CN111199794B - 一种适用于高度近视白内障的手术智能决策系统及其建立方法 - Google Patents
一种适用于高度近视白内障的手术智能决策系统及其建立方法 Download PDFInfo
- Publication number
- CN111199794B CN111199794B CN201811373905.8A CN201811373905A CN111199794B CN 111199794 B CN111199794 B CN 111199794B CN 201811373905 A CN201811373905 A CN 201811373905A CN 111199794 B CN111199794 B CN 111199794B
- Authority
- CN
- China
- Prior art keywords
- model
- grading
- decision
- deep learning
- cataract
- 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
- 208000002177 Cataract Diseases 0.000 title claims abstract description 82
- 230000004402 high myopia Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004438 eyesight Effects 0.000 claims abstract description 46
- 238000013136 deep learning model Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 229910001651 emery Inorganic materials 0.000 claims abstract description 30
- 230000003511 endothelial effect Effects 0.000 claims abstract description 18
- 201000009310 astigmatism Diseases 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000004410 intraocular pressure Effects 0.000 claims abstract description 14
- 238000012417 linear regression Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims abstract description 4
- 230000002980 postoperative effect Effects 0.000 claims description 27
- 238000003745 diagnosis Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 15
- 210000002159 anterior chamber Anatomy 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000003902 lesion Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000013434 data augmentation Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 4
- 208000006550 Mydriasis Diseases 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000008689 nuclear function Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000004304 visual acuity Effects 0.000 claims 1
- 238000011282 treatment Methods 0.000 abstract description 12
- 238000001356 surgical procedure Methods 0.000 abstract description 9
- 230000002265 prevention Effects 0.000 abstract description 2
- 239000003814 drug Substances 0.000 description 13
- 239000013078 crystal Substances 0.000 description 9
- 229940079593 drug Drugs 0.000 description 9
- 230000002537 thrombolytic effect Effects 0.000 description 7
- 230000003321 amplification Effects 0.000 description 4
