值的方法及系统。其中，该方法包括如下步骤：获取SMILE屈光手术案例历史数据并进行预处理，得到训练案例数据；使用训练案例数据对多层感知神经网络模型进行训练，生成初步预测模型；对初步预测模型进行N次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型，其中，N为正整数；使用优化后的预测模型对SMILE手术中新病例的屈光度调整值进行预测。该方法能够在手术允许的误差范围内，准确预测手术方案中的屈光度调整值。
Description
技术领域
本发明涉及一种预测SMILE(全飞秒激光)屈光手术中屈光度调整值的方法，尤其涉及一种利用多层感知神经网络预测SMILE屈光手术中屈光度调整值的方法，同时涉及实现该预测方法的系统。
背景技术
近视的发病率正在逐年提升，全世界有超过15亿人口患有近视。目前，角膜屈光手术是矫治近视的主要手段之一。SMILE屈光手术作为新出现的术式，其有效性和安全性已得到证实，然而，手术的精准性是医生以及患者更要关注的重点。通常，医生根据先前的手术经验给出一个参考值，但在实践中发现还需要综合考量球镜度、柱镜度其它多个可能影响的相关因素得出一个屈光度调整值(即Nomogram值)，对输入到机器中的治疗数据进行一个调整，以期望达到更高的手术精准性。
在眼科屈光手术领域，Nomogram值的调整对于屈光手术获得较好的矫正效果至关重要的。医生通常根据经验来确定该参数的取值，存在不确定性。因此，有效地预测并获得较精准Nomogram值，获得最理想的矫正效果具有重要的意义。
目前，已有研究者提出利用多元线性回归方法对屈光手术方案中的Nomogram值进行分析与预测。在现有技术中，多元线线性回归方法主要用于研究LASIK(准分子激光原位角膜磨镶术)手术方案中，各个参数与Nomogram值的线性关系。然而，SMILE作为一种较新的手术方法，其原理与LASIK有所不同，这使得多元线性回归方法不能直接用于SMILE的手术方案制定中。此外，实验证明在SMILE的手术方案中，Nomogram值与术前各个参数之间不存在线性关系。这一点是在SMILE 的手术方案中，利用多元线性回归方法的最大技术障碍。
发明内容
针对现有技术的不足，本发明所要解决的首要技术问题在于提供一种预测SMILE屈光手术中屈光度调整值的方法。
本发明所要解决的另一技术问题提供一种预测SMILE屈光手术中屈光度调整值的系统。
为实现上述发明目的，本发明采用下述的技术方案：
根据本发明实施例的第一方面，提供一种预测SMILE屈光手术中屈光度调整值的方法，包括如下步骤：
获取SMILE屈光手术案例历史数据并进行预处理，得到训练案例数据；
使用训练案例数据对多层感知神经网络模型进行训练，生成初步预测模型；
对初步预测模型进行N次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型，其中，N为正整数；
使用优化后的预测模型对SMILE手术中新病例的屈光度调整值进行预测。
其中较优地，所述获取SMILE屈光手术案例历史数据并进行预处理，得到训练案例数据，包括如下步骤：
依据术后预定时间的屈光度对SMILE手术案例进行筛选，选出屈光度绝对值小于或等于屈光度阈值的案例，作为训练案例；
提取训练案例中的特征值，并将特征值归一化到[0,1]区间内，得到训练案例数据。
其中较优地，所述使用训练案例数据对多层感知神经网络模型进行训练，生成初步预测模型，包括如下步骤：
S121，将归一特征值作为输入数据输入到多层感知神经网络模型中，随机分配多层感知神经网络中各个边上的权重；
S122，输入数据前向传播，根据各个边的权值和输入层的数据按照顺序计算下一层神经元的输出，直到得到输出层神经元的输出结果；
S123，计算输出节点的总误差，并将输出节点的误差用反向传播算法传播回网络，计算梯度；
S124，利用梯度下降算法调整网络中的所有权重，从而减少输出层的误差；
S125，重复S122～S124，直到输出层误差小于给定的标准误差，生成初步预测模型。
其中较优地，所述步骤S122，包括如下步骤：
按照自上而下的顺序，将上一层神经元的输出作为下一层神经元的输入，记为x，相邻层之间边的权值记为W，偏置值记为b；
利用如下公式从输入层开始不断计算下一层神经元的输出hw,b(x)，直到得到输出层神经元的输出结果：
其中，i表示同一层神经元的第i个神经元。
其中较优地，所述对初步预测模型进行N次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型，包括如下步骤：
S131，将训练数据平均分为10份子数据集,其中,9份子数据集作为初始训练集列表T0，1份子数据集作为验证集列表V；
S132，在第N次迭代训练中,以Tn为训练集列表训练多层感知神经网络模型,并用训练好的模型Mn分别对Tn和V进行预测,将Tn中错判的案例存入Wn,并计算该模型在V上的预测准确率,记为Vn；其中，
