CN112102940B - 一种屈光检测方法、装置、计算机设备及存储介质 - Google Patents
一种屈光检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112102940B CN112102940B CN202010937007.1A CN202010937007A CN112102940B CN 112102940 B CN112102940 B CN 112102940B CN 202010937007 A CN202010937007 A CN 202010937007A CN 112102940 B CN112102940 B CN 112102940B
- Authority
- CN
- China
- Prior art keywords
- power
- sphere power
- fitting
- medical record
- electronic medical
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 48
- 210000004087 cornea Anatomy 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 27
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 208000030533 eye disease Diseases 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 210000002159 anterior chamber Anatomy 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000001448 refractive index detection Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 8
- 230000001886 ciliary effect Effects 0.000 abstract description 6
- 210000003205 muscle Anatomy 0.000 abstract description 6
- 239000013078 crystal Substances 0.000 abstract description 5
- 230000003902 lesion Effects 0.000 abstract description 5
- 206010033799 Paralysis Diseases 0.000 abstract description 2
- 210000001110 axial length eye Anatomy 0.000 abstract 1
- 239000002609 medium Substances 0.000 description 19
- 210000002569 neuron Anatomy 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 230000004438 eyesight Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004323 axial length Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000001769 paralizing effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000009310 astigmatism Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本发明实施例公开了一种屈光检测方法、装置、计算机设备及存储介质。该方法包括：获取待测人员的电子病历数据，其中，电子病历数据包括眼轴长和平均角膜屈光力；根据电子病历数据预测球镜度数和等效球镜度数。本发明实施例所提供的技术方案，通过采集待测人员的眼轴长以及平均角膜屈光力等参数，并自动预测出待测人员的球镜度数和等效球镜度数，实现了准确检测近视患者的眼部数据，而不受眼底病变或晶体混浊等情况的影响，同时避免了睫状肌的麻痹过程对未成年人的眼睛产生副作用和后遗症的问题。
Description
技术领域
本发明实施例涉及医学检测技术领域，尤其涉及一种屈光检测方法、装置、计算机设备及存储介质。
背景技术
随着生活水平和生活质量的不断提高，人们的用眼需求不断增加，导致了近视眼患者呈现出普遍和低年龄的趋势。为了及时发现近视等眼部健康问题，视力检测起着非常重要的作用，同时还可以通过视力检测实现对眼部疾病的预防。
