CN115103653A - 用于确定人工晶状体尺寸的机器学习支持的流水线 - Google Patents

Abstract

本发明涉及一种用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的计算机实施的方法。该方法包括提供眼睛的扫描结果。该扫描结果是该眼睛的解剖结构的图像。该方法进一步包括根据眼睛的扫描结果确定该眼睛的生物特征数据，以及使用第一经训练的机器学习系统来确定要插入的人工晶状体的最终位置，眼科数据被用作该第一机器学习系统的输入数据。该方法进一步包括确定该要插入的人工晶状体的第一屈光力，该确定基于物理模型，在该物理模型中，该人工晶状体的确定的最终位置和确定的生物特征数据被用作该物理模型的输入变量。

Description

用于确定人工晶状体尺寸的机器学习支持的流水线

技术领域

本发明涉及确定人工晶状体的屈光力，并且特别地，涉及一种用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的计算机实施的方法、一种对应的系统以及一种用于执行该方法的对应计算机程序产品。

背景技术

近年来，在眼科领域，例如在（与年龄相关的）屈光不正的情况下或在白内障的情况下，用人工晶状体（IOL）代替眼睛的生物晶状体已变得越来越普遍。在该过程中，通过微创介入将生物晶状体从囊袋中分离并取出。随后，用人造晶状体植入物代替在白内障的情况下已变得混浊的晶状体。在该过程中，将这种人造晶状体植入物或人工晶状体插入到当时的空囊袋中。对人工晶状体的正确位置和必要的屈光力的了解是相互依赖的。

当前利用的IOL计算公式有几个问题。首先，人工晶状体的位置在许多公式中被计算为有效晶状体位置（ELP）。由于该变量不是真正的解剖变量，因此其不能在物理模型中被直接考虑用于计算患者的复杂眼科光学。ELP是针对各自的公式计算和优化的，因此不同公式的ELP之间没有直接的可比性，并且该模型没有使用解剖学上正确的光学系统。

第二方面在于，当前IOL公式在预测中使用模型，这些模型试图通过一些参数来对数据的可用性进行微调。由于这些是由开发人员手动预定义的，因此这不一定是每种情况下的最佳表示。如Hill RBF公式等新公式通过使用机器学习方法规避了这一限制，这些机器学习方法能够在数据可用性的基础上独立进行优化。然而，在这种情况下，预测仅基于大量数据，也就是说该系统不使用任何物理概念，因此在其有效性方面受到限制。

一般来说，当前的方法没有表现出所有可用信息和现有模型的最佳组合。

从用于近似确定要插入的IOL的正确屈光力的已知方法的缺点出发，本文提出的概念的基本目的是指定一种用于可良好地延展的人工晶状体的改进的、综合的和快速的IOL屈光力预测的方法和系统。

发明内容

本发明的目的通过根据独立权利要求这里提出的方法、对应的系统和相关联的计算机程序产品来实现。进一步的实施例由相应的从属权利要求来描述。

根据本发明的一方面，提出了一种用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的计算机实施的方法。该方法可以包括提供眼睛的扫描结果。该扫描结果可以表示该眼睛的解剖结构的图像。

该方法还可以包括根据眼睛的扫描结果确定该眼睛的生物特征数据，以及使用第一经训练的机器学习系统来确定要插入的人工晶状体的最终位置。在这种情况下，眼科数据可以用作该第一机器学习系统的输入数据。最后，该方法可以包括确定该要插入的人工晶状体的第一屈光力，该确定基于物理模型，在该物理模型中，该人工晶状体的确定的最终位置和确定的生物特征数据被用作该物理模型的输入变量。

根据本发明的另一方面，提出了一种用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的处理流水线系统。

该处理流水线系统可以包括被配置为提供眼睛的扫描结果的接收模块。在这种情况下，该扫描结果可以表示该眼睛的解剖结构的图像。

此外，该处理流水线系统可以包括被配置为根据眼睛的扫描结果确定该眼睛的生物特征数据的确定单元，以及用于确定要插入的人工晶状体的最终位置的第一经训练的机器学习系统。该眼科数据可以用作该第一机器学习系统的输入数据。

最后，该处理流水线系统可以包括被配置为确定该要插入的人工晶状体的第一屈光力的确定单元，该确定基于物理模型，在该物理模型中，该人工晶状体的确定的最终位置和确定的生物特征数据被用作该物理模型的输入变量。

此外，实施例可以涉及能够从计算机可用介质或计算机可读介质访问的包含程序代码的计算机程序产品，这些程序代码由计算机或其他指令处理系统使用或与其结合使用。在本说明书的上下文中，计算机可用介质或计算机可读介质可以是适合于存储、通信、传输或传送程序代码的任何设备。