S133，重复S132进行迭代优化训练，直到条件Vn＜Vn-1＜Vn-2 成立，终止迭代；
S134，比较S132中生成的N个训练模型在验证集列表V上的准确率Vn，选取准确率最高的模型作为该次训练得到的最终模型M。
其中较优地，所述预测SMILE屈光手术中屈光度调整值的方法，还包括如下步骤：
对预测得到的屈光度调整值进行有约束的后续处理，得到最终预测结果。
其中较优地，所述对预测得到的屈光度调整值进行有约束的后续处理，包括患者个体参数约束、就近归并约束、阶梯式阈值约束处理。
其中较优地，所述对预测得到的屈光度调整值进行有约束的后续处理，包括如下步骤：
根据病人的年龄和球镜屈光度两项病况，对预测得到的屈光度调整值进行微调；
将OriNomogram按照一定的规则就近归并到0.05的整数倍的数据集合中，得到初步屈光度调整值Nomogram；
其中，使用的就近归并约束公式如下：
Nomogram＝[OriNomogram/0.05]*0.05+[(OriNomogram -[OriNomogram/0.05]*0.05)/0.025]*0.05；
以球镜屈光度600度(SD＝-0.6)为界，设置阶梯式阈值，得到最终预测结果Nomogram，使用的阶梯式阈值约束公式如下：
根据本发明实施例的第二方面，提供一种预测SMILE屈光手术中屈光度调整值的方法，包括处理器和存储器；所述存储器上存储有可用在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时实现如下步骤：
获取SMILE屈光手术案例历史数据并进行预处理，得到训练案例数据；
使用训练案例数据对多层感知神经网络模型进行训练，生成初步预测模型；
对初步预测模型进行N次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型，其中，N为正整数；
使用优化后的预测模型对SMILE手术中新病例的屈光度调整值进行预测。
其中较优地，所述计算机程序被所述处理器执行，还实现如下步骤；
对预测得到的屈光度调整值进行有约束的后续处理，得到最终预测结果。
本发明所提供的预测SMILE屈光手术中屈光度调整值的方法，可以利用大量SMILE手术中产生的临床案例数据，结合多层感知神经网络中的Multilayer Perceptron算法进行训练并优化，使其能够在手术允许的误差范围内准确预测手术方案中的Nomogram值。
附图说明
图1为本发明所提供的预测SMILE屈光手术中屈光度调整值的方法的流程图；
图2为本发明所提供的实施例中，采用多层感知神经网络模型数据前向传播的示意图；
图3为本发明所提供的实施例中，采用多层感知神经网络模型误差反向传播的示意图；
图4为本发明所提供的预测SMILE屈光手术中屈光度调整值的系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
如图1所示，本发明所提供的预测SMILE屈光手术中屈光度调整值的方法，包括如下步骤：首先，获取SMILE屈光手术案例历史数据并进行预处理，得到训练案例的数据；其次，使用训练案例的数据对多层感知神经网络模型进行训练，生成初步预测模型；然后，对初步预测模型进行N次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型；最后，使用优化后的预测模型对SMILE手术中新病例的Nomogram值进行预测。对预测得到的Nomogram值进行有约束的后续处理，包括患者个体参数约束、就近归并约束、阶梯式阈值约束处理，得到最终预测结果。下面对这一过程做详细具体的说明。
S11，依据术后预定时间的屈光度，对SMILE手术案例历史数据进行筛选及特征归一化等预处理，得到训练案例数据。具体包括如下步骤：
S111，依据术后预定时间的屈光度对SMILE手术案例进行筛选，选出屈光度绝对值小于或等于屈光度阈值的案例，作为训练案例；在本发明所提供的实施例中，屈光度阈值取0.05，预定时间为三个月时，效果最佳。
S112，提取训练案例中的特征值(属性值)，并将特征值归一化到 [0,1]区间内，得到训练案例数据。
其中，特征值为球镜度、柱镜度、裸眼验光度、年龄等多个可能影响屈光度调整值的相关因素。特征值的信息可以通过术前检查信息直接获取。在本发明所提供的实施例中，每一类特征值进行归一化均可以采用如下公式计算求得：
归一特征值＝(原特征值－特征最小值)/(特征最大值－特征最小值)。
特征最大值为同一类特征值中取值最大的值，特征最小值为同一类特征值中取值最小的值。例如在年龄类别中，取值范围为0～100，其中年龄类别的特征最大值为100，特征最小值为0。
S12，使用训练案例数据对多层感知神经网络模型进行训练，生成初步预测模型。