- 229940124350 antibacterial drug Drugs 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 230000000844 anti-bacterial effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001990 intravenous administration Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 210000004087 cornea Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004379 myopia Effects 0.000 description 2
- 208000001491 myopia Diseases 0.000 description 2
- 230000001991 pathophysiological effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 206010007759 Cataract nuclear Diseases 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000011256 aggressive treatment Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000029552 nuclear cataract Diseases 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及一种适用于高度近视白内障的手术智能决策系统及其建立方法。所述建立方法包括:构建深度学习模型,由评估与决策两个网络组成,评估网络包括LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型,决策网络将白内障程度和眼底分级与患者基本信息、视力、眼压、A超/IOLmaster报告、角膜内皮计数、角膜散光、B超报告等信息结合,通过核函数映射到高维空间后,建立线性回归模型;构建训练集;模型用训练集进行训练学习、调参。所述系统包括存储装置、评估模块、决策模块和测试评价调整模块。本发明可迅速准确识别高度近视白内障患者的白内障程度、眼底情况,为医生提供综合手术决策,提高防治的均质性。
Description
技术领域
本发明属于医疗人工智能技术领域,涉及一种眼科人工智能手术决策系统,具体涉及一种适合于高度近视白内障的手术智能决策系统及其建立方法。
背景技术
高度近视白内障是指眼轴长度大于等于26mm的白内障,调查研究显示发病率已超过三甲医院白内障患者的30%,且呈逐年增高趋势。高度近视白内障多发生于晶状体核或后囊膜下,因处于光线通过的集中区域,早期即可对视力产生影响。高度近视白内障的手术决策至关重要,过于激进的治疗可能会给患者的眼底造成不必要的干扰,加速眼底的病变,或者因手术并发症大大影响患者原本良好的视功能,而延误的治疗则会因为白内障程度过重,大大增加手术的难度系数和并发症风险,因此找到最佳的手术时机非常关键。但是,由于高度近视白内障的决策往往需要综合考虑患者视力、屈光状态、白内障程度和眼底病变的影响,更多地依赖于医生的经验判断,很多社区医院等非专科医疗机构对其手术决策无法形成准确统一的判断,因此很大程度上影响了其治疗。人工智能技术已逐渐应用于医疗服务中,在辅助诊断、治疗等方面发挥重要作用,建立高度近视白内障的智能决策系统,基于对临床资料的学习,获得对高度近视白内障图像识别、评估白内障严重程度及眼底情况评估,综合分析各项指标而提出迅速准确的手术决策,可以帮助医生准确决策,提高防治的均质性。
专利文献CN104615904A,公开日2015.05.13,公开了一种抗菌药物临床应用决策支持系统,包括:存储装置,存储有识别库、患者基本信息、疾病诊断、手术名称、指标、指征、过程管理、预防用药等数据;应用模块,与存储装置通讯,并与外界人员交互,根据存储装置内部数据来指示外界人员如何使用抗菌药物。该发明通过存储装置将需要用药的基本信息储存起来给应用模块调用,这样抗菌药物的使用情况就能够有效的记录下来,同时也对抗菌药物的使用起到了限制作用,这样就可以有效的避免抗菌药物乱用的问题。
专利文献CN102737165A,公开日2012.10.17,公开了一种临床用药决策支持系统,所述系统包括:治疗用药规范模块,用于根据患者的病理生理信息提供诊疗参考信息和用药参考方案,以供医生开具处方;安全用药审查模块,用于根据所述处方对患者的用药安全情况进行审查,并生成审查日志;处方监测与预警模块,用于对所述处方进行评估,以及根据所述审查日志生成预警信息。该系统针对患者病理生理信息自动提供用药方案,协助医生开具处方,并对处方进行安全审查,以及对处方进行评估,对审查结果进行预警,显著提高了临床用药的安全性、规范化和标准化;同时,通过设置所述抗菌药物管理模块,实现了对抗菌药物的有效管理和监控,进一步提高了临床用药的安全性。
专利文献CN105787252A,公开日2016.07.20,公开了一种医疗决策支持方法,包括预先配置风险决策信息库;利用风险决策信息库对患者进行测试,确定患者对不同表达模式的风险决策信息的反应结果;根据反应结果采用潜类别分析,对患者潜在的风险决策倾向进行分类,并预测不同类别中的患者在接受不同表述模式的风险决策信息时的溶栓认同率;多维度采集患者的基本信息;根据患者的风险决策倾向类别以及患者多维度基本信息,建立风险决策模型,实现对患者的静脉溶栓倾向的预测;对患者进行静脉溶栓适应症的评估,若患者符合适应症,则根据风险决策模型采集患者的基本信息,并代入溶栓风险决策模型,预测其静脉溶栓决策倾向,并最终确定给该患者个体呈现的最佳溶栓决策信息的表述模式。通过该发明,减少了目前临床风险决策的随意性和盲目性,在诊疗风险决策和医患沟通中使患者及家属充分地认识到临床检查和治疗的必要性和需要承担的相应的风险,避免因风险决策与医患沟通的内容和形式的差异导致的决策偏倚,顺利取得患者及其家属的理解与支持,从而最大限度地减少医患纠纷,维护医患双方的权益,尤其是最大限度地保障了患者的生命和健康权益,有效提高脑梗死患者的溶栓认同率。