该用于确定要插入的人工晶状体的屈光力的计算机实施的方法具有多个优点和技术效果，这些优点和技术效果也可以相应地适用于相关联的系统：这里提出的方法良好地解决了上述缺点的已知负面属性。特别地，该方法所基于的“ZAI”算法有助于优化计算在白内障手术期间插入的人工晶状体的所需屈光力。所提出的算法允许将通过机器学习优化的IOL位置的解剖学上正确的预测与复杂的物理模型统一起来，并允许通过机器学习对IOL计算进行细化。因此，可以在一个过程中——或者换句话说：在流水线内——确定IOL位置和IOL屈光力确定两者，而无需介质中断。

在这种情况下，可以在流水线内将物理计算模型和基于临床眼科数据的机器学习概念两者联系起来，以综合确定人工晶状体的位置并确定人工晶状体的屈光力。

仅基于可用的临床眼科数据来确定要插入的人工晶状体的屈光力的机器学习系统首先需要相对较长的训练时间，其次将无法考虑物理模型的已知属性。

在这种情况下，当已经经训练的机器学习模型通过更好的或进一步的训练数据来重新训练时所产生的速度优势在每种情况下都得到了利用。这可以显著缩短整体训练时间，从而显著节省计算能力，并因此更好地利用可用的计算机容量。

此外，使用IOL的真正物理位置允许使用具有任何所需准确度的模型，并最终还允许使用精确的物理模型。因此，所提出的方法不限于某些大小的模型，并且最终确定的值最终具有普遍性。这与先前使用的有效晶状体位置（ELP）公式形成对比，因为该变量不是真正的解剖变量。因此，它也不能直接在用于计算患者的复杂眼科光学的物理模型中考虑。

人工晶状体在许多公式中被计算为有效晶状体位置（ELP）。由于该变量不是真正的解剖变量，因此其不能在物理模型中被直接考虑用于计算患者的复杂眼科光学。ELP是针对各自的公式计算和优化的，因此不同公式的ELP之间没有直接的可比性，并且该模型没有使用解剖学上正确的光学系统。

下面呈现了进一步的示例性实施例，这些示例性实施例在结合该方法和对应的系统时都是有效的。

根据有利的示例性实施例，该方法可以另外包括通过第二机器学习系统确定该人工晶状体的最终屈光力，来自该生物特征数据的至少一个变量和该第一屈光力能够用作输入变量。举例来说，该至少一个变量可以是该眼睛的眼轴长度。因此，可以实际执行迁移学习步骤，该步骤使用物理模型中存在的知识作为基础，以便于更准确地确定屈光力。为此，第二机器学习系统应该使用临床眼科数据进行训练，也就是说来自早期真实患者的数据。这种临床眼科数据通常带有注释。以这种方式，流水线中不会丢失任何信息：物理模型的理论数据和来自临床常规的实际经验数据两者都可以考虑在内。

以这种方式，还可以将某些诊所的特性属性或其操作方法包括在流水线中。通常，物理模型的使用不允许这样做，或者仅允许这样做，其缺点是偏离了已知标准。

根据该方法的另一示例性实施例，眼睛的生物特征数据可以包括选自由以下各项组成的组中的至少一项：术前眼轴长度、术前晶状体厚度、术前前房深度、和术中前房深度。这些可以源自“根据眼睛的扫描结果确定该眼睛的生物特征数据”方法步骤。这可以在常规意义上执行；然而，机器学习系统也可以用于此目的，所述机器学习系统以直接扫描方法确定眼睛的生物特征数据，其中不需要手动步骤。扫描结果的记录图像数据可以直接用于确定生物参数。

根据该方法的有利示例性实施例，卷积神经网络、图注意力网络或上述两种网络的组合可以用于第一机器学习系统中。举例来说，卷积神经网络可以用于识别记录的扫描结果中的特性特征，并用于压缩生成的图像数据。作为图注意力网络的结果，可以在图中布置已知的、带注释的图像或其压缩表示。通过新记录的患者眼睛的当前图像，然后可以通过对图中已经存在的图像的距离测量来确定所需的生物特征数据，例如人工晶状体的术后最终位置。该数据然后可以直接在ZAI流水线中使用。

根据该方法的开发的示例性实施例，第二机器学习系统可以分两个阶段进行训练，其中，第一训练步骤可能包括——特别是通过计算机——基于用于人工晶状体屈光力的第一物理模型为机器学习系统产生第一训练数据。随后，于是可以通过所产生的第一训练数据来训练该第二机器学习系统，以形成用于确定屈光力的对应学习模型。在这种情况下，机器学习系统的超参数由机器学习系统的设计和选择来定义，而机器学习系统的内部参数则通过训练来逐步调整。

在第二训练步骤中，于是可以使用临床眼科训练数据来训练用该第一训练数据训练的该机器学习系统，以形成用于确定屈光力的第二学习模型。在这种情况下，使用迁移学习原理；也就是说，现在通过使用真实的临床眼科训练数据进一步明确了已经从物理模型中学到的知识。以这种方式，可以显著加快训练过程，并且需要更少的临床眼科训练数据，因为基本结构已经通过使用来自物理模型的数据进行训练来预设。

根据该方法的扩展示例性实施例，来自生物特征数据的一个变量可以是术前眼轴长度。可以使用已知的测量方法（例如，通过OCT测量，例如A扫描、B扫描，或者正面OCT测量）良好地确定该变量。

根据该方法的又一扩展示例性实施例，眼睛的生物特征数据可以从图像中手动确定，或者通过机器学习系统从眼睛的提供的扫描结果确定。在这一点上，所提出的方法对使用哪个部分方法来确定眼睛的生物特征数据没有定论。然而，基于机器学习的生物特征数据确定本身就符合流水线概念的含义。

根据该方法的又一扩展示例性实施例，当确定要插入的人工晶状体的最终位置时，可以确定眼睛的进一步参数。这些进一步参数可能与以下内容有关：IOL位置——特别是IOL在生长过程之后的预期最终位置——可以被指定为典型的进一步参数。此外，还可以使用IOL偏移的值，该值表示垂直于光轴的偏移。分别选择的模型中的光束路径将根据偏移值而改变。

另外或以互补的方式，还可以使用IOL倾斜值（即，IOL相对于光轴的倾斜角度）；在这种情况下，光束路径也应根据变化进行调整。还可以设想到IOL类型——特别是所使用的触觉、形状等。它可以通过触觉/形状确定晶状体的位置，从而影响手术的最终质量（插入正确的IOL）。

另外，囊袋等对IOL的力也应被指定为附加参数。这允许考虑位置的长期预期可能变化。

附图说明

应指出的是，本发明的示例性实施例可以参考不同的实施类别来描述。特别地，参考方法描述一些示例性实施例，而可以在对应设备的上下文中描述其他示例性实施例。无论如何，本领域技术人员可以从以上和以下描述中识别和组合该方法的特征的可能组合以及还有特征与对应的系统的可能组合（如果没有特别说明的话），即使这些特征属于不同的权利要求类别。

从所描述的示例性实施例和参考附图描述的附加的进一步具体实施例中，本发明的上述方面和附加方面变得显而易见。

本发明的优选示例性实施例通过示例并参考以下附图进行描述：

图1展示了用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的计算机实施的方法的示例性实施例的类似流程图的表示。

图2描绘了眼睛的一部分的截面。

图3描绘了眼睛以及眼睛的不同生物特征参数。

图4表示了用于通过指定方法确定人工晶状体尺寸的机器学习支持的流水线的基本功能块的示意性结构。

图5展示了根据本发明的用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的处理流水线系统的图。

图6展示了计算机系统的图，该计算机系统另外可以全部或部分地包括根据图5的处理流水线系统。

具体实施方式

在本说明书的上下文中，约定、术语和/或表达应该理解如下：

术语“机器学习支持的处理流水线”描述了这里提供的方法和这里提出的系统的总体概念。从记录的数字图像出发，可以确定要插入的人工晶状体的最终屈光力，而无需介质中断，也无需中间手动确定参数。在这种情况下，即使不必手动确定参数，最终的术后IOL位置也被用作中间结果。在不同的点上，处理流水线使用用真实患者数据训练的机器学习系统。另外，可以使用物理模型。以这种方式，最终的屈光力确定既包含了理论模型的专门知识也包含了实际经验值。

术语“人工晶状体”描述了可以通过外科手术插入到患者的眼睛中以代替天然的生物晶状体的人造晶状体。

术语“机器学习系统”描述了通常也被分配给方法的系统，所述系统从示例中学习。为此，将带注释的训练数据（即，也包含元数据的训练数据）馈送到机器学习系统，以预测已预先设置的输出值（在分类系统的情况下是输出类）。如果输出类以足够的精度（即，预先确定的错误率）被正确输出，则机器学习系统被称为经训练的。已知不同的机器学习系统。这些机器学习系统包括神经网络、卷积神经网络（CNN）或递归神经网络（RNN）。

原则上，术语“机器学习”是来自人工智能领域的基本术语或基本功能，其中，例如使用统计方法来赋予计算机系统“学习”的能力。举例来说，在这种情况下，特定任务范围内的某些行为模式被优化。所使用的方法赋予经训练的机器学习系统分析数据的能力，而不需要为此目的进行明确的程序编程。通常，例如，NN（神经网络）或CNN（卷积神经网络）是用于机器学习的系统的示例，用于形成充当人工神经元的节点网络、以及人工神经元之间的人工连接（所谓的链接），其中，可以向人工链接分配参数（例如，链接的加权参数）。在训练神经网络时，权重参数值会基于输入信号而自动适应于链接，以生成期望的结果。在监督学习的情况下，用期望的输出数据（注释）来补充作为输入值（训练数据）提供的图像——通常是（输入）数据，以生成期望的输出值（期望的类）。非常一般地来说，学习输入数据到输出数据的映射。