作为一种经典的机器学习方法，多层感知神经网络算法已在连续型数值预测的应用中取得较好的效果。其中，Multilayer Perceptron算法是一种构造前馈神经网络模型的算法，能够将输入的多个数据集映射到单一的输出的数据集上。在多层感知神经网络中包含了多层节点，在相邻层的节点的连接都配有权重，学习的目的即是为这些连接的边分配正确的权重。反向传播算法通过不断的将网络输出与期望输出进行比较，并将误差传播回上一层，自下而上调整边的权重，并不断地重复，直到输出误差小于制定的标准。
Multilayer Perceptron算法，可用于解决众多分类和回归问题。然而，其在SMILE手术中的预测应用尚属空白。结合SMILE手术中医师对Nomogram值的临床设置经验，基于Multilayer Perceptron算法的基本原理进行针对性的算法改进、参数设计、流程设计、预测值约束设计，将有助于解决SMILE手术中屈光度调整值的预测问题。
在本发明所提供的实施例中，使用训练案例数据对多层感知神经网络模型进行训练，生成初步预测模型，使用的算法为Multilayer Perceptron，具体包括如下步骤：
S121，将归一特征值作为输入数据输入到多层感知神经网络模型中，随机分配多层感知神经网络中各个边上的权重；
S122，根据各个边的权值和输入层的数据按照顺序计算下一层神经元的输出，并得到输出层神经元的输出结果，即前向传播；
如图2所示，使用的前向传播的具体实施步骤为：按照自上而下的顺序，将上一层神经元的输出，记为x，相邻层之间边的权值记为W，偏置值记为b。利用如下公式从输入层开始不断计算下一层神经元的输出hw,b(x)，直到得到输出层神经元的输出结果：
其中，f(z)是神经元激活函数，
i表示同一层神经元的第i个神经元。
S123，计算输出节点的总误差，并将这些误差用反向传播算法传播回网络，如图3所示，以计算梯度；
S124，利用梯度下降算法调整网络中的所有权重，从而减少输出层的误差；其中，梯度下降算法为本领域常规处理方法，在此便不再赘述了。
S125，重复S122～S124，直到输出层误差小于给定的标准误差，生成初步预测模型。
本发明所提供的实施例中，对Multilayer Perceptron算法进行建模，涉及的参数设置如下表1：
| 算法参数 | 取值 |
| 学习率 | 0.01 |
| 动量 | 0.2 |
| 最大迭代次数 | 5000 |
| 隐藏层数 | 2 |
| 第一个隐藏层神经元 | 5 |
| 个数第二个隐藏层神经元 | 8 |
| 个数初始化随机数种子 | 0 |
| 验证集允许变差次数 | 20 |
表1 Multilayer Perceptron算法参数设置表
S13，对初步预测模型进行N次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型，其中，N为正整数。具体包括如下步骤：
S131，将训练数据平均分为10份子数据集,其中,9份子数据集作为初始训练集列表T0，1份子数据集作为验证集列表V；
S132，在第N次迭代训练中,以Tn为训练集列表训练多层感知神经网络模型,并用训练好的模型Mn分别对Tn和V进行预测,将Tn中错判的案例存入Wn,并计算该模型在V上的预测准确率,记为Vn。其中，
S133，重复S132进行迭代优化训练，直到条件Vn＜Vn-1＜Vn-2 成立，终止迭代；
S134，比较S132中生成的N个训练模型在验证集列表V上的准确率Vn，选取准确率最高的模型作为该次训练得到的最终模型M，即得到优化后的预测模型。
在本发明所提供的实施例中，为了使模型能够更好地拟合错判的案例，采用迭代优化的方法，将每轮训练集列表中错判的案例复制一份加入下一轮的训练集列表中，使错判案例占据更大的权重从而优化模型。为避免优化训练中对错判案例的过拟合，在迭代过程中采用验证集列表中的案例对训练模型进行评价，当预测准确率不再呈增长趋势时，及时终止优化迭代，并返回最优预测模型作为优化后的预测模型。
S14，使用优化后的预测模型对SMILE手术中新病例的Nomogram值进行预测。
使用优化后的预测模型对SMILE手术中新病例的Nomogram值进行预测，得到的是初始Nomogram值，记为OriNomogram。在本发明所提供的实施例中，对初始Nomogram值进行有约束的后续处理得到最终预测结果。
S15，对预测得到的Nomogram值进行有约束的后续处理，包括患者个体参数约束、就近归并约束、阶梯式阈值约束处理，得到最终预测结果。在本发明所提供的实施例中，结合医师临床经验和数据统计结果，该预测模型以±调整阈值对预测结果进行优化。当调整阈值取 0.05时，效果最佳。后续均以调整阈值为0.05进行说明。其中，对预测得到的Nomogram值进行有约束的后续处理，具体包括如下步骤：
S151，对预测得到的Nomogram值进行患者个体参数约束；即根据病人的年龄和球镜屈光度两项病况，对OriNomogram进行微调；
使用的患者个体参数约束方法为：当病人的年龄小于25岁或球镜屈光度大于800度时，将OriNomogram增加0.05，当病人的年龄大于 35岁时，将OriNomogram减小0.05；
S152，进行就近归并约束，即将OriNomogram按照一定的规则就近归并到0.05的整数倍的数据集合中，得到Nomogram，
其中，使用的就近归并约束公式如下：
Nomogram＝[OriNomogram/0.05]*0.05+[(OriNomogram -[OriNomogram/0.05]*0.05)/0.025]*0.05；
S153，进行阶梯式阈值约束，即以球镜屈光度600度(SD＝-0.6) 为界，设置阶梯式阈值，保证预测结果的可靠性，使用的阶梯式阈值约束公式如下：
本发明实施例中，基于临床案例数据统计发现：在相同球镜屈光度的情况下，病人的年龄越小，设定的Nomogram值越大；反之，在相同年龄的情况下，病人的球镜屈光度越高，设定的Nomogram值越大。因此，结合医师临床经验和数据统计结果，该预测模型以±0.05对预测结果进行优化。同时，由于该预测模型的直接预测输出结果为连续型实数，而实际临床手术中以0.05为最小精度单位，因此，采用了就近归并约束，使输出结果按照就近原则映射到0.05的整数倍组成的数字集合中(例如，0.024映射为0，0.025映射为0.05)，使其符合临床应用实例。最后，结合医师临床经验，设计了阶梯式阈值约束，以保证预测结果的可靠性。
下面通过一个病例来说明通过本发明得到的Nomogram值在SMILE 手术中的正确性：
患者，男，18岁，术前右眼裸眼视力0.2，左眼裸眼视力0.1,术前屈光度右眼：－5.50DS－0.25DC*10，左眼－5.00DS－0.50DC*165. 角膜厚度：右眼564μm，左眼565μm。平均角膜曲率右眼44.1D,左眼44.1D，术中经过神经网络模型计算输入Nomogram值，右眼：0.25D，左眼：0.20D。手术后患者3个月裸眼视力右眼1.5，左眼1.5。术后屈光度右眼0.00DS，左眼0.00DS；术后6个月裸眼视力右眼1.5，左眼1.5.术后屈光度右眼0.00DS，左眼+0.25DS；患者视力及屈光度均很好。
本发明所提供的预测SMILE屈光手术中屈光度调整值的方法，利用大量SMILE手术中产生的临床案例数据，结合多层感知神经网络中的Multilayer Perceptron算法进行训练并优化，使其能够在手术允许的误差范围内准确预测手术方案中的Nomogram值。经临床试验表明，本发明所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，提升了术前方案制定的效率、准确率与可靠性。
另一方面，本发明还提供一种预测SMILE屈光手术中屈光度调整值的系统。如图4所示，该系统包括处理器42以及存储有处理器42 可执行指令的存储器41；
其中，处理器42可以是通用处理器，例如中央处理器(CPU)，还可以是数字信号处理器(DSP)、专用集成电路(ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。
其中，存储器41，用于存储程序代码，并将该程序代码传输给CPU。存储器41可以包括易失性存储器，例如随机存取存储器(RAM)；存储器41也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器41还可以包括上述种类的存储器的组合。
具体地，本发明实施例所提供的第三方动态库接口拦截系统，包括处理器42和存储器41；存储器41上存储有可用在处理器42上运行的计算机程序，当计算机程序被处理器42执行时实现如下步骤：
S21，获取SMILE屈光手术案例历史数据并进行预处理，得到训练案例数据；
S22，使用训练案例数据对多层感知神经网络模型进行训练，生成初步预测模型；
S23，对初步预测模型进行N次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型，其中，N为正整数；
S24，使用优化后的预测模型对SMILE手术中新病例的屈光度调整值进行预测。
其中，当计算机程序被处理器42执行时实现如下步骤；
依据术后预定时间的屈光度对SMILE手术案例进行筛选，选出屈光度绝对值小于或等于屈光度阈值的案例，作为训练案例；
提取训练案例中的特征值，并将特征值归一化到[0,1]区间内，得到训练案例数据。
其中，当计算机程序被处理器42执行时实现如下步骤；
S221，将归一特征值作为输入数据输入到多层感知神经网络模型中，随机分配多层感知神经网络中各个边上的权重；
S222，输入数据前向传播，根据各个边的权值和输入层的数据按照顺序计算下一层神经元的输出，直到得到输出层神经元的输出结果；