然而目前未见适用于高度近视白内障,迅速准确地识别高度近视白内障患者的白内障程度、眼底情况,为医生提供综合手术决策的系统。
发明内容
本发明的目的是针对现有技术中的不足,提供一种适用于高度近视白内障的手术智能决策系统的建立方法。
本发明的再一的目的是,提供一种适用于高度近视白内障的手术智能决策系统。
为实现上述第一个目的,本发明采取的技术方案是:
一种适用于高度近视白内障的手术智能决策系统的建立方法,包括以下步骤:
构建手术智能决策系统深度学习模型,由评估与决策两个网络组成;评估网络根据眼前节图像晶状体混浊程度与核颜色,做出LOCSIII分级、Emery核硬度分级,同时根据OCT结果对眼底病变做出分型和程度评估,包括晶状体混浊度的LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型;决策网络在所述晶状体混浊度的LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型输出的基础上,将白内障程度和眼底分级与患者基本信息、视力、眼压、A超/IOLmaster报告、角膜内皮计数、角膜散光、B超报告信息结合,通过核函数映射到高维空间后,建立线性回归模型;
构建训练集;所述训练集中每条记录需包括:患者的基本信息、视力、眼压、包含眼轴长度和前房深度的A超/IOLmaster报告、角膜内皮计数、角膜散光、B超报告、包含斜照法和后照法的眼前节照相、眼底OCT、专业医生的诊断结果、术后评估结果;所述专业医生的诊断结果包括:正常或白内障、白内障LOCSIII分级、Emery核硬度分级、眼底OCT解读、手术决策;所述术后评估结果包括:术后矫正视力、术后患者满意度;
模型用训练集进行训练学习、调参,然后模型经过相关数据集的测试,测试集每条记录包括的项目种类和要求与训练集资料相同,直至达到性能和准确度的要求。
作为一个优选例,所述晶体混浊度的LOCSIII分级深度学习模型,是以卷积神经网络为主体的分级回归算法,所采用的深度学习框架基于VGG,Inception或ResNet。
作为另一优选例,所述Emery核硬度深度学习模型,是在晶体混浊度的LOCSIII分级深度学习模型基础上建立,其方法是用晶体混浊度的LOCSIII分级深度学习模型对Emery核硬度模型进行初始化,然后用核硬度数据对模型进行调优,包括必要的数据扩增、BatchNormalization、Drop-out策略、学习率的调整策略,通过一定量的标注数据,获得尽可能高的预测精度。
作为另一优选例,所述眼底判定模型是基于一张、两张或两张以上OCT影像、患者的基本信息、对应眼的术前视力,预测患者术后视力可达到的最佳水平。
作为另一优选例,所述决策网络基于手术决策推荐指数模型。
作为另一优选例,所述眼前节照相有统一拍摄要求,具体为充分散瞳、裂隙宽0.2-0.3mm、照明角度30°;OCT拍摄黄斑区断层结构;训练集涵盖白内障和OCT各级别的图片以便学习;每条记录的诊断、分级和决策均出自同一名专业权威医生。
作为另一优选例,模型用训练集进行训练时,对训练数据采用多种数据扩增方法,包括亮度变换、对比度变换和几何变换。
为实现上述第二个目的,本发明采取的技术方案是:
一种适用于高度近视白内障的手术智能决策系统,包括:
存储装置:用于存储训练集信息,包括患者的基本信息、视力、眼压、包含眼轴长度和前房深度的A超/IOLmaster报告、角膜内皮计数、角膜散光、B超报告、包含斜照法和后照法的眼前节照相、眼底OCT、专业医生的诊断结果、术后评估结果;所述专业医生的诊断结果包括:正常或白内障、白内障LOCSIII分级、Emery核硬度分级、眼底OCT解读、手术决策;所述术后评估结果包括:术后矫正视力、术后患者满意度;
评估模块:用于根据眼前节图像晶状体混浊程度与核颜色,做出LOCSIII分级、Emery核硬度分级,同时根据OCT结果对眼底病变做出分型和程度评估,包括晶状体混浊度的LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型;
决策模块:用于在上述晶状体混浊度的LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型输出的基础上,将白内障程度和眼底分级与患者基本信息、视力、眼压、A超/IOLmaster报告、角膜内皮计数、角膜散光、B超报告信息结合,通过核函数映射到高维空间后,建立线性回归模型;
测试评价调整模块:用于使用训练集进行训练学习、调参,然后模型经过相关数据集的测试,测试集每条记录包括的项目种类和要求与训练集资料相同,直至达到性能和准确度的要求。
作为一个优选例,所述决策模块建立线性回归模型时还通过术后矫正视力、术后患者满意度调整。
作为另一优选例,模型用训练集进行训练时,对训练数据采用多种数据扩增方法,包括亮度变换、对比度变换和几何变换。
本发明优点在于:
本发明建立了一种适合高度近视白内障患者的手术智能决策系统,该系统基于大量高度近视白内障临床资料的反复测试、调整和训练,学习从眼前节图像中识别白内障程度、OCT评估眼底病变,再综合视力、眼轴等指标形成综合手术决策。临床医生向该系统提供患者基本信息、视力、A超/IOLmaster报告、B超报告、眼前节照片、OCT等临床资料,所述系统可迅速准确地识别高度近视白内障患者的白内障程度、眼底情况,为医生提供综合手术决策。本申请发明人意识到高度近视白内障的评估决策中有其特殊考虑,如高度近视白内障中,核性白内障较多,分级需要关注核分级,核硬度对手术决策有一定影响;再如,高度近视易发生眼底萎缩,部分患者难以通过置换人工晶体达到较理想的视力改善,故高度近视白内障的决策中对患者眼底情况等综合临床资料的评估十分必要。因此本发明是通过患者的综合临床资料,如眼前节照相、OCT等多项影像资料进行评估。
本发明具体优点还包括:
1、准确率高。所述系统基于大数据训练学习,临床数据的测试集由权威专家评定诊断和治疗,经反复测试与调参以达到高正确率,可帮助临床医生准确判断,弥补工作中的不足,尤其适用于非眼科专科医院和社区。
2、效率高。所述系统可在数秒内完成决策,极大提高诊疗效率,节省医疗资源。
3、简便。所述系统操作简单、易掌握,利于普及。
4、提供个性化决策。所述系统决策过程根据视力、白内障及眼底病情提供相适合的决策。
5、均质化。服务对象广,社会价值高。所述系统适用于社区医院、非专科医院、专科医院的眼科医生对高度近视白内障的诊治,能弥补医疗机构诊疗水平差距,利于社会公平和医疗环境的改善,有益患者。
附图说明
附图1是本发明适用于高度近视白内障的手术智能决策系统的建立流程。
附图2是本发明适用于高度近视白内障的手术智能决策系统评估网络。
附图3是本发明适用于高度近视白内障的手术智能决策系统决策网络。
附图4是本发明适用于高度近视白内障的手术智能决策系统的结构框图。
附图5-8为本发明适用于高度近视白内障的手术智能决策系统的操作界面。
具体实施方式
下面结合附图对本发明提供的具体实施方式作详细说明。
附图中涉及的附图标记和组成部分如下所示:
1.存储装置2.评估模块
3.决策模块4.测试评价调整模块
实施例1本发明适用于高度近视白内障的手术智能决策系统的建立流程
本发明适用于高度近视白内障的手术智能决策系统的建立流程如图1所示,具体如下:
1、构建手术智能决策系统深度学习模型,由评估与决策两个网络组成。评估网络可根据眼前节图像晶状体混浊程度与核颜色等,做出LOCSIII分级、Emery核硬度分级,同时可根据OCT结果对眼底病变做出分型和程度评估(图2),包括晶状体混浊度的LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型。晶体混浊度的LOCSIII分级深度学习模型,是以卷积神经网络(CNN)为主体的分级回归算法,所采用的深度学习框架可以(但不限于)基于VGG,Inception,ResNet等。Emery核硬度深度学习模型,是在晶体混浊度的LOCSIII分级深度学习模型基础上建立,其方法是用晶体混浊度的LOCSIII分级深度学习模型对Emery核硬度模型进行初始化,然后用核硬度数据对模型进行调优,包括必要的数据扩增、Batch Normalization、Drop-out策略、学习率的调整策略,通过一定量的标注数据,获得尽可能高的预测精度。眼底判定模型是基于一张或多张OCT影像、患者的基本信息(如年龄、性别、近视度数等)、对应眼的术前视力,预测患者术后视力可达到的最佳水平;这种设计直接对视力水平进行回归预测,避免中间结果的复杂性,可为临床决策提供直接参考。模型采用多模态结构,图像分析部分运用卷积神经网络,其它信息经归一化后,与卷积层输出共同连接到多层的决策网络,得到对术后视力的估计。决策网络基于手术决策推荐指数模型,其在上述模型输出的基础上,将白内障程度和眼底分级与患者基本信息(包括年龄等)、视力、眼压、A超/IOLmaster报告(眼轴长度、前房深度等)、角膜内皮计数、角膜散光、B超报告等信息结合,通过核函数映射到高维空间后,建立线性回归模型,可通过术后视力、满意度调整,以接近专业医生的手术决策建议,能为基层医院的复杂决策提供有意义的参考(图3)。
2、构建训练集。训练集中每条记录需包括:患者的基本信息、视力、眼压、A超/IOLmaster报告(眼轴长度、前房深度等)、角膜内皮计数、角膜散光、B超报告、眼前节照相(斜照、后照两种照片)、眼底OCT、专业医生的诊断(正常或白内障、白内障LOCSIII分级、Emery核硬度分级、眼底OCT解读、手术决策)、术后评估(术后矫正视力、术后患者满意度)。其中,眼前节照相有统一拍摄要求(充分散瞳、裂隙宽0.2-0.3mm、照明角度30°),拍摄斜照、后照两个切面,系统根据色阶和混浊程度评估白内障程度;OCT拍摄黄斑区断层结构;训练集涵盖白内障和OCT各级别的图片以便学习;每条记录的诊断、分级和决策均出自该专业权威医生。
3、模型用训练集进行训练学习、调参,训练时对训练数据采用多种数据扩增(dataaugmentation)方法以使算法有更广泛的适应性,包括(但不限于)亮度变换、对比度变换、几何变换等。然后模型经过多个相关数据集的测试,测试集每条记录包括的项目种类和要求与训练集资料相同,直至达到性能和准确度的要求。
实施例2本发明的适用于高度近视白内障的手术智能决策系统
请参见图4,图4是本发明适用于高度近视白内障的手术智能决策系统的结构框图。所述适用于高度近视白内障的手术智能决策系统包括存储装置1、评估模块2、决策模块3和测试评价调整模块4。
存储装置1:用于存储训练集信息,包括患者的基本信息、视力、眼压、A超/IOLmaster报告(眼轴长度、前房深度等)、角膜内皮计数、角膜散光、B超报告、眼前节照相(斜照、后照两种照片)、眼底OCT、专业医生的诊断(正常或白内障、白内障LOCSIII分级、Emery核硬度分级、眼底OCT解读、手术决策)、术后评估(术后矫正视力、术后患者满意度)。
评估模块2:用于根据眼前节图像晶状体混浊程度与核颜色等,做出LOCSIII分级、Emery核硬度分级,同时根据OCT结果对眼底病变做出分型和程度评估,包括晶状体混浊度的LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型。晶体混浊度的LOCSIII分级深度学习模型,是以卷积神经网络(CNN)为主体的分级回归算法,所采用的深度学习框架可以(但不限于)基于VGG,Inception,ResNet等。Emery核硬度深度学习模型,是在晶体混浊度的LOCSIII分级深度学习模型基础上建立,其方法是用晶体混浊度的LOCSIII分级深度学习模型对Emery核硬度模型进行初始化,然后用核硬度数据对模型进行调优,包括必要的数据扩增、Batch Normalization、Drop-out策略、学习率的调整策略,通过一定量的标注数据,获得尽可能高的预测精度。眼底判定模型是基于一张或多张OCT影像、患者的基本信息(如年龄、性别、近视度数等)、对应眼的术前视力,预测患者术后视力可达到的最佳水平;这种设计直接对视力水平进行回归预测,避免中间结果的复杂性,可为临床决策提供直接参考。模型采用多模态结构,图像分析部分运用卷积神经网络,其它信息经归一化后,与卷积层输出共同连接到多层的决策网络,得到对术后视力的估计。
决策模块3:用于基于手术决策推荐指数模型,在上述晶状体混浊度的LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型输出的基础上,将白内障程度和眼底分级与患者基本信息(包括年龄等)、视力、眼压、A超/IOLmaster报告(眼轴长度、前房深度等)、角膜内皮计数、角膜散光、B超报告等信息结合,通过核函数映射到高维空间后,建立线性回归模型,可通过术后视力、满意度调整,以接近专业医生的手术决策建议,能为基层医院的复杂决策提供有意义的参考。
测试评价调整模块4:用于使用训练集进行训练学习、调参,训练时对训练数据采用多种数据扩增(data augmentation)方法以使算法有更广泛的适应性,包括(但不限于)亮度变换、对比度变换、几何变换等。然后模型经过多个相关数据集的测试,测试集每条记录包括的项目种类和要求与训练集资料相同,直至达到性能和准确度的要求。
图5-8为本发明适用于高度近视白内障的手术智能决策系统的操作界面。如图5所示,首页为登录界面,包含用户名、密码及使用说明。如图6所示,登录后为录入界面,有“编号”“姓名”“性别”“出生日期”“联系方式”条目,按“眼别”分为2列,“矫正视力”、“眼压”、“A超/IOLmaster”、“角膜内皮计数”、“角膜散光”、“B超报告”、“眼前节照相”、“OCT”条目需填写和上传。如图7所示,当录入各条目,点击运行,运行数秒后,输出界面将显示诊断、评估及手术决策相应结果。如图8所示,患者的各项临床资料、系统所输出的诊断、分级及决策结果将纳入记录界面,可查找。
本发明适用于高度近视白内障的手术智能决策系统的操作界面简便美观,易于操作。操作界面还可更换多种语言及外观,如中英文可供选择、系统字体、颜色、外形等。
实施例3
患者李某,女,43岁,右眼视物模糊1年,于社区医院就诊,医生为其检查双眼视力、A超、眼压、角膜散光、角膜内皮计数、B超报告、拍摄眼前节照片、OCT照片。矫正视力右眼0.2,左眼0.8,眼轴长度右眼27.1mm,左眼22.3mm,眼压及内皮计数正常。医生将患者信息及临床资料录入本发明的适用于高度近视白内障的手术智能决策系统,系统评定结果为:右眼高度近视白内障(白内障程度:C2N3,核硬度IV,需要手术,推荐指数:8级(共10级,程度越高越推荐))、眼底(正常);左眼正常。医生得到反馈后与患者进行沟通。
实施例4
患者王某,男,47岁,双眼视力下降2年,于当地综合医院就诊,医生为其检查双眼视力、A超、眼压、角膜散光、角膜内皮计数、B超报告、拍摄眼前节照片、OCT检查,视力右眼0.2,左眼0.05,眼轴长度右眼30.2mm,左眼31.3mm,眼压、内皮计数正常,医生将患者信息及临床资料录入本发明的适用于高度近视白内障的手术智能决策系统,系统评定结果为:右眼高度近视白内障(白内障程度:C1N3,需要手术,推荐指数:7级);左眼高度近视白内障(白内障程度:C2N4P1,需要手术,推荐指数:9级)。医生得到反馈后与患者进行沟通,考虑双眼接受手术。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明方法的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (2)
1.一种适用于高度近视白内障的手术智能决策系统的建立方法,其特征在于,包括以下步骤:构建手术智能决策系统深度学习模型,由评估与决策两个网络组成;评估网络根据眼前节图像晶状体混浊程度与核颜色,做出LOCSIII分级、Emery核硬度分级,同时根据OCT结果对眼底病变做出分型和程度评估,包括晶状体混浊度的LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型,所述晶状体混浊度的LOCSIII分级深度学习模型,是以卷积神经网络为主体的分级回归算法,所采用的深度学习框架基于VGG,Inception或ResNet,所述Emery核硬度深度学习模型,是在晶体混浊度的LOCSIII分级深度学习模型基础上建立,其方法是用晶体混浊度的LOCSIII分级深度学习模型对Emery核硬度模型进行初始化,然后用核硬度数据对模型进行调优,包括数据扩增、BatchNormalization、Drop-out策略、学习率的调整策略,通过一定量的标注数据,获得尽可能高的预测精度,所述眼底判定模型是基于一张或两张以上OCT影像、患者的基本信息、对应眼的术前视力,预测患者术后视力可达到的最佳水平;所述决策网络基于手术决策推荐指数模型,决策网络在所述晶状体混浊度的LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型输出的基础上,将白内障程度和眼底分级与患者基本信息、视力、眼压、A超/IOLmaster报告、角膜内皮计数、角膜散光、B超报告信息结合,通过核函数映射到高维空间后,建立线性回归模型;构建训练集;所述训练集中每条记录需包括:患者的基本信息、视力、眼压、包含眼轴长度和前房深度的A超/IOLmaster报告、角膜内皮计数、角膜散光、B超报告、包含斜照法和后照法的眼前节照相、眼底OCT、专业医生的诊断结果、术后评估结果;所述专业医生的诊断结果包括:正常或白内障、白内障LOCSIII分级、Emery核硬度分级、眼底OCT解读、手术决策;所述术后评估结果包括:术后矫正视力、术后患者满意度;所述眼前节照相有统一拍摄要求,具体为充分散瞳、裂隙宽0.2-0.3mm、照明角度30°;OCT拍摄黄斑区断层结构;训练集涵盖白内障和OCT各级别的图片以便学习;每条记录的诊断、分级和决策均出自同一名专业权威医生;模型用训练集进行训练学习、调参,然后模型经过相关数据集的测试,测试集每条记录包括的项目种类和要求与训练集资料相同,直至达到性能和准确度的要求;模型用训练集进行训练时,对训练数据采用多种数据扩增方法,包括亮度变换、对比度变换和几何变换。
2.一种适用于高度近视白内障的手术智能决策系统,其特征在于,包括:存储装置:用于存储训练集信息,包括患者的基本信息、视力、眼压、包含眼轴长度和前房深度的A超/IOLmaster报告、角膜内皮计数、角膜散光、B超报告、包含斜照法和后照法的眼前节照相、眼底OCT、专业医生的诊断结果、术后评估结果;所述专业医生的诊断结果包括:正常或白内障、白内障LOCSIII分级、Emery核硬度分级、眼底OCT解读、手术决策;所述术后评估结果包括:术后矫正视力、术后患者满意度;评估模块:用于根据眼前节图像晶状体混浊程度与核颜色,做出LOCSIII分级、Emery核硬度分级,同时根据OCT结果对眼底病变做出分型和程度评估,包括晶状体混浊度的LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型;决策模块:用于在上述晶状体混浊度的LOCSIII分级深度学习模型、Emery核硬度分级深度学习模型、眼底判定模型输出的基础上,将白内障程度和眼底分级与患者基本信息、视力、眼压、A超/IOLmaster报告、角膜内皮计数、角膜散光、B超报告信息结合,通过核函数映射到高维空间后,建立线性回归模型;所述决策模块建立线性回归模型时还通过术后矫正视力、术后患者满意度调整;模型用训练集进行训练时,对训练数据采用多种数据扩增方法,包括亮度变换、对比度变换和几何变换;测试评价调整模块:用于使用训练集进行训练学习、调参,然后模型经过相关数据集的测试,测试集每条记录包括的项目种类和要求与训练集资料相同,直至达到性能和准确度的要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373905.8A CN111199794B (zh) | 2018-11-19 | 2018-11-19 | 一种适用于高度近视白内障的手术智能决策系统及其建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373905.8A CN111199794B (zh) | 2018-11-19 | 2018-11-19 | 一种适用于高度近视白内障的手术智能决策系统及其建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111199794A CN111199794A (zh) | 2020-05-26 |
CN111199794B true CN111199794B (zh) | 2024-03-01 |
Family
ID=70746298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811373905.8A Active CN111199794B (zh) | 2018-11-19 | 2018-11-19 | 一种适用于高度近视白内障的手术智能决策系统及其建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199794B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2022014661A1 (zh) * | 2020-07-15 | 2022-01-20 | ||
CN112053780A (zh) * | 2020-08-24 | 2020-12-08 | 宁波市眼科医院 | 一种基于眼底图片的人工智能白内障筛查转诊系统 |
CN113017831A (zh) * | 2021-02-26 | 2021-06-25 | 上海鹰瞳医疗科技有限公司 | 人工晶体植入术后拱高预测方法及设备 |
CN116649889A (zh) * | 2023-07-27 | 2023-08-29 | 超目科技(北京)有限公司 | 眼压监测装置、方法、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005091203A2 (en) * | 2004-03-12 | 2005-09-29 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
CN1839391A (zh) * | 2003-06-25 | 2006-09-27 | 美国西门子医疗解决公司 | 用于乳房成像的自动诊断和决策支持的系统和方法 |
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
CN107680683A (zh) * | 2017-10-09 | 2018-02-09 | 上海睦清视觉科技有限公司 | 一种ai眼部健康评估方法 |
CN107910061A (zh) * | 2017-12-01 | 2018-04-13 | 中南大学 | 一种医疗数据处理方法及系统 |
CN108464839A (zh) * | 2018-03-22 | 2018-08-31 | 东华大学 | 一种基于机器学习的车载疲劳驾驶监测预警系统 |
CN108537282A (zh) * | 2018-04-13 | 2018-09-14 | 东北大学 | 一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法 |
CN108615051A (zh) * | 2018-04-13 | 2018-10-02 | 博众精工科技股份有限公司 | 基于深度学习的糖尿病视网膜图像分类方法及系统 |
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080134A1 (en) * | 2008-07-25 | 2013-03-28 | Fundação D. Anna Sommer Champalimaud e Dr. Carlos Montez Champalimaud | Systems and methods for predicting favorable-risk disease for patients enrolled in active surveillance |
US10149610B2 (en) * | 2014-04-25 | 2018-12-11 | Carl Zeiss Meditec, Inc. | Methods and systems for automatic detection and classification of ocular inflammation |
-
2018
- 2018-11-19 CN CN201811373905.8A patent/CN111199794B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1839391A (zh) * | 2003-06-25 | 2006-09-27 | 美国西门子医疗解决公司 | 用于乳房成像的自动诊断和决策支持的系统和方法 |
WO2005091203A2 (en) * | 2004-03-12 | 2005-09-29 | Aureon Laboratories, Inc. | Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition |
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
CN107680683A (zh) * | 2017-10-09 | 2018-02-09 | 上海睦清视觉科技有限公司 | 一种ai眼部健康评估方法 |
CN107910061A (zh) * | 2017-12-01 | 2018-04-13 | 中南大学 | 一种医疗数据处理方法及系统 |
CN108464839A (zh) * | 2018-03-22 | 2018-08-31 | 东华大学 | 一种基于机器学习的车载疲劳驾驶监测预警系统 |
CN108537282A (zh) * | 2018-04-13 | 2018-09-14 | 东北大学 | 一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法 |
CN108615051A (zh) * | 2018-04-13 | 2018-10-02 | 博众精工科技股份有限公司 | 基于深度学习的糖尿病视网膜图像分类方法及系统 |
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
Non-Patent Citations (1)
Title |
---|
李建强 ; 张苓琳 ; 张莉 ; 杨吉江 ; 王青 ; .基于深度学习的白内障识别与分级.第二军医大学学报.2018,(08),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111199794A (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199794B (zh) | 一种适用于高度近视白内障的手术智能决策系统及其建立方法 | |
Hogarty et al. | Current state and future prospects of artificial intelligence in ophthalmology: a review | |
Sommer et al. | Telemedicine in ophthalmology in view of the emerging COVID-19 outbreak | |
CN109998477B (zh) | 一种高度近视白内障手术预后智能预判系统 | |
CN109528155B (zh) | 一种适用于高度近视并发开角型青光眼的智能筛查系统及其建立方法 | |