术语“神经网络”描述了由具有一个或多个输入和一个或多个输出的电子实现的节点构成的网络，该网络用于执行计算操作。这里，选定的节点通过连接（所谓的链接或边）互连。这些连接可以具有某些属性（例如加权参数值），通过这些属性可以影响前面节点的输出值。

神经网络通常由多个层构成。至少存在输入层、隐藏层和输出层。在简单示例中，图像数据可以被提供给输入层，并且输出层可以具有关于图像数据的分类结果。然而，典型的神经网络具有大量的隐藏层。节点通过链接的连接方式取决于相应神经网络的类型。在本示例中，神经学习系统的预测值可以是所寻求的人工晶状体屈光力。

作为分类器/分类器系统的一个示例，术语“卷积神经网络”（CNN）描述了基于前馈技术的一类人工神经网络。它们通常被用于图像分析，该图像分析使用图像或其像素作为输入数据。卷积神经网络的主要组成部分在这种情况下是通过参数共享实现高效评估的卷积层（因此而得名）。与CNN相比，记录的图像的每个像素通常会与神经网络的人工神经元相关联，作为常规神经网络中的输入值。

术语“图注意力网络”（GAT）描述了对图结构化数据进行操作的神经网络。它表现出比旧的“图形卷积网络”（GCN）更好的行为。在此过程中，使用了掩蔽的自引用节点层，这些节点层改进了GCN中的已知近似，而无需构建计算密集型矩阵运算。可以设想“GCN”（图形卷积网络）代替GAT，GCN是神经网络的某种架构，它也可以直接对图进行操作并可以使用那里存在的结构信息。替代性地，“GraphSage”框架也是可利用的。它非常适合在大型图的上下文中进行归纳表示学习。在这种情况下，GraphSage可以用于生成节点的低维向量表示，这对于具有全面节点属性信息的图特别有用。

在本文的上下文中，术语“迁移学习”（或课程学习）描述了曾经开发的学习模型——通过用物理模型的训练数据训练机器学习系统来开发——再次被训练。尽管在第二次时使用相关数据对其进行了训练，但这些相关数据的来源与第一次训练的情况不同。这些可能由临床眼科数据或第二物理模型组成，该第二物理模型以获得的结果更准确而著称。结果，产生了第二学习模型，它本身统一了物理模型参数和真实的临床数据两者。因此，相应的第一学习模型的“知识”被用作产生第二学习模型的训练的基础或起点。因此，第一次训练的学习效果可以迁移到第二次训练的学习效果上。一个重要的优点在于，第二次训练可以相对更有效地进行，由此可以节省计算机资源，并且使第二次训练以更快且更有针对性的方式进行。

术语“参数值”描述了患者眼睛的几何值或生物特征值、或眼科数据。基于图2更详细地讨论眼睛的参数值的示例。

术语“扫描结果”描述了例如基于数字图像/记录的数字数据，其表示对患者眼睛的OCT（光学相干断层扫描）检查的结果。

术语“光学相干断层扫描”（缩写为OCT）描述了一种已知的眼科成像方法，用于获得具有微米分辨率的散射材料（例如，生物组织）的二维和三维（2-D或3-D）记录。在该过程中，基本上使用光源、分束器和传感器（例如呈数字图像传感器的形式）。在眼科学中，OCT用于检测各个视网膜层的反射行为的空间差异，并且形态结构可以用高分辨率表示。

术语“A扫描”（也称为轴向深度扫描）描述了患者眼睛扫描的一维结果，其描述了关于眼睛内结构的几何尺寸和位置的信息。

术语“B扫描”描述了多个前述A扫描的横向重叠，用于获得通过眼睛的截面。还可以通过组合如此生成的眼睛的多个层来生成体积视图。

在这种情况下，术语“正面OCT”描述了用于产生眼睛的横向截面图像（与使用前述A扫描或B扫描的纵向截面图像相比）的方法。

在这种情况下，术语“图像”或“数字图像”（例如来自扫描）描述了物理上存在的物品（例如，在这种情况下是眼睛的视网膜）的图像表示，或者从该物品生成像素数据形式的一定量数据的结果。更一般地，“数字图像”可以理解为二维信号矩阵。矩阵的各个向量可以彼此邻接，从而生成CNN的层的输入向量。数字图像也可以是视频序列的各个帧。在这种情况下，图像和数字图像可以理解为同义词。

术语“临床眼科训练数据”描述了关于患者眼睛和过去已经插入这些患者体内的人工晶状体的数据。临床眼科训练数据可以包括确定的眼科参数值，比如所插入镜片的屈光力和位置。这些数据用于训练机器学习系统，该机器学习系统之前已经基于来自物理模型的数据进行了训练。通常，临床眼科训练数据都带有注释。

术语“物理模型”涉及将眼睛的各个参数相互关联以确定屈光力的数学公式。已知的公式是Haigis公式。

术语“人工晶状体的屈光力”描述了IOL的屈光率。

下面给出了对附图的详细描述。应当理解，在这种情况下，附图中的所有细节和信息都是示意性地展示的。最初，展示了根据本发明的用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的计算机实施的方法的示例性实施例的框图。以下描述了进一步的示例性实施例、或对应的系统的示例性实施例：

图1展示了根据本发明的用于确定要插入（特别是要插入到患者的眼睛中）的人工晶状体的参数值的机器学习支持的处理流水线的计算机实施的方法100的示例性实施例的类似流程图的表示。在这种情况下，方法100包括提供102眼睛的扫描结果，该扫描结果表示眼睛的解剖结构的图像。这可以通过OCT来实施。另一种方法（尽管不太准确）是基于超声波的。

方法100还包括根据眼睛的扫描结果确定104眼睛的生物特征数据（以常规方式或已经借助机器学习系统），以及使用106第一经训练的机器学习系统来确定要插入到眼睛中的人工晶状体的最终位置。在这种情况下，IOL的长期术后位置被理解为是指最终位置。基于经训练的机器学习系统进行的确定可以直接根据患者眼睛的一个（或多个）记录图像确定长期术后位置；在该过程中可以省去中间手动步骤。替代性地，眼科数据——特别是来自前一步骤的数据或通过“直接扫描”确定的数据——可以用作第一经训练的机器学习系统的输入数据。

最后，方法100包括确定108要插入的人工晶状体的第一屈光力，该确定基于物理模型，在该物理模型中，人工晶状体的确定的最终位置和确定的生物特征数据被用作该物理模型的输入变量。在这种情况下，该物理模型是数学确定性模型。

可选地，可以通过第二机器学习系统来细化或改进最终屈光力的确定110。在这种情况下，第一屈光力以及生物特征数据中的至少一个变量——例如，眼轴长度——被用作第二经训练的机器学习系统的输入数据。

图2示出了眼睛200的截面的符号表示。可以看到插入的人工晶状体202，该人工晶状体在移除天然晶状体后已被操作性地插入囊袋204中。人工晶状体202上的横向结构206应确保人工晶状体202被真正稳定地固定在囊袋204中。然而，迄今为止，实际上无法预测在例如几周的相对长的生长阶段之后建立的人工晶状体202的精确位置。这尤其是由于囊袋204比插入的人工晶状体202大得多，因为它先前包住了整个天然的但现在被移除的晶状体。将囊袋204固定在眼睛中或颅骨上的这些肌腱和肌肉组织208在这样的手术之后会发生变化，其结果是囊袋204的大小、形状和位置以及因此插入的人工晶状体202的位置也发生变化。因此，插入的人工晶状体202与位于眼睛更后方的视网膜之间的距离也发生变化。然而，只有通过对插入的人工晶状体202的屈光力（屈光率）和到视网膜的距离进行最佳匹配，才能实现最佳的术后效果。由于插入的人工晶状体202的屈光力随后通常不可改变，因此非常期望对插入的人工晶状体202的位置进行预测。

图3描绘了眼睛300以及眼睛的不同生物特征参数。特别地，表示了以下参数：眼轴长度302（AL）、前房深度304（ACD）、角膜曲率值306（K，半径）、晶状体的屈光力、晶状体厚度308（LT）、中央角膜厚度310（CCT）、白到白距离312（WTW）、瞳孔大小314（PS）、后房深度316（PCD）、视网膜厚度318（RT）。这些参数中的至少一个既包含在眼科训练数据中又包含在患者的眼科数据中，每种情况均包含在这里提出的概念的主题中。

换句话说，结合了已知物理先验知识的机器学习系统模型最初是在物理模型的帮助下创建的。这可以通过例如使用模拟数据预训练的机器学习系统或可能包含物理约束的训练本身（基于约束的训练）来实施。随后，借助真实的临床眼科数据，使学习模型适应真实的解剖变化。在这种情况下，所选择的方法有助于整个机器学习系统针对任何数据可用性进行自学习优化（例如，LASIK手术后）。在这种情况下，可以为每个医生或每个诊所明确地进行调整。然后，在机器学习系统的应用阶段，将真实的生物特征数据用作所述机器学习系统的输入值，从而确定或预测优化的人工晶状体屈光力。

将物理模型的公式化转换为神经网络的纯参数形式。然后，该纯参数形式可以在第二训练阶段独立地并尽可能地使自己适应真实的数据结构。因此，可以借助光学物理模型产生任意数量的训练数据。这些包含眼睛模型的参数以及相关联的IOL屈光力作为所谓的地面真值。借助“迁移学习”概念，如此训练的模型可以迁移到更复杂的物理模型上，该更复杂的物理模型根据相同的概念产生训练数据。因此，神经网络已经具有预训练的人工神经元，因此可以使自己更快且更容易地适应更强或更好的物理模型。该课程学习可以针对任何强度的模型（例如，光线追踪模型）进行。

在最后一步，学习模型于是通过患者眼睛的真实生物特征数据进行“微调”，其中实际使用的IOL屈光力被用作地面真值。因此，经训练的模型可以在预测阶段实施对最终所需的IOL屈光力的预测。在现实中发现，可用的真实数据（临床眼科数据）越多，机器学习系统针对所述数据的优化效果就越好。因此，学习模型可以根据数据的可用性而得到不断开发，从而适应各种真实的数据记录。

原则上，该流水线使用机器学习模型，以便使用来自患者眼睛的OCT测量的输入数据来优化对人工晶状体的解剖学上正确的位置的预测。该位置然后被用于物理模型中，由于人工晶状体的已知位置，该物理模型可以是任何现实模型（例如，正常的数学物理模型或光线追踪）。物理模型计算眼睛所需的IOL屈光力，随后借助机器学习对结果进行附加细化，以纠正物理模型中相对较小的模型误差。为了优化信息使用，IOL屈光力地面真值数据和IOL位置地面真值数据两者都被用于训练。

在这方面，图4示出了用于通过上述方法（包括眼睛扫描的扫描结果/图像402）确定人工晶状体尺寸的机器学习支持的流水线的基本功能块400的示意性结构。这些结果——特别是采用至少一个数字图像的形式——可以用于生物特征数据404的常规提取。将这些生物特征数据中的至少一些以及扫描结果本身作为输入数据提供给基于图形的神经网络406，以便从中直接确定术后最终IOL位置408。

接下来，基于数学物理模型手动地、基于公式来确定410屈光力。提取的生物特征数据（或其一部分）和最终IOL位置408两者都被用作屈光力确定410的输入值。另外，可以使用另一个机器学习系统412来优化屈光力确定，该机器学习系统使用最初确定的人工晶状体的屈光力（作为屈光力确定410的结果）和先前确定的生物特征数据404（或其一部分）两者作为输入数据。经训练的机器学习系统412然后基于适当的机器学习模型提供最终的最终屈光力414。

由于最终术后IOL位置408和最终优化IOL屈光力两者都可以通过具有网格化部分过程的综合过程来确定，所以通过图4中指定的各个步骤或功能单元的表示，直接且清楚地披露了术语流水线。

图5为了完整起见展示了用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的处理流水线系统500的部件的优选示例性实施例。处理流水线系统500包括被配置为提供眼睛的扫描结果的接收模块502，该扫描结果表示眼睛的解剖结构的至少一个图像。

此外，流水线处理系统500包括被配置为根据眼睛的扫描结果确定眼睛的生物特征数据的确定单元504，以及用于确定要插入的人工晶状体的最终位置的第一经训练的机器学习系统506（还参见图4的基于图形的神经网络406），眼科数据被用作第一机器学习系统的输入数据。

此外，处理流水线系统500包括被配置为确定该要插入的人工晶状体的第一屈光力的确定单元508（还参见图4的功能块410），该确定基于物理模型，在该物理模型中，人工晶状体的确定的最终位置和确定的生物特征数据被用作该物理模型的输入变量。

另外，还可以使用另一个机器学习系统510来改进IOL屈光力的预测（参见图4的功能块412）。

明确提及以下事实：模块和单元——特别是接收模块502、确定单元504、第一经训练的机器学习系统506、以及用于确定第一屈光力的确定单元508——可以通过电信号线或经由系统内部的总线系统512连接，以将适当的信号和/或数据从一个模块（一个单元）传输到另一个模块（另一个单元）。此外，附加模块或功能单元可以可选地连接到系统内部的总线系统512。

如果使用分类系统作为机器学习系统，则根据以最大概率预测的预测类别来产生预测屈光力。替代性地，IOL的最终屈光力也可以通过回归系统作为具有数值输出变量的机器学习系统来实施。

此外，系统500可以包括输出单元（这里未描绘），该输出单元适合于输出或显示预测的最终IOL屈光力，并且可选地还用于显示预测的IOL位置。

图6展示了计算机系统的框图，该计算机系统可以具有用于确定屈光力的系统的至少一些部分。这里提出的概念的实施例原则上可以与几乎任何类型的计算机一起使用，而不管其中用于存储和/或执行程序代码的平台如何。图6通过示例展示了计算机系统600，该计算机系统适合于执行根据这里提出的方法的程序代码，而且也可以全部或部分地包含预测系统。

计算机系统600具有多个通用功能。在这种情况下，计算机系统可以是平板计算机、膝上型/笔记本计算机、另一种便携式或移动电子设备、微处理器系统、基于微处理器的系统、智能电话、具有特别配置的特殊功能的计算机系统或者显微镜系统的组成部分。计算机系统600可以被配置以执行计算机系统可执行指令（比如程序模块等），这些计算机系统可执行指令可以被执行以实施这里提出的概念的功能。为此，程序模块可以包括例程、程序、对象、组件、逻辑、数据结构等，以实施特定的任务或特定的抽象数据类型。

计算机系统的组件可以包括以下各项：一个或多个处理器或处理单元602、存储系统604以及将包括存储系统604在内的各种系统组件连接到处理器602的总线系统606。计算机系统600通常具有可由计算机系统600访问的多个易失性或非易失性存储介质。存储系统604可以以易失性形式存储存储介质的数据和/或指令（命令），例如存储在RAM（随机存取存储器）608等中，以便由处理器602执行。这些数据和指令实现这里提出的概念的一个或多个功能和/或步骤。存储系统604的其他组件可以是永久性存储器（ROM）610和长期存储器612，其中可以存储程序模块和数据（附图标记616）以及工作流。

计算机系统包括用于通信目的的多个专用设备（键盘618、鼠标/定点设备（未展示）、视觉显示单元620等）。这些专用设备也可以组合在触敏显示器中。单独提供的I/O控制器614确保了与外部设备的无摩擦数据交换。网络适配器622可用于通过本地网络或全球网络（LAN、WAN，例如通过互联网）进行通信。计算机系统600的其他组件可以通过总线系统606访问网络适配器。在这种情况下，尽管未展示，但是应当理解，其他设备也可以连接到计算机系统600。

用于确定IOL的屈光力的系统500（参见图5）的至少一些部分也可以连接到总线系统606。

出于更好理解的目的，已给出了本发明的各种示例性实施例的描述，但是该描述并不用于将本发明的概念直接局限于这些示例性实施例。本领域技术人员将自行开发进一步的修改和变化。这里使用的术语被选择以用于最好地描述示例性实施例的基本原理，并且使其对于本领域技术人员来说容易理解。

这里提出的原理可以实施为系统、方法、其组合和/或计算机程序产品。在这种情况下，计算机程序产品可以包括具有计算机可读程序指令的一个（或多个）计算机可读存储介质，以使处理器或控制系统实施本发明的各个方面。

作为介质，电子介质、磁性介质、光学介质、电磁介质、红外介质或半导体系统被用作转发介质；例如SSD（作为固态存储器的固态设备/驱动器）、RAM（随机存取存储器）和/或ROM（只读存储器）、EEPROM（电可擦除ROM）或其任何组合。合适的转发介质还包括传播的电磁波、波导或其他传输介质中的电磁波（例如光缆中的光脉冲）或电线中传输的电信号。

计算机可读存储介质可以是保留或存储指令以供指令执行设备使用的体现设备。这里描述的计算机可读程序指令也可以例如作为（智能手机）app、通过基于电缆的连接或移动无线电网络从服务提供商下载到对应的计算机系统上。

用于执行这里描述的本发明的操作的计算机可读程序指令可以是与机器相关或与机器无关的指令、微码、固件、状态定义数据或任何源代码或目标代码，其是用例如C++、Java等或比如编程语言“C”或类似编程语言等常规程序编程语言来编写的。计算机可读程序指令可以完全由计算机系统执行。在一些示例性实施例中，还可以由比如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA）等电子电路通过使用计算机可读程序指令的状态信息来执行计算机可读程序指令，以根据本发明的方面配置或个体化电子电路。

参考根据本发明的示例性实施例的方法、设备（系统）和计算机程序产品的流程图和/或框图进一步展示了在此提出的本发明。应指出的是，实际上流程图和/或框图中的任何框都可以被实施为计算机可读程序指令。

可以使计算机可读程序指令可用于能够以某种其他方式编程的通用计算机、专用计算机或数据处理系统，以便产生机器，使得由处理器或计算机或其他可编程数据处理设备执行的指令能够生成用于实施流程图和/或框图中所展示的功能或过程的装置。这些计算机可读程序指令也可以相应地存储在计算机可读存储介质上。

在这个意义上，所展示的流程图或框图中的任何框都可以表示模块、表示用于实施特定逻辑功能的多个可执行指令的指令段或指令部分。在一些示例性实施例中，在各个框中展示的功能可以以不同的顺序实施，可选地也可以并行实施。

所附权利要求中所展示的具有相关联的功能的所有方法和/或步骤的结构、材料、顺序和等同物旨在应用权利要求所表达的所有结构、材料或顺序。

附图标记

100 上下文敏感的白平衡方法

102 100的方法步骤

104 100的方法步骤

106 100的方法步骤

108 100的方法步骤

110 100的方法步骤

200 具有人工晶状体的眼睛

202 人工晶状体

204 囊袋

206 横向结构

208 肌腱和肌肉

300 眼睛

302 眼轴长度

304 前房厚度

306 角膜曲率值

308 晶状体厚度

310 中央角膜厚度

312 白到白距离

314 瞳孔大小

316 后房深度

318 视网膜厚度

400 用于实施方法的功能块

402 扫描结果

404 生物特征数据

406 神经网络

408 IOL位置

410 基于公式的屈光力确定

412 机器学习系统

414 最终屈光力

500 用于预测屈光力的系统

502 生产模块

504 第一训练模块

506 第二训练模块

508 接收模块

510 另一个机器学习系统

512 总线系统

600 预测系统

600 计算机系统

602 处理器

604 存储系统

606 总线系统

608 RAM

610 ROM

612 长期存储器

614 I/O控制器

616 程序模块、潜在数据

618 键盘

620 屏幕

622 网络适配器。

Claims (8)

1.一种用于确定要插入的人工晶状体（202）的参数值的机器学习支持的处理流水线的计算机实施方法（100），该方法（100）包括以下步骤

- 提供（102）眼睛（300）的扫描结果（402），该扫描结果（402）表示该眼睛（300）的解剖结构的图像，

- 根据眼睛的扫描结果（402）确定（104）该眼睛（300）的生物特征数据（404），

- 使用（106）第一经训练的机器学习系统（406）来确定要插入的人工晶状体（202）的最终位置（408），眼科数据（404）用作该第一机器学习系统（406）的输入数据，

- 确定（108）该要插入的人工晶状体（202）的第一屈光力（414），该确定基于物理模型（410），在该物理模型中，该人工晶状体（202）的确定的最终位置（408）和确定的生物特征数据（404）被用作该物理模型（410）的输入变量，以及

- 通过第二机器学习系统确定该人工晶状体的最终屈光力，来自该生物特征数据（404）的至少一个变量和该第一屈光力（414）被用作输入变量，

该第二机器学习系统（412）分两个阶段进行训练，其中

- 第一训练步骤包括：

- 基于用于人工晶状体屈光力的第一物理模型为机器学习系统产生第一训练数据，

- 通过所产生的第一训练数据来训练该机器学习系统，以形成用于确定屈光力的第一学习模型，并且

- 其中，第二训练步骤包括：

- 使用临床眼科训练数据来训练用该第一训练数据训练的该机器学习系统，以形成用于确定屈光力的第二学习模型。

2.如权利要求1所述的方法（100），其中，该眼睛的生物特征数据包括选自由术前眼轴长度（302）、术前晶状体厚度、术前前房深度（304）、和术中前房深度组成的组中的至少一项。

3.如权利要求1或2所述的方法（100），其中，该第一机器学习系统（406）是卷积神经网络、图注意力网络或上述两种网络的组合。

4.如前述权利要求中任一项所述的方法（100），其中，来自该生物特征数据（404）的一个变量是该术前眼轴长度。

5.如前述权利要求中任一项所述的方法（100），其中，该眼睛的生物特征数据（404）是从该图像手动确定的或者是通过机器学习系统从该眼睛的提供的扫描结果（402）确定的。

6. 如前述权利要求中任一项所述的方法（100），其中，当确定该要插入的人工晶状体的最终位置（414）时，确定该眼睛（300）的进一步参数。

7.一种用于确定要插入的人工晶状体（202）的参数值的机器学习支持的处理流水线的处理流水线系统（500），该处理流水线系统（500）包括

- 接收模块（502），该接收模块被配置为提供眼睛（300）的扫描结果（402），该扫描结果（402）表示该眼睛（300）的解剖结构的图像，

- 确定单元（504），该确定单元被配置为根据眼睛（300）的扫描结果（402）确定该眼睛（300）的生物特征数据（404），

- 第一经训练的机器学习系统（406），该第一经训练的机器学习系统用于确定要插入的人工晶状体（202）的最终位置（408），眼科数据（404）用作该第一机器学习系统（406）的输入数据，

- 确定单元（508），该确定单元被配置为确定该要插入的人工晶状体的第一屈光力，该确定基于物理模型，在该物理模型中，该人工晶状体的确定的最终位置和确定的生物特征数据被用作该物理模型的输入变量，以及

- 确定单元，该确定单元被配置为通过第二机器学习系统确定该人工晶状体的最终屈光力，来自该生物特征数据（404）的至少一个变量和该第一屈光力（414）被用作输入变量，

该第二机器学习系统（412）分两个阶段进行训练，其中

- 第一训练步骤包括：

- 基于用于人工晶状体屈光力的第一物理模型为机器学习系统产生第一训练数据，

- 通过所产生的第一训练数据来训练该机器学习系统，以形成用于确定屈光力的第一学习模型，并且

- 其中，第二训练步骤包括：

- 使用临床眼科训练数据来训练用该第一训练数据训练的该机器学习系统，以形成用于确定屈光力的第二学习模型。

8.一种用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的计算机程序产品，其中，该计算机程序产品具有其上存储有程序指令的计算机可读存储介质，这些程序指令能够由一个或多个计算机或控制单元执行，并使该一个或多个计算机或控制单元执行如权利要求1至6中任一项所述的方法。

Images