S223，计算输出节点的总误差，并将输出节点的误差用反向传播算法传播回网络，计算梯度；
S224，利用梯度下降算法调整网络中的所有权重，从而减少输出层的误差；
S225，重复S222～S224，直到输出层误差小于给定的标准误差，生成初步预测模型。
其中，当计算机程序被处理器42执行时实现如下步骤；
按照自上而下的顺序，将上一层神经元的输出作为下一层神经元的输入，记为x，相邻层之间边的权值记为W，偏置值记为b；
利用如下公式从输入层开始不断计算下一层神经元的输出hw,b(x)，直到得到输出层神经元的输出结果：
其中，当对初步预测模型进行N次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型时，计算机程序被处理器42执行实现如下步骤；
S231，将训练数据平均分为10份子数据集,其中,9份子数据集作为初始训练集列表T0，1份子数据集作为验证集列表V；
S232，在第N次迭代训练中,以Tn为训练集列表训练多层感知神经网络模型,并用训练好的模型Mn分别对Tn和V进行预测,将Tn中错判的案例存入Wn,并计算该模型在V上的预测准确率,记为Vn；其中，
S233，重复S232进行迭代优化训练，直到条件Vn＜Vn-1＜Vn-2 成立，终止迭代；
S234，比较S232中生成的N个训练模型在验证集列表V上的准确率Vn，选取准确率最高的模型作为该次训练得到的最终模型M。
其中，当计算机程序被处理器42执行时实现还包括如下步骤；
对预测得到的屈光度调整值进行有约束的后续处理，得到最终预测结果。
其中，当计算机程序被处理器42执行时实现如下步骤；
所述对预测得到的屈光度调整值进行有约束的后续处理，包括患者个体参数约束、就近归并约束、阶梯式阈值约束处理。
其中，当对预测得到的屈光度调整值进行有约束的后续处理时，计算机程序被处理器42执行实现如下步骤；
根据病人的年龄和球镜屈光度两项病况，对预测得到的屈光度调整值进行微调；
将OriNomogram按照一定的规则就近归并到0.05的整数倍的数据集合中，得到初步屈光度调整值Nomogram；
其中，使用的就近归并约束公式如下：
Nomogram＝[OriNomogram/0.05]*0.05+[(OriNomogram -[OriNomogram/0.05]*0.05)/0.025]*0.05；
以球镜屈光度600度(SD＝-0.6)为界，设置阶梯式阈值，得到最终预测结果Nomogram，使用的阶梯式阈值约束公式如下：
上面对本发明所提供的预测SMILE屈光手术中屈光度调整值的方法及系统进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。
Claims (6)
1.一种预测SMILE屈光手术中屈光度调整值的方法，其特征在于包括如下步骤：
获取SMILE屈光手术案例历史数据并进行预处理，得到训练案例数据；
使用训练案例数据对多层感知神经网络模型进行训练，生成初步预测模型；
对初步预测模型进行N次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型，其中，N为正整数；
使用优化后的预测模型对SMILE手术中新病例的屈光度调整值进行预测；
对预测得到的屈光度调整值进行有约束的后续处理，得到最终预测结果，
其中，所述对预测得到的屈光度调整值进行有约束的后续处理，包括以下步骤：
根据病人的年龄和球镜屈光度两项病况，对预测得到的屈光度调整值进行微调；
将微调后得到的屈光度调整值OriNomogram按照一定的规则就近归并到0.05的整数倍的数据集合中，得到初步屈光度调整值Nomogram；
其中，使用的就近归并约束公式如下：
Nomogram＝[OriNomogram/0.05]*0.05+[(OriNomogram-[OriNomogram/0.05]*0.05)/0.025]*0.05；
以球镜屈光度600度为界，设置阶梯式阈值，得到最终预测结果Nomogram，使用的阶梯式阈值约束公式如下：
2.如权利要求1所述的预测SMILE屈光手术中屈光度调整值的方法，其特征在于所述获取SMILE屈光手术案例历史数据并进行预处理，得到训练案例数据，包括如下子步骤：
依据术后预定时间的屈光度对SMILE手术案例进行筛选，选出屈光度绝对值小于或等于屈光度阈值的案例，作为训练案例；
提取训练案例中的特征值，并将特征值归一化到[0，1]区间内，得到训练案例数据。
3.如权利要求2所述的预测SMILE屈光手术中屈光度调整值的方法，其特征在于所述使用训练案例数据对多层感知神经网络模型进行训练，生成初步预测模型，包括如下子步骤：
S121，将归一特征值作为输入数据输入到多层感知神经网络模型中，随机分配多层感知神经网络中各个边上的权重；