现有的视力检测方法主要包括主观验光法和客观验光法，并将两者的验光结果结合以评估受试者的视力水平。但是现有的客观眼光法在用于未成年人时需要麻痹睫状肌，这样会对未成年人的眼睛产生副作用甚至留下后遗症。同时，若受试者眼底存在病变或者晶体存在混浊等情况，现有的视力检测方法在测量时检测设备无法收到反馈信号，从而无法诊断出正确的生理数据值。
发明内容
本发明实施例提供一种屈光检测方法、装置、计算机设备及存储介质，以实现准确的检测近视患者的眼部数据，同时避免了睫状肌的麻痹过程对未成年人的眼睛产生副作用和后遗症的问题。
第一方面，本发明实施例提供了一种屈光检测方法，该方法包括：
获取待测人员的电子病历数据，其中，所述电子病历数据包括眼轴长和平均角膜屈光力；
根据所述电子病历数据预测球镜度数和等效球镜度数。
第二方面，本发明实施例还提供了一种屈光检测装置，该装置包括：
数据获取模块，用于获取待测人员的电子病历数据，其中，所述电子病历数据包括眼轴长和平均角膜屈光力；
度数预测模块，用于根据所述电子病历数据预测球镜度数和等效球镜度数。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的屈光检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的屈光检测方法。
本发明实施例提供了一种屈光检测方法，首先获取待测人员的电子病历数据，然后根据获取的电子病历数据预测待测人员的球镜度数和等效球镜度数。本发明实施例所提供的屈光检测方法，通过采集待测人员的眼轴长以及平均角膜屈光力等参数，并自动预测待测人员的球镜度数和等效球镜度数，实现了准确检测近视患者的眼部数据，而不受眼底病变或晶体混浊等情况的影响，同时避免了睫状肌的麻痹过程对未成年人的眼睛产生副作用和后遗症的问题。
附图说明
图1为本发明实施例一提供的屈光检测方法的流程图；
图2为本发明实施例二提供的屈光检测方法的流程图；
图3为本发明实施例三提供的屈光检测装置的结构示意图；
图4为本发明实施例四提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的屈光检测方法的流程图。本实施例可适用于为近视患者等待测人员进行屈光检测的情况，该方法可以由本发明实施例提供的屈光检测装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：
S11、获取待测人员的电子病历数据，其中，电子病历数据包括眼轴长和平均角膜屈光力。
其中，电子病历是指用电子设备保存、管理、传输和重现的数字化医疗记录，用以取代手写纸张病历，内容可包括纸张病历的所有信息。病历是病人在医院诊断治疗全过程的原始记录，其中包括一些检验检查结果，在本实施例中，针对屈光检测的过程，电子病历数据可包括待测人员的眼轴长和平均角膜屈光力等参数。可选的，电子病历数据还包括：性别、角膜屈光力差值、前房深度，角膜厚度，晶体厚度，玻璃体厚度、角膜陡峭子午线屈光力以及角膜平坦子午线屈光力中的至少一种，电子病历数据所包含的种类越多，预测的结果将会越准确。其中，平均角膜屈光力即为角膜陡峭子午线屈光力和角膜平坦子午线屈光力的均值，角膜屈光力差值即为角膜陡峭子午线屈光力和角膜平坦子午线屈光力的差值。眼轴长参数可以是实际眼轴长的倒数，以保持眼部数据的量纲一致。由于在性别不同时，角膜曲率等会有很大的差别，因此性别参数在球镜度数和等效球镜度数的确定过程中起着比较重要的作用，可以包括在所需的电子病历数据中。
具体的，电子病历数据可以从已完成记录的电子病历系统中直接获取，也可以通过医护人员根据电子病历系统中记载的内容进行输入来获取，还可以通过医护人员直接将检验检查的结果录入进行获取等，具体的获取方式在本实施例中不作具体的限定。
S12、根据电子病历数据预测球镜度数和等效球镜度数。
具体的，可通过线性回归方法对球镜度数和等效球镜度数来进行预测，具体可以将电子病历数据中的各个参数作为自变量，将需要预测的球镜度数和等效球镜度数作为因变量，通过拟合公式根据临床采集的大量电子病历数据样本确定该因变量与各个自变量之间的拟合关系，然后即可根据该拟合关系预测出与待测人员的电子病历数据对应的球镜度数和等效球镜度数。
同时，还可以利用神经网络模型对球镜度数和等效球镜度数进行预测，可选的，根据电子病历数据预测球镜度数和等效球镜度数，包括：将电子病历数据输入训练后的神经网络模型，并输出预测的球镜度数和等效球镜度数。
其中，神经网络模型可以是多层感知机模型，具体可以包括输入层、隐藏层和输出层，各层中包括一个或多个神经元，且隐藏层和输出层中的神经元为功能神经元，可用于学习输入参数的权重和阈值，将上述获取的电子病历数据输入到训练后的该神经网络模型中，即可计算得到预测的球镜度数和等效球镜度数。球镜度数即是指近视或远视度数，而等效球镜度数是指散光度数。