Xie et al. | Screening candidates for refractive surgery with corneal tomographic–based deep learning | |
Burr et al. | The clinical effectiveness and cost-effectiveness of screening for open angle glaucoma: a systematic review and economic evaluation. | |
Klein et al. | The relationship of ocular factors to the incidence and progression of age-related maculopathy | |
Guirao et al. | Corneal optical aberrations and retinal image quality in patients in whom monofocal intraocular lenses were implanted | |
Burgansky-Eliash et al. | Glaucoma detection with the Heidelberg retina tomograph 3 | |
Bader Alazzam et al. | Identification of diabetic retinopathy through machine learning | |
CN110211686B (zh) | 一种高度近视白内障人工晶状体精准选择系统 | |
Phu et al. | Remote grading of the anterior chamber angle using goniophotographs and optical coherence tomography: implications for telemedicine or virtual clinics | |
Pan et al. | Development of an in vivo magnetic resonance imaging and computer modelling platform to investigate the physiological optics of the crystalline lens | |
Sun et al. | Deep learning for the detection of multiple fundus diseases using ultra-widefield images | |
Martinez-Perez et al. | Artificial intelligence applied to ophthalmology and optometry: A citation network analysis | |
Zéboulon et al. | Development and validation of a pixel wise deep learning model to detect cataract on swept-source optical coherence tomography images | |
Moshirfar et al. | Exploring Nomograms for Implantable Collamer Lens Size Selection in Myopia: A Literature-based Compilation | |
Leng et al. | Dry age-related macular degeneration: distribution of visual acuity and progression risk in a large registry | |
Filgueira et al. | Discrimination between surgical and nonsurgical nuclear cataracts based on ROC analysis | |
Yeh et al. | Evaluation of a remote telemedicine platform using a novel handheld fundus camera: Physician and patient perceptions from real-world experience | |
Jing et al. | Ocular manifestations of acute secondary angle closure associated with lens subluxation | |
do Amaral Antunes et al. | Artificial intelligence in ophthalmology: The optimization of medical care and future challenges | |
Du et al. | Artificial intelligence-aided diagnosis and treatment in the field of optometry | |
CN112220445A (zh) | 一种基于移动终端的白内障和后发性白内障的分析系统和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |