CN113017831A - 人工晶体植入术后拱高预测方法及设备 - Google Patents
人工晶体植入术后拱高预测方法及设备 Download PDFInfo
- Publication number
- CN113017831A CN113017831A CN202110214784.8A CN202110214784A CN113017831A CN 113017831 A CN113017831 A CN 113017831A CN 202110214784 A CN202110214784 A CN 202110214784A CN 113017831 A CN113017831 A CN 113017831A
- Authority
- CN
- China
- Prior art keywords
- information
- arch height
- data
- crystal
- model
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/108—Computer aided selection or customisation of medical implants or cutting guides
Abstract
本发明提供一种人工晶体植入术后拱高预测方法及设备,所述方法包括:获取待识别数据,其中包括患者信息和待植入人工晶体的晶体参数;利用机器学习模型对所述待识别数据进行识别,输出植入晶体后的拱高信息。本发明提供的方案基于机器学习模型对患者的具体信息和待植入晶体的参数进行识别,模型经过大量的患者数据进行训练,能够更好地拟合患者的实际特征,使得预测的术后拱高更加准确且有针对性。
Description
技术领域
本发明涉及眼科数据处理领域,具体涉及一种人工晶体植入术后拱高预测方法及设备。
背景技术
有晶体眼后房型人工晶体植入术,也称ICL(Implantable Collamer Lens,可植入式隐形眼镜)植入术,是一种安全、先进的近视矫正方案。与激光和其他切削眼角膜组织的手术不同,ICL植入术不切削角膜,是通过微创手术将晶体植入眼内,对角膜无损伤。矫正之后视力更清晰,是近视矫治技术的新趋势。
ICL植入成功与否很大程度取决于术后拱高的变化,拱高即ICL光学区后表面中央至自然晶状体前表面的高度。术后拱高过高或者过低均有引起并发症的可能,例如高眼压、瞳孔阻滞型青光眼、晶状体前囊下混浊等。因此,在术前正确预测术后拱高具有重要的价值和意义。
在ICL植入场景中,不同的人群、不同的矫正需求对于移植手术的术后预测提出了更高的要求。但目前仍以传统的数学公式模型和医生经验来预测患者术后的预后状态,这种方式对于移植手术后患者的预后状况仅仅是理论和经验的估计,预测结果误差非常大。
发明内容
有鉴于此,本发明实施例提供一种人工晶体植入术后拱高预测方法,包括:
获取待识别数据,其中包括患者信息和待植入人工晶体的晶体参数;
利用机器学习模型对所述待识别数据进行识别,输出植入晶体后的拱高信息。
可选地,所述机器学习模型包括多个子模型,分别用于对所述待识别数据进行识别,输出植入晶体后的拱高信息;所述机器学习模型根据所述待识别数据和各个所述子模型输出的拱高信息及相应的权重信息得到最终的拱高信息。
可选地,所述待识别数据还包括术后检测时间信息。
本发明还提供一种人工晶体植入术后拱高预测模型训练方法,包括:
获取训练数据及其标签,所述训练数据包括患者信息和待植入人工晶体的晶体参数,所述标签为植入晶体后的实际拱高信息;
利用所述训练数据对机器学习模型进行训练,使其根据所述患者信息和晶体参数输出植入晶体后的拱高信息,并根据输出的拱高信息和实际拱高信息的差异优化所述机器学习模型的参数。
可选地,所述机器学习模型包括多个子模型,分别用于对所述患者信息和晶体参数进行识别,输出植入晶体后的拱高信息;所述机器学习模型根据所述训练数据和各个所述子模型输出的拱高信息及相应的权重信息得到最终的拱高信息,其中所述权重作为训练过程中被优化的参数。
可选地,在获取训练数据之前还包括:对多个实际拱高信息异常的训练数据及其标签进行采样,通过插值生成训练数据及其标签。
可选地,所述训练数据还包括术后检测时间信息。
可选地,所述患者信息包括基本特征信息和术前眼部信息,其中所述基本特征信息包括性别和年龄中的至少一种信息,所述术前眼部信息包括角膜曲率、轴向、眼轴、前房角、前房深度、角膜直径中的至少一种信息;所述晶体参数包括晶体型号、尺寸、等效球镜中的至少一种信息。
相应地,本发明提供一种人工晶体植入术后拱高预测设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述人工晶体植入术后拱高预测方法。
相应地,本发明提供一种人工晶体植入术后拱高预测模型训练设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述人工晶体植入术后拱高预测模型训练方法。
根据本发明提供的人工晶体植入术后拱高预测方法及设备,基于机器学习模型对患者的具体信息和待植入晶体的参数进行识别,模型经过大量的患者数据进行训练,能够更好地拟合患者的实际特征,使得预测的术后拱高更加准确且有针对性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中利用一个回归模型预测术后拱高的示意图;
图2为本发明实施例中利用集成模型预测术后拱高的示意图。
具体实施方式
下面将结合附图对本发明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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种人工晶体植入术后拱高预测模型训练方法,可由计算机或服务器等电子设备执行。
首先获取训练数据及标签,数据的采集与清洗是训练模型的第一步也是关键的环节。丰富且高质量的数据对于构建性能可靠的模型至关重要。在本实施例中,搜集整理了患者的原始诊疗记录数据,根据其记录的完整性和手术方式进行筛选,选取其中ICL植入术的手术相关记录。对这些数据进行转录,从原本的纸质病历记录转换成可供计算机读取的文本信息。之后对文本记录进行结构化的信息提取,抽取出与ICL植入相关的患者特征、术前指标、指征和术后拱高结果等并进行结构化的存储。对于已经结构化存储的数据,通过人工核验和二次筛选,确认数据录入无误并确认病历符合应用场景的需要。最终得到可用于模型构建的数据条目。
所使用的训练数据中可总结为包括两种种特征信息,即患者信息和待植入人工晶体的晶体参数。本实施例的标签是患者植入晶体后的实际拱高信息。患者信息具体又可以分为基本特征信息和术前眼部信息两种信息。基本特征信息可以是性别和年龄中的至少一种信息,术前眼部信息可以是角膜曲率、轴向、眼轴、前房角、前房深度、角膜直径(白到白)中的至少一种信息。晶体参数可以是晶体型号、尺寸、等效球镜(也可以是其它类似的参数,比如散光度等等)中的至少一种信息。
本领域技术人员可以理解,越多的相关特征信息对于模型的精度会更有帮助,本实施例中使用了上述所有的信息作为训练数据,但在其他实施例中也可以使用更多的相关信息进一步提高模型对于拱高的预测性能。
本方案基于回归模型对训练数据进行拟合来预测术后的拱高信息,可选的模型包括但不限于Random Forest、XGBoost、AdaBoost、Gradient Boosting、SVR等等,这些模型可以作为独立的回归模型直接输出所需预测的术后拱高。
本实施例使用大量的上述训练数据对机器学习模型进行训练,使模型根据患者信息和晶体参数输出植入晶体后的拱高信息,并根据输出的拱高信息和实际拱高信息的差异优化机器学习模型的参数。
另外,上述训练方案具有较强的泛化能力。具体来说,比如可以将训练数据的标签-实际拱高替换为术后视力信息,相应地,在训练时将模型配置为输出术后视力信息,本训练方案即可训练出能够预测术后视力的机器学习模型。
根据本发明实施例提供的术后拱高预测模型训练方法,使用大量患者数据构建基于机器学习的有晶体眼后房型人工晶体植入术术后拱高的预测模型,它能够更好地拟合不同的患者特征,使得结果更加准确有针对性。
下面介绍一种优选的人工晶体植入术后拱高预测模型训练方法,在上述实施例的基础上,本实施例在训练数据中加入了术后检测时间信息,同时使用多个机器学习模型协同预测术后拱高,还通过数据增强手段增加训练数据的数量。
关于术后检测时间信息,患者可能在接受ICL植入术后的不同时间接受对拱高的检测,不同的时间检测到的拱高可能是不同的。为了使模型能够更精确地预测拱高,本实施例将术后检测时间信息纳入训练数据,使模型根据患者信息、待植入人工晶体的晶体参数和术后检测时间信息输出术后拱高信息,并基于和实际拱高信息的差异优化机器学习模型的参数。在使用这种模型预测拱高时,需要用户提供预期的术后检测时间,比如术后1个月或者3个月等等。
关于数据增强,在医学诊断中,表现为异常的阳性样本数量远远小于阴性样本的数量。具体就本方案而言,例如正常的术后拱高范围为250-750微米之间,意味着这一类训练数据的数量是较多的,而在这之外的异常样本相对于正常的情况少很多。这将造成训练出的模型被数据量大的样本所主导,从而降低模型性能,不能准确对占比少的样本进行准确的预测。所以需要对少量的阳性样本,也即对术后拱高异常的(250-750微米以外的)训练数据进行扩增,使得训练数据相对平衡,更好地适应模型训练的需要。
本实施例使用对少数类样本进行合成过采样的方法(Synthetic MinorityOversampling Technique,SMOTE),来对少数类样本进行扩增。对多个实际拱高信息异常的训练数据进行采样,获取N个少数类别的样本,然后通过这些样本点中任意点的线性插值,生成新的训练数据。此方法的好处是相对于直接进行重复过采样,能够降低模型过拟合的风险。
训练数据及标签记为向量[X,y],其中X=[x0,x1,…,xn],表示性别、年龄、角膜曲率等特征信息,y为标签,即实际拱高。在进行插值时将向量[X,y]作为整体进行插值处理即可根据多条实际的训练数据生成新的训练数据。通过对少数类别的条目抽取进行线性插值,得到新的少数类别的特征条目,达到扩充少数类别的目的。
本实施例使用Random Forest、XGBoost、AdaBoost、Gradient Boosting、SVR等等不同的多个机器学习模型作为子模型,构建一个集成的模型。具体来说,首先可以根据上述方法分别训练各个子模型,使其具备比较准确的预测术后拱高的性能。由于每种子模型在不同的场景及不同的数据分布下的性能各有优劣,本实施例通过一个包含隐层的浅层神经网络对不同的子模型进行集成,来优化集成后的性能。对于此集成模型来说,输入变量为训练数据中的各种特征信息X和不同子模型的输出结果,输出结果为最终要预测的术后拱高,可表示为:
y=F(X,y0,y1,…,yn|θ),
其中F表示集成模型,X为训练数据中的各种特征信息,y0,y1,…,yn是子模型在输入各种特征信息X下对术后拱高的预测结果,θ为模型F的参数变量,其中包括对应于各个子模型的权重,是训练过程中被优化的对象。此方法能够对不同的子模型进行融合,使模型学习到原始数据的分布并动态调整在不同分布下子模型对最终结果贡献的权重,从而提高最终得到的预测结果的准确性。
模型训练完成后即可用于根据已知信息预测术后拱高。下面介绍人工晶体植入术后拱高预测方法。本方法可以由计算机或服务器等电子设备执行,如图1所示,在第一个实施例中,所使用的机器学习模型是一个回归模型。获取待识别数据作为模型的输入变量,其中包括患者信息和待植入人工晶体的晶体参数。机器学习模型对待识别数据进行识别,输出植入晶体后的拱高信息。
如图2所示,在第二个实施例中,所使用的机器学习模型是包括多个子模型的集成模型。获取待识别数据作为集成模型的输入变量,其中包括患者信息和待植入人工晶体的晶体参数。各个子模型分别对待识别数据进行识别,输出植入晶体后的拱高信息,集成模块根据待识别数据各个子模型输出的结果及相应的权重输出最终的术后拱高。
预测拱高时所输入的待识别数据应当与训练时所使用的训练数据一致,作为优选的实施例,本实施例的待识别数据包括性别、年龄、角膜曲率、轴向、眼轴、前房角、前房深度、角膜直径、晶体型号、尺寸、等效球镜、预计的术后检测时间;在其它实施例中,也可以使用更多或更少的待识别数据来预测术后拱高,只是相应的准确性会有所浮动。
根据本发明实施例提供的人工晶体植入术后拱高预测方法,基于机器学习模型对患者的具体信息和待植入晶体的参数进行识别,模型经过大量的患者数据进行训练,能够更好地拟合患者的实际特征,使得预测的术后拱高更加准确且有针对性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种人工晶体植入术后拱高预测方法,其特征在于,包括:
获取待识别数据,其中包括患者信息和待植入人工晶体的晶体参数;
利用机器学习模型对所述待识别数据进行识别,输出植入晶体后的拱高信息。
2.根据权利要求1所述的方法,其特征在于,所述机器学习模型包括多个子模型,分别用于对所述待识别数据进行识别,输出植入晶体后的拱高信息;所述机器学习模型根据所述待识别数据和各个所述子模型输出的拱高信息及相应的权重信息得到最终的拱高信息。
3.根据权利要求1或2所述的方法,其特征在于,所述待识别数据还包括术后检测时间信息。
4.一种人工晶体植入术后拱高预测模型训练方法,其特征在于,包括:
获取训练数据及其标签,所述训练数据包括患者信息和待植入人工晶体的晶体参数,所述标签为植入晶体后的实际拱高信息;
利用所述训练数据对机器学习模型进行训练,使其根据所述患者信息和晶体参数输出植入晶体后的拱高信息,并根据输出的拱高信息和实际拱高信息的差异优化所述机器学习模型的参数。
5.根据权利要求4所述的方法,其特征在于,所述机器学习模型包括多个子模型,分别用于对所述患者信息和晶体参数进行识别,输出植入晶体后的拱高信息;所述机器学习模型根据所述训练数据和各个所述子模型输出的拱高信息及相应的权重信息得到最终的拱高信息,其中所述权重作为训练过程中被优化的参数。
6.根据权利要求4所述的方法,其特征在于,在获取训练数据之前还包括:
对多个实际拱高信息异常的训练数据及其标签进行采样,通过插值生成训练数据及其标签。
7.根据权利要求4-6中任一项所述的方法,其特征在于,所述训练数据还包括术后检测时间信息。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述患者信息包括基本特征信息和术前眼部信息,其中所述基本特征信息包括性别和年龄中的至少一种信息,所述术前眼部信息包括角膜曲率、轴向、眼轴、前房角、前房深度、角膜直径中的至少一种信息;所述晶体参数包括晶体型号、尺寸、等效球镜中的至少一种信息。
9.一种人工晶体植入术后拱高预测设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-3、8中任意一项所述的人工晶体植入术后拱高预测方法。
10.一种人工晶体植入术后拱高预测模型训练设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求4-8中任意一项所述的人工晶体植入术后拱高预测模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110214784.8A CN113017831A (zh) | 2021-02-26 | 2021-02-26 | 人工晶体植入术后拱高预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110214784.8A CN113017831A (zh) | 2021-02-26 | 2021-02-26 | 人工晶体植入术后拱高预测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113017831A true CN113017831A (zh) | 2021-06-25 |
Family
ID=76462239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110214784.8A Pending CN113017831A (zh) | 2021-02-26 | 2021-02-26 | 人工晶体植入术后拱高预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113017831A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463319A (zh) * | 2022-02-15 | 2022-05-10 | 北京百度网讯科技有限公司 | 一种数据预测方法、装置、电子设备及存储介质 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364687A (zh) * | 2018-01-10 | 2018-08-03 | 北京郁金香伙伴科技有限公司 | 眼球状态预测方法及预测模型构建方法和设备 |
CN108784655A (zh) * | 2017-04-28 | 2018-11-13 | 西门子保健有限责任公司 | 针对医疗患者的快速评估和后果分析 |
CN108985330A (zh) * | 2018-06-13 | 2018-12-11 | 华中科技大学 | 一种自编码网络及其训练方法、异常用电检测方法和系统 |
CN109754885A (zh) * | 2019-03-18 | 2019-05-14 | 杭州镜之镜科技有限公司 | 近视预测系统及方法 |
CA3081929A1 (en) * | 2018-01-05 | 2019-07-11 | Alcon Inc. | Systems and methods for intraocular lens selection |
CN110136828A (zh) * | 2019-05-16 | 2019-08-16 | 杭州健培科技有限公司 | 一种基于深度学习实现医学影像多任务辅助诊断的方法 |
CN110415245A (zh) * | 2019-08-05 | 2019-11-05 | 上海鹰瞳医疗科技有限公司 | 眼部数据确定方法、模型训练方法及设备 |
CN111027487A (zh) * | 2019-12-11 | 2020-04-17 | 山东大学 | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 |
CN111047590A (zh) * | 2019-12-31 | 2020-04-21 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像的高血压分类方法及设备 |
CN111199794A (zh) * | 2018-11-19 | 2020-05-26 | 复旦大学附属眼耳鼻喉科医院 | 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 |
CN111261282A (zh) * | 2020-01-21 | 2020-06-09 | 南京航空航天大学 | 一种基于机器学习的脓毒症早期预测方法 |
CN111508604A (zh) * | 2020-04-20 | 2020-08-07 | 深圳大学 | 一种急性肾损伤患者死亡率预测方法、服务器及存储介质 |
CN111522736A (zh) * | 2020-03-26 | 2020-08-11 | 中南大学 | 一种软件缺陷预测方法、装置、电子设备及计算机存储介质 |
CN111553402A (zh) * | 2020-04-22 | 2020-08-18 | 首都医科大学附属北京同仁医院 | 基于大数据和深度学习的智能化角膜塑形镜选片系统及方法 |
CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
CN112071434A (zh) * | 2020-08-03 | 2020-12-11 | 北京邮电大学 | 一种异常体温序列检测新方法 |
CN112098714A (zh) * | 2020-08-12 | 2020-12-18 | 国网江苏省电力有限公司南京供电分公司 | 一种基于ResNet-LSTM的窃电检测方法及系统 |
CN112102940A (zh) * | 2020-09-08 | 2020-12-18 | 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 |
CN112118143A (zh) * | 2020-11-18 | 2020-12-22 | 迈普通信技术股份有限公司 | 流量预测模型、训练方法、预测方法、装置、设备及介质 |
CN112384125A (zh) * | 2018-07-12 | 2021-02-19 | 爱尔康公司 | 用于眼内透镜选择的系统和方法 |
-
2021
- 2021-02-26 CN CN202110214784.8A patent/CN113017831A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108784655A (zh) * | 2017-04-28 | 2018-11-13 | 西门子保健有限责任公司 | 针对医疗患者的快速评估和后果分析 |
CA3081929A1 (en) * | 2018-01-05 | 2019-07-11 | Alcon Inc. | Systems and methods for intraocular lens selection |
CN108364687A (zh) * | 2018-01-10 | 2018-08-03 | 北京郁金香伙伴科技有限公司 | 眼球状态预测方法及预测模型构建方法和设备 |
CN108985330A (zh) * | 2018-06-13 | 2018-12-11 | 华中科技大学 | 一种自编码网络及其训练方法、异常用电检测方法和系统 |
CN112384125A (zh) * | 2018-07-12 | 2021-02-19 | 爱尔康公司 | 用于眼内透镜选择的系统和方法 |
CN111199794A (zh) * | 2018-11-19 | 2020-05-26 | 复旦大学附属眼耳鼻喉科医院 | 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 |
CN109754885A (zh) * | 2019-03-18 | 2019-05-14 | 杭州镜之镜科技有限公司 | 近视预测系统及方法 |
CN110136828A (zh) * | 2019-05-16 | 2019-08-16 | 杭州健培科技有限公司 | 一种基于深度学习实现医学影像多任务辅助诊断的方法 |
CN110415245A (zh) * | 2019-08-05 | 2019-11-05 | 上海鹰瞳医疗科技有限公司 | 眼部数据确定方法、模型训练方法及设备 |
CN111027487A (zh) * | 2019-12-11 | 2020-04-17 | 山东大学 | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 |
CN111047590A (zh) * | 2019-12-31 | 2020-04-21 | 上海鹰瞳医疗科技有限公司 | 基于眼底图像的高血压分类方法及设备 |
CN111261282A (zh) * | 2020-01-21 | 2020-06-09 | 南京航空航天大学 | 一种基于机器学习的脓毒症早期预测方法 |
CN111522736A (zh) * | 2020-03-26 | 2020-08-11 | 中南大学 | 一种软件缺陷预测方法、装置、电子设备及计算机存储介质 |
CN111508604A (zh) * | 2020-04-20 | 2020-08-07 | 深圳大学 | 一种急性肾损伤患者死亡率预测方法、服务器及存储介质 |
CN111553402A (zh) * | 2020-04-22 | 2020-08-18 | 首都医科大学附属北京同仁医院 | 基于大数据和深度学习的智能化角膜塑形镜选片系统及方法 |
CN112071434A (zh) * | 2020-08-03 | 2020-12-11 | 北京邮电大学 | 一种异常体温序列检测新方法 |
CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
CN112098714A (zh) * | 2020-08-12 | 2020-12-18 | 国网江苏省电力有限公司南京供电分公司 | 一种基于ResNet-LSTM的窃电检测方法及系统 |
CN112102940A (zh) * | 2020-09-08 | 2020-12-18 | 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 |
CN112118143A (zh) * | 2020-11-18 | 2020-12-22 | 迈普通信技术股份有限公司 | 流量预测模型、训练方法、预测方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
朱秋健等: "利用晶状体厚度和睫状沟直径对有晶体眼后房型人工晶体植入术术后拱高的预测研究", 《中国研究型医院学会眼科学与视觉科学专业委员会2020学术年会论文摘要集》 * |
梅子行: "《智能风控 原理、算法与工程实践》", 31 January 2020 * |
熊瑛等: "中央孔型眼内镜植入术后拱高的影响因素", 《眼科》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463319A (zh) * | 2022-02-15 | 2022-05-10 | 北京百度网讯科技有限公司 | 一种数据预测方法、装置、电子设备及存储介质 |
WO2023155509A1 (zh) * | 2022-02-15 | 2023-08-24 | 北京百度网讯科技有限公司 | 一种数据预测方法、装置、电子设备及存储介质 |
CN114463319B (zh) * | 2022-02-15 | 2024-01-02 | 北京百度网讯科技有限公司 | 一种数据预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4459501B2 (ja) | 眼の収差を低減する眼レンズ | |
US7841720B2 (en) | Methods of obtaining ophthalmic lenses providing the eye with reduced aberrations | |
US10159406B2 (en) | Ophthalmic surgical apparatus for inserting intraocular lenses in eyes | |
JP2018083126A (ja) | 移植される眼内レンズの計算を自動的に最適化するための方法 | |
US8998415B2 (en) | Methods of obtaining ophthalmic lenses providing the eye with reduced aberrations | |
JP2004524072A (ja) | 目の収差を小さくする眼用レンズを得る方法 | |
CN101484092A (zh) | 设计人工晶状体植入物以便校正手术引起的散光的方法 | |
US20180296320A1 (en) | Forecasting cataract surgery effectiveness | |
US20230037772A1 (en) | Method for determining lens and apparatus using the method | |
CN115103653A (zh) | 用于确定人工晶状体尺寸的机器学习支持的流水线 | |
CN113017831A (zh) | 人工晶体植入术后拱高预测方法及设备 | |
JP2023512978A (ja) | 視力矯正手段のための屈折力の、oct画像からの機械学習ベースの特定 | |
KR102542015B1 (ko) | 렌즈 결정 방법 및 이를 이용하는 장치 | |
CN115223071A (zh) | 用于动态异常识别和校正的基于ai的白内障手术视频分析 | |
EP3522771B1 (en) | Realistic eye models to design and evaluate intraocular lenses for a large field of view | |
US20200397283A1 (en) | A method to quantify the corneal parameters to improve biomechanical modeling | |
CN112700863A (zh) | 一种基于Scheimpflug眼前节形态的屈光度精准评估的方法和应用 | |
US10194797B2 (en) | Method for selecting an intraocular lens to be implanted into an eye | |
KR102323355B1 (ko) | 볼팅값 예측 방법 및 이를 이용하는 장치 | |
US20240090995A1 (en) | Methods and systems for determining intraocular lens parameters for ophthalmic surgery using an emulated finite elements analysis model | |
TWI761931B (zh) | 決定透鏡的方法、使用所述方法之裝置以及電腦可讀取紀錄介質 | |
US20230148857A1 (en) | Methods of Automated Determination of Parameters for Vision Correction | |
US20240081640A1 (en) | Prediction of iol power | |
Badillo et al. | Convolutional neural networks for astigmatism detection |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |
|
RJ01 | Rejection of invention patent application after publication |