S122，输入数据前向传播，根据各个边的权值和输入层的数据按照顺序计算下一层神经元的输出，直到得到输出层神经元的输出结果；
S123，计算输出节点的总误差，并将输出节点的误差用反向传播算法传播回网络，计算梯度；
S124，利用梯度下降算法调整网络中的所有权重，从而减少输出层的误差；
S125，重复S122～S124，直到输出层误差小于给定的标准误差，生成初步预测模型。
4.如权利要求3所述的预测SMILE屈光手术中屈光度调整值的方法，其特征在于所述步骤S122，包括如下步骤：
按照自上而下的顺序，将上一层神经元的输出作为下一层神经元的输入，记为x，相邻层之间边的权值记为W，偏置值记为b；
利用如下公式从输入层开始不断计算下一层神经元的输出hw，b(x)，直到得到输出层神经元的输出结果：
其中，i表示同一层神经元的第i个神经元。
5.如权利要求1所述的预测SMILE屈光手术中屈光度调整值的方法，其特征在于所述对初步预测模型进行N次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型，包括如下步骤：
S131，将训练数据平均分为10份子数据集，其中，9份子数据集作为初始训练集列表T0，1份子数据集作为验证集列表V；
S132，在第N次迭代训练中，以Tn为训练集列表训练多层感知神经网络模型，并用训练好的模型Mn分别对Tn和V进行预测，将Tn中错判的案例存入Wn，并计算该模型在V上的预测准确率，记为Vn；其中，
S133，重复S132进行迭代优化训练，直到条件Vn<Vn-1<Vn-2成立，终止迭代；
S134，比较S132中生成的N个训练模型在验证集列表V上的准确率Vn，选取准确率最高的模型作为训练得到的最终模型M。
6.一种预测SMILE屈光手术中屈光度调整值系统，其特征在于包括处理器和存储器；所述存储器上存储有可用在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时实现如下步骤：
获取SMILE屈光手术案例历史数据并进行预处理，得到训练案例数据；
使用训练案例数据对多层感知神经网络模型进行训练，生成初步预测模型；
对初步预测模型进行N次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型，其中，N为正整数；
使用优化后的预测模型对SMILE手术中新病例的屈光度调整值进行预测，
对预测得到的屈光度调整值进行有约束的后续处理，得到最终预测结果，
其中，所述对预测得到的屈光度调整值进行有约束的后续处理，包括以下步骤：
根据病人的年龄和球镜屈光度两项病况，对预测得到的屈光度调整值进行微调；
将微调后得到的屈光度调整值OriNomogram按照一定的规则就近归并到0.05的整数倍的数据集合中，得到初步屈光度调整值Nomogram；
其中，使用的就近归并约束公式如下：
Nomogram＝[OriNomogram/0.05]*0.05+[(OriNomogram-[OriNomogram/0.05]*0.05)/0.025]*0.05；
以球镜屈光度600度为界，设置阶梯式阈值，得到最终预测结果Nomogram，使用的阶梯式阈值约束公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810259112.7A CN108538389B (zh) | 2018-03-27 | 2018-03-27 | 一种预测smile屈光手术中屈光度调整值的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810259112.7A CN108538389B (zh) | 2018-03-27 | 2018-03-27 | 一种预测smile屈光手术中屈光度调整值的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108538389A CN108538389A (zh) | 2018-09-14 |
| CN108538389B true CN108538389B (zh) | 2022-04-29 |
Family
ID=63483716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810259112.7A Active CN108538389B (zh) | 2018-03-27 | 2018-03-27 | 一种预测smile屈光手术中屈光度调整值的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108538389B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109994195B (zh) * | 2019-03-22 | 2020-12-29 | 清华大学深圳研究生院 | 一种用于角膜交联的人工智能引导系统 |