具体的，输入层神经元可接收外界的输入信号，即上述获取的各个电子病历数据，并将外界的输入信号传递给隐藏层，输入层中神经元的数量与输入信号的数量相对应。隐藏层的数量可以是一个或多个，隐藏层的数量越多，便可对输入信号进行更多层次的抽象，从而更好的线性划分不同类型的数据，但同时也会造成所需学习的参数爆炸式增多，且在到达一定层数后，分类效果增强的不明显，优选的，本实施例中的隐藏层为一层，具体的，隐藏层中的每个神经元接收输入层中的每个神经元的输入，并根据学习到的对应权重和阈值进行计算后将结果传递给输出层。输出层中神经元的个数可以是一个或多个，可选的，将输出层中神经元的数量设置为1，则可以在输出层计算得到想要预测的球镜度数或等效球镜度数，然后可通过为神经网络模型设置两个分支，以分别获得预测的球镜度数和等效球镜度数，输出层中的神经元接收隐藏层中的每个神经元的输入，并根据学习到的对应权重和阈值计算得到预测的球镜度数和等效球镜度数并输出，具体可以将结果输出到电子病历系统中的对应位置以展示给医护人员和患者等。
在上述技术方案的基础上，可选的，在获取待测人员的电子病历数据之前，还包括：构建神经网络模型；获取训练样本集合，其中，训练样本集合包括临床采集的多个电子病历数据样本；根据训练样本集合对神经网络模型进行训练，以获得训练后的神经网络模型。
具体的，神经网络模型可以根据上述的结构以及数据信号传递过程进行构建，具体每层神经元可以与下一层神经元全互连，并且不存在同层连接，也不存在跨层连接，即形成多层前馈神经网络。训练样本集合可以从电子病历系统的历史记录中进行获取，可包括临床采集的多个电子病历数据样本，每个样本即包括上述的眼轴长和平均角膜屈光力等参数。可选的，通过多次向神经网络模型输入小批量的训练样本来迭代训练神经网络模型，具体的，训练的过程即是上述各个权重和阈值的学习过程，首先可以对各个权重和阈值进行随机初始化，将训练集合样本输入神经网络模型，并将输出的球镜度数和等效球镜度数分别与各自的实际测量值进行比较，然后根据比较结果调整各个权重和阈值，大量重复权重和阈值的调整过程，以使与实际测量值之间的训练误差达到一个很小的值，即可视为完成了对神经网络模型的训练，其中，实际测量值可以是通过传统的验光方法获得的相应数据。
在上述技术方案的基础上，可选的，在将电子病历数据输入训练后的神经网络模型，并输出预测的球镜度数和等效球镜度数之后，还包括：分别将球镜度数与实测球镜度数进行比较，将等效球镜度数与实测等效球镜度数进行比较，若球镜度数与实测球镜度数的差距大于第一预设阈值，或者等效球镜度数与实测等效球镜度数的差距大于第二预设阈值，则确定待测人员存在眼部疾病。
具体的，通过研究发现，当预测的球镜度数或等效球镜度数与实际测量值之间存在较大误差时，眼内或眼底有很大的可能存在病变。因此，分别将预测的球镜度数与实测球镜度数进行比较，将预测的等效球镜度数与实测等效球镜度数进行比较，若预测的球镜度数与实测球镜度数的差距大于第一预设阈值或预测的等效球镜度数与实测等效球镜度数的差距大于第二预设阈值，则确定待测人员存在眼部疾病，具体可以将确定的结果展示给医护人员及患者等，以基于确定的结果做进一步的检查或治疗。其中，可选的，第一预设阈值与第二阈值可以相同，且均为1.0D，即100度。
本发明实施例所提供的技术方案，首先获取待测人员的电子病历数据，然后根据获取的电子病历数据预测待测人员的球镜度数和等效球镜度数。通过采集待测人员的眼轴长以及平均角膜屈光力等参数，并自动预测出待测人员的球镜度数和等效球镜度数，实现了准确检测近视患者的眼部数据，而不受眼底病变或晶体混浊等情况的影响，同时避免了睫状肌的麻痹过程对未成年人的眼睛产生副作用和后遗症的问题。
实施例二
图2为本发明实施例二提供的屈光检测方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化，可选的，针对利用神经网络模型进行预测的方案，增加一个自适应层以达到更优的预测结果。具体的，在本实施例中，神经网络模型包括三个分支，每个分支包括输入层、隐藏层和输出层，三个分支分别用于输出拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数；神经网络模型还包括一个自适应层，用于根据拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数确定球镜度数和等效球镜度数。
具体而言，可以为不同的分支设置不同的目标特征变量，以使三个分支可以分别输出拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数，并在训练的过程中对应用于比较的不同实际测量值，以学习各自所需的权重和阈值，这里的拟合球镜度数和拟合等效球镜度数分别相当于上述实施例中预测的球镜度数和等效球镜度数，并可用相同的方法获得拟合柱镜度数。然后自适应层可以根据拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数来确定预测的球镜度数和等效球镜度数。相应的，如图2所示，具体可以包括如下步骤：
S21、获取待测人员的电子病历数据，其中，电子病历数据包括眼轴长和平均角膜屈光力。
S22、将电子病历数据输入训练后的神经网络模型。
S23、通过神经网络模型的三个分支分别输出拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数。
其中，三个分支的输入参数可以相同，即均为电子病历数据，包括眼轴长和平均角膜屈光力等参数。具体可以参考上述实施例中预测的球镜度数和等效球镜度数的获取方法，在这里将不再累述。
可选的，隐藏层包括一个全连接层和一个激活函数层，输出层包括一个全连接层。其中，全连接层即包括与下一层中每个神经元全互连的一个或多个神经元，激活函数层包括运行在神经元上的激活函数，用于将神经元的输入映射到输出端，应用激活函数可以增加神经网络模型的非线性，以便于获得更多的非线性模型。可选的，激活函数层可以是sigmod激活函数层或Tanh激活函数层，优选的，激活函数层为线性整流(ReLU)激活函数层，以达到更好的预测效果。
S24、通过自适应层根据拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数确定球镜度数和等效球镜度数。
可选的，根据拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数确定球镜度数和等效球镜度数，包括：根据拟合等效球镜度数和拟合柱镜度数确定伪球镜度数；根据拟合球镜度数的权重以及伪球镜度数的权重确定球镜度数；以及，根据拟合球镜度数和拟合柱镜度数确定伪等效球镜度数；根据拟合等效球镜度数的权重以及伪等效球镜度数的权重确定等效球镜度数。
具体的，针对预测球镜度数的过程，在得到拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数之后，可以将拟合等效球镜度数和拟合柱镜度数经过逻辑运算后得到的伪球镜度数作为自适应层的一个输入，将拟合球镜度数作为自适应层的另一个输入，伪球镜度数与拟合球镜度数分别具有相应的权重，从而自适应层可以将伪球镜度数与拟合球镜度数线性结合，以达到更优的预测结果。其中的逻辑运算可以是将拟合等效球镜度数与拟合柱镜度数的一半相减以得到伪球镜度数，权重可以通过训练的过程进行自动调整。
对应的，针对预测等效球镜度数的过程，在得到拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数之后，可以将拟合球镜度数和拟合柱镜度数经过逻辑运算后得到的伪等效球镜度数作为自适应层的一个输入，将拟合等效球镜度数作为自适应层的另一个输入，伪等效球镜度数与拟合等效球镜度数分别具有相应的权重，从而自适应层可以将伪等效球镜度数与拟合等效球镜度数线性结合，以达到更优的预测结果。其中的逻辑运算可以是将拟合球镜度数与拟合柱镜度数的一半相加以得到伪球镜度数，权重可以通过训练的过程进行自动调整。
S25、输出预测的球镜度数和等效球镜度数。
本发明实施例所提供的技术方案，通过为神经网络模型增加一个自适应层，并将原本预测的球镜度数和等效球镜度数分别与计算得到的伪球镜度数和伪等效球镜度数相结合以得到最终预测的球镜度数和等效球镜度数，自适应层可以自动调节辅助分支的权重，从而提升了预测结果的准确性。
实施例三
图3为本发明实施例三提供的屈光检测装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图3所示，该装置包括：
数据获取模块31，用于获取待测人员的电子病历数据，其中，电子病历数据包括眼轴长和平均角膜屈光力；
度数预测模块32，用于根据电子病历数据预测球镜度数和等效球镜度数。
本发明实施例所提供的技术方案，首先获取待测人员的电子病历数据，然后根据获取的电子病历数据预测待测人员的球镜度数和等效球镜度数。通过采集待测人员的眼轴长以及平均角膜屈光力等参数，并自动预测出待测人员的球镜度数和等效球镜度数，实现了准确检测近视患者的眼部数据，而不受眼底病变或晶体混浊等情况的影响，同时避免了睫状肌的麻痹过程对未成年人的眼睛产生副作用和后遗症的问题。
在上述技术方案的基础上，可选的，度数预测模块32，包括：
度数输出单元，用于将电子病历数据输入训练后的神经网络模型，并输出预测的球镜度数和等效球镜度数。
在上述技术方案的基础上，可选的，该屈光检测装置，还包括：
模型构建模块，用于在获取待测人员的电子病历数据之前，构建神经网络模型；
样本获取模块，用于获取训练样本集合，其中，训练样本集合包括临床采集的多个电子病历数据样本；
模型训练模块，用于根据训练样本集合对神经网络模型进行训练，以获得训练后的神经网络模型。
在上述技术方案的基础上，可选的，神经网络模型包括三个分支，每个分支包括输入层、隐藏层和输出层，三个分支分别用于输出拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数；神经网络模型还包括一个自适应层，用于根据拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数确定球镜度数和等效球镜度数。
在上述技术方案的基础上，可选的，自适应层具体用于：
根据拟合等效球镜度数和拟合柱镜度数确定伪球镜度数；
根据拟合球镜度数的权重以及伪球镜度数的权重确定球镜度数；以及，
根据拟合球镜度数和拟合柱镜度数确定伪等效球镜度数；
根据拟合等效球镜度数的权重以及伪等效球镜度数的权重确定等效球镜度数。
在上述技术方案的基础上，可选的，电子病历数据还包括：性别、角膜屈光力差值、前房深度，角膜厚度，晶体厚度，玻璃体厚度、角膜陡峭子午线屈光力以及角膜平坦子午线屈光力中的至少一种。
在上述技术方案的基础上，可选的，度数预测模块32，还包括：
眼部疾病预测单元，用于在将电子病历数据输入训练后的神经网络模型，并输出预测的球镜度数和等效球镜度数之后，分别将球镜度数与实测球镜度数进行比较，将等效球镜度数与实测等效球镜度数进行比较，若球镜度数与实测球镜度数的差距大于第一预设阈值，或者等效球镜度数与实测等效球镜度数的差距大于第二预设阈值，则确定待测人员存在眼部疾病。
本发明实施例所提供的屈光检测装置可执行本发明任意实施例所提供的屈光检测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，在上述屈光检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例四
图4为本发明实施例四提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图4显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图4所示，该计算机设备包括处理器41、存储器42、输入装置43及输出装置44；计算机设备中处理器41的数量可以是一个或多个，图4中以一个处理器41为例，计算机设备中的处理器41、存储器42、输入装置43及输出装置44可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器42作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的屈光检测方法对应的程序指令/模块(例如，屈光检测装置中的数据获取模块31及度数预测模块32)。处理器41通过运行存储在存储器42中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的屈光检测方法。
存储器42可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可用于获取待测人员的电子病历数据，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置44可包括显示屏等设备，可用于向用户展示预测的球镜度数和等效球镜度数等。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种屈光检测方法，该方法包括：
获取待测人员的电子病历数据，其中，电子病历数据包括眼轴长和平均角膜屈光力；
根据所述电子病历数据预测球镜度数和等效球镜度数。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的屈光检测方法中的相关操作。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种屈光检测方法，其特征在于，包括：
获取待测人员的电子病历数据，其中，所述电子病历数据包括眼轴长和平均角膜屈光力；
根据所述电子病历数据预测球镜度数和等效球镜度数；
所述根据所述电子病历数据预测球镜度数和等效球镜度数，包括：
将所述电子病历数据输入训练后的神经网络模型，并输出预测的所述球镜度数和所述等效球镜度数；
在所述获取待测人员的电子病历数据之前，还包括：
构建所述神经网络模型；
获取训练样本集合，其中，所述训练样本集合包括临床采集的多个电子病历数据样本；
根据所述训练样本集合对所述神经网络模型进行训练，以获得训练后的所述神经网络模型；所述神经网络模型包括三个分支，每个分支包括输入层、隐藏层和输出层，所述三个分支分别用于输出拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数；所述神经网络模型还包括一个自适应层，用于根据所述拟合球镜度数、所述拟合等效球镜度数以及所述拟合柱镜度数确定所述球镜度数和所述等效球镜度数；
在得到拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数之后，将所述拟合等效球镜度数和所述拟合柱镜度数经过逻辑运算后得到的伪球镜度数作为所述自适应层的一个输入，将所述拟合球镜度数作为所述自适应层的另一个输入，所述伪球镜度数与所述拟合球镜度数分别具有相应的权重，从而所述自适应层将所述伪球镜度数与所述拟合球镜度数线性结合；
所述逻辑运算是将所述拟合等效球镜度数与所述拟合柱镜度数的一半相减以得到所述伪球镜度数。
2.根据权利要求1所述的屈光检测方法，其特征在于，所述根据所述拟合球镜度数、所述拟合等效球镜度数以及所述拟合柱镜度数确定所述球镜度数和所述等效球镜度数，包括：
根据所述拟合等效球镜度数和所述拟合柱镜度数确定伪球镜度数；
根据所述拟合球镜度数的权重以及所述伪球镜度数的权重确定所述球镜度数；以及，
根据所述拟合球镜度数和所述拟合柱镜度数确定伪等效球镜度数；
根据所述拟合等效球镜度数的权重以及所述伪等效球镜度数的权重确定所述等效球镜度数。
3.根据权利要求1所述的屈光检测方法，其特征在于，所述电子病历数据还包括：性别、角膜屈光力差值、前房深度，角膜厚度，晶体厚度，玻璃体厚度、角膜陡峭子午线屈光力以及角膜平坦子午线屈光力中的至少一种。
4.根据权利要求1所述的屈光检测方法，其特征在于，在所述将所述电子病历数据输入训练后的神经网络模型，并输出预测的所述球镜度数和所述等效球镜度数之后，还包括：
分别将所述球镜度数与实测球镜度数进行比较，将所述等效球镜度数与实测等效球镜度数进行比较，若所述球镜度数与所述实测球镜度数的差距大于第一预设阈值，或者所述等效球镜度数与所述实测等效球镜度数的差距大于第二预设阈值，则确定所述待测人员存在眼部疾病。
5.一种屈光检测装置，其特征在于，包括：
数据获取模块，用于获取待测人员的电子病历数据，其中，所述电子病历数据包括眼轴长和平均角膜屈光力；
度数预测模块，用于根据所述电子病历数据预测球镜度数和等效球镜度数；
所述度数预测模块，包括：
度数输出单元，用于将所述电子病历数据输入训练后的神经网络模型，并输出预测的球镜度数和等效球镜度数；
所述屈光检测装置，还包括：
模型构建模块，用于在获取所述待测人员的电子病历数据之前，构建神经网络模型；
样本获取模块，用于获取训练样本集合，其中，所述训练样本集合包括临床采集的多个电子病历数据样本；
模型训练模块，用于根据所述训练样本集合对所述神经网络模型进行训练，以获得训练后的神经网络模型；所述神经网络模型包括三个分支，每个分支包括输入层、隐藏层和输出层，所述三个分支分别用于输出拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数；所述神经网络模型还包括一个自适应层，用于根据所述拟合球镜度数、所述拟合等效球镜度数以及所述拟合柱镜度数确定所述球镜度数和所述等效球镜度数；
在得到拟合球镜度数、拟合等效球镜度数以及拟合柱镜度数之后，将所述拟合等效球镜度数和所述拟合柱镜度数经过逻辑运算后得到的伪球镜度数作为所述自适应层的一个输入，将所述拟合球镜度数作为所述自适应层的另一个输入，所述伪球镜度数与所述拟合球镜度数分别具有相应的权重，从而所述自适应层将所述伪球镜度数与所述拟合球镜度数线性结合；
所述逻辑运算是将所述拟合等效球镜度数与所述拟合柱镜度数的一半相减以得到所述伪球镜度数。
6.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的屈光检测方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的屈光检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010937007.1A CN112102940B (zh) | 2020-09-08 | 2020-09-08 | 一种屈光检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010937007.1A CN112102940B (zh) | 2020-09-08 | 2020-09-08 | 一种屈光检测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112102940A CN112102940A (zh) | 2020-12-18 |
| CN112102940B true CN112102940B (zh) | 2024-04-16 |
Family
ID=73751810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010937007.1A Active CN112102940B (zh) | 2020-09-08 | 2020-09-08 | 一种屈光检测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112102940B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113378414B (zh) * | 2021-08-12 | 2021-11-12 | 爱尔眼科医院集团股份有限公司 | 角膜塑形镜配镜方法、装置、设备及可读存储介质 |
| CN117238514B (zh) * | 2023-05-12 | 2024-05-07 | 中山大学中山眼科中心 | 一种人工晶状体屈光力预测方法、系统、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358036A (zh) * | 2017-06-30 | 2017-11-17 | 北京机器之声科技有限公司 | 一种儿童近视风险预测方法、装置及系统 |
| CN107811606A (zh) * | 2017-11-30 | 2018-03-20 | 辽宁工程技术大学 | 基于无线传感器网络的智能视力检测仪 |
| CN108538389A (zh) * | 2018-03-27 | 2018-09-14 | 北京鲸基数据科技有限公司 | 一种预测smile屈光手术中屈光度调整值的方法及系统 |
| WO2018221689A1 (ja) * | 2017-06-01 | 2018-12-06 | 株式会社ニデック | 医療情報処理システム |
| CN109008941A (zh) * | 2013-10-10 | 2018-12-18 | 诺华股份有限公司 | 用于iol屈光力估计值的校正值 |
| CN109448803A (zh) * | 2018-08-03 | 2019-03-08 | 中山大学附属眼科医院验光配镜中心 | 一种视觉健康管理系统 |
| WO2019075410A1 (en) * | 2017-10-13 | 2019-04-18 | Ai Technologies Inc. | DIAGNOSIS BASED ON DEEP LEARNING AND RECOMMENDATION OF OPHTHALMIC DISEASES AND DISORDERS |
| CN111428072A (zh) * | 2020-03-31 | 2020-07-17 | 南方科技大学 | 眼科多模态影像的检索方法、装置、服务器及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11890184B2 (en) * | 2017-09-29 | 2024-02-06 | John Gregory LADAS | Systems, apparatuses, and methods for intraocular lens selection using artificial intelligence |
-
2020
- 2020-09-08 CN CN202010937007.1A patent/CN112102940B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109008941A (zh) * | 2013-10-10 | 2018-12-18 | 诺华股份有限公司 | 用于iol屈光力估计值的校正值 |
| WO2018221689A1 (ja) * | 2017-06-01 | 2018-12-06 | 株式会社ニデック | 医療情報処理システム |
| CN107358036A (zh) * | 2017-06-30 | 2017-11-17 | 北京机器之声科技有限公司 | 一种儿童近视风险预测方法、装置及系统 |
| WO2019075410A1 (en) * | 2017-10-13 | 2019-04-18 | Ai Technologies Inc. | DIAGNOSIS BASED ON DEEP LEARNING AND RECOMMENDATION OF OPHTHALMIC DISEASES AND DISORDERS |
| CN107811606A (zh) * | 2017-11-30 | 2018-03-20 | 辽宁工程技术大学 | 基于无线传感器网络的智能视力检测仪 |
| CN108538389A (zh) * | 2018-03-27 | 2018-09-14 | 北京鲸基数据科技有限公司 | 一种预测smile屈光手术中屈光度调整值的方法及系统 |
| CN109448803A (zh) * | 2018-08-03 | 2019-03-08 | 中山大学附属眼科医院验光配镜中心 | 一种视觉健康管理系统 |
| CN111428072A (zh) * | 2020-03-31 | 2020-07-17 | 南方科技大学 | 眼科多模态影像的检索方法、装置、服务器及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 唐涛等.机器学习对青少年近视眼轴增长与近视度数增加关联性的预测作用.中华实验眼科杂志.2020,第38卷(第2期),第135页摘要，第136页左栏第2段. * |
| 机器学习对青少年近视眼轴增长与近视度数增加关联性的预测作用;唐涛等;中华实验眼科杂志;第38卷(第2期);第135页摘要，第136页左栏第2段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112102940A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112102940B (zh) | 一种屈光检测方法、装置、计算机设备及存储介质 | |
| CN111524602B (zh) | 一种老年人记忆及认知功能评估筛查预警系统 | |
| JP6672529B2 (ja) | 予測自覚屈折データまたは予測矯正値を確定するための装置およびコンピュータプログラム | |
| RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
| Nagasato et al. | Deep-learning classifier with ultrawide-field fundus ophthalmoscopy for detecting branch retinal vein occlusion | |
| CN112351727B (zh) | 用于测量视觉功能图的系统和方法 | |
| Ajesh et al. | Early diagnosis of glaucoma using multi-feature analysis and DBN based classification | |
| Gramatikov | Detecting central fixation by means of artificial neural networks in a pediatric vision screener using retinal birefringence scanning | |
| Spenceley et al. | Visual field analysis using artificial neural networks | |
| CN114882014A (zh) | 基于双模型的眼底图像质量评价方法、装置及相关介质 | |
| Martins et al. | Use of artificial intelligence in ophthalmology: a narrative review | |
| CN113989217A (zh) | 一种基于深度学习的人眼屈光度检测方法 | |
| CN112185564B (zh) | 一种基于结构化电子病历的眼科疾病预测方法和存储设备 | |
| CN208422436U (zh) | 基于中医理论的健康状态监控装置及系统 | |
| Gill et al. | Cataract Detection using optimized VGG19 Model by Transfer Learning perspective and its Social Benefits | |
| CN117338234A (zh) | 一种屈光度与视力联合检测方法 | |
| Grillini et al. | Computational methods for continuous eye-tracking perimetry based on spatio-temporal integration and a deep recurrent neural network | |
| CN112329921B (zh) | 基于深度表征学习和强化学习的利尿剂剂量推理设备 | |
| CN109480865A (zh) | 利用眼动指标诊断精神分裂症的系统 | |
| Kumar et al. | Analysis of CNN model based classification of diabetic retinopathy diagnosis | |
| KR20220095291A (ko) | 빅데이터와 인공지능 기술기반의 시기능 변화 예측 시스템 및 방법 | |
| CN112598028A (zh) | 眼底图像配准模型训练方法、眼底图像配准方法和装置 | |
| Aswini et al. | For Effective, Earlier and Simplified Diagnosis of Retinopathy of Prematurity (RoP), a Probe through Digital Image Processing Algorithm in B-Scan | |
| Carnimeo et al. | Monitoring of retinal vessels for diabetic patients in home care assistance | |
| US20240081640A1 (en) | Prediction of iol power |
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 |