| CN110211686B (zh) * | 2019-06-11 | 2023-07-25 | 复旦大学附属眼耳鼻喉科医院 | 一种高度近视白内障人工晶状体精准选择系统 |
| CN110960349B (zh) * | 2019-12-12 | 2024-06-18 | 朱登峰 | 一种smile屈光手术屈光度调整值的预测方法 |
| CN111414972B (zh) * | 2020-03-30 | 2023-09-05 | 王雁 | 一种基于XGBoost的眼屈光矫正多源数据自动分类方法 |
| CN112102940B (zh) * | 2020-09-08 | 2024-04-16 | 南方科技大学 | 一种屈光检测方法、装置、计算机设备及存储介质 |
| CN112137585A (zh) * | 2020-09-24 | 2020-12-29 | 刘玉宝 | 一种交叉韧带重建中移植肌腱的测试方法及系统 |
| CN112148620B (zh) * | 2020-10-12 | 2024-04-12 | 中国农业银行股份有限公司 | 一种测试案例生成方法及相关设备 |
| CN113892904A (zh) * | 2021-10-08 | 2022-01-07 | 湖南火眼医疗科技有限公司 | 一种基于摄像装置的儿童青少年屈光状态变化预测系统 |
| CN114093473B (zh) * | 2021-10-28 | 2024-09-27 | 广州爱尔眼科医院有限公司 | 一种眼科手术病人管理系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105813543A (zh) * | 2013-10-10 | 2016-07-27 | 波技术视觉系统股份有限公司 | 用于iol屈光力估计值的校正值 |
| CN106548210A (zh) * | 2016-10-31 | 2017-03-29 | 腾讯科技（深圳）有限公司 | 机器学习模型训练方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015123492A2 (en) * | 2014-02-13 | 2015-08-20 | The Cleveland Clinic Foundation | Predicting and mitigating risk of ectasia and optimizing therapeutic outcomes |
-
2018
- 2018-03-27 CN CN201810259112.7A patent/CN108538389B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105813543A (zh) * | 2013-10-10 | 2016-07-27 | 波技术视觉系统股份有限公司 | 用于iol屈光力估计值的校正值 |
| CN106548210A (zh) * | 2016-10-31 | 2017-03-29 | 腾讯科技（深圳）有限公司 | 机器学习模型训练方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 《A Nomogram to Improve Predictability of Small-Incision Lenticule Extraction Surgery》;Gang Liang 等;《MEDICAL SCIENCE MONITOR》;20171031;20171031;第5168-5175页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108538389A (zh) | 2018-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108538389B (zh) | 一种预测smile屈光手术中屈光度调整值的方法及系统 | |
| US11645527B2 (en) | Neural network-based confidence assessment module for healthcare coding applications | |
| CN109300548B (zh) | 一种预测smile屈光手术中屈光度调整值的优化方法及系统 | |
| Tromp et al. | Results from simulated data sets: probabilistic record linkage outperforms deterministic record linkage | |
| JP2024069301A (ja) | 眼内レンズを選択するためのシステム及び方法 | |
| US10141075B2 (en) | Predicting and mitigating risk of ectasia and optimizing therapeutic outcomes | |
| CN108335757B (zh) | 一种预测smile手术中屈光度调整值的方法 | |
| CN112820414B (zh) | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 | |
| CN109785971B (zh) | 一种基于先验医学知识的疾病风险预测方法 | |
| US20210027878A1 (en) | Fast and personalized recommender system for radiation therapy planning enhancement via closed loop physician feedback | |
| US20210089965A1 (en) | Data Conversion/Symptom Scoring | |
| US20180261330A1 (en) | Analytic and learning framework for quantifying value in value based care | |
| KR20210103446A (ko) | 의료 정보를 생성하는 방법 | |
| CN113330522B (zh) | 使用正视区预测来选择人工晶状体的系统和方法 | |
| CN112382382B (zh) | 一种代价敏感的集成学习分类方法及系统 | |
| US20170286629A1 (en) | Method for simulating brain stimulation, corresponding device and computer program | |
| CN106473703A (zh) | 睡眠状态分类器的训练方法和系统 | |
| CN112149669B (zh) | 放疗计划生成系统、装置及存储介质 | |
| Zhu et al. | Design and development of a readmission risk assessment system for patients with cardiovascular disease | |
| US20230148859A1 (en) | Prediction of iol power | |
| US20240081640A1 (en) | Prediction of iol power | |
| US20170249428A1 (en) | System and Method for Facilitating Treatment of a Patient | |
| Zhou et al. | Machine Learning-Assisted Algorithm for Parameter Setting in SMILE Surgery | |
| Martens et al. | Group sequential tests for treatment effect on survival and cumulative incidence at a fixed time point | |
| de Oliveira | Using machine learning to predict mobility improvement of patients after therapy: a case study on rare diseases |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190114 Address after: 100096 Unit 1601, Building 32, Huilongguan New Longcheng, Changping District, Beijing Applicant after: Ji Shufan Address before: 100028 C328, 1st floor, 6th building, 7th courtyard, Taiyanggong South Street, Chaoyang District, Beijing Applicant before: Beijing whale Data Technology Co., Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |