CN117136037A - 用于确定白内障手术的人工晶状体（iol）参数的方法和系统 - Google Patents

Abstract

本公开的某些方面提供了用于执行如白内障手术等眼科手术程序的技术。示例方法总体上包括使用一个或多个测量设备生成与要治疗的眼睛的一个或多个解剖参数的测量结果相关联的一个或多个数据点。使用一个或多个经训练的机器学习模型至少部分地基于所述一个或多个数据点生成一个或多个推荐，所述一个或多个推荐包括要在白内障手术中使用的IOL的一个或多个IOL参数。所述机器学习模型是基于由与解剖参数的测量结果相关联的数据点构成的至少一个历史数据集进行训练的，所述数据点映射到与每个历史患者相关联的治疗数据和治疗结果数据。所述一个或多个IOL参数包括IOL类型、IOL度数或用于将所述IOL植入所述眼睛中的IOL放置信息中的一者或多者。

Description

用于确定白内障手术的人工晶状体(IOL)参数的方法和系统

技术领域

本公开的各方面涉及眼科手术，并且更具体地涉及使用一个或多个机器学习模型确定用于对患者执行白内障手术的IOL参数。如本文所定义的，IOL参数包括要在白内障手术期间植入患者眼睛中的IOL的类型、度数和放置位置中的至少一者。

背景技术

眼科手术通常涵盖对人眼执行的各种程序。除了其他程序之外，这些手术程序还可以包括白内障手术，白内障手术是一种用合成晶状体(也称为人工晶状体(IOL))替换人眼的天然晶状体以矫正由天然晶状体浑浊引起的视力问题的程序。这些IOL具有各种度数和类型，并且可以基于患者眼睛的解剖参数的测量结果来进行选择。进一步地，IOL放置在眼睛中的位置和IOL的旋转取向(对于某些类型的IOL，如用于矫正散光的复曲面IOL)(在本文中被称为“放置信息”)也可以基于患者眼睛的解剖参数的测量结果。

人眼的解剖参数通常会影响在为患者规划和执行白内障手术时做出的IOL参数选择，这些解剖参数如眼轴长度(即，前角膜与视网膜之间的距离)、角膜厚度、前房深度(即，前角膜与前晶状体表面之间的距离)、白到白直径(white-to-white diameter)(即，眼睛两侧上角膜与巩膜边界之间的距离)、晶状体厚度和晶状体曲率。如本文所定义的，规划和执行白内障手术包括确定用于改善患者视力的适当IOL参数。作为示例，基于患者的解剖参数的测量结果，外科医生可以尝试确定有很大可能性恢复患者视力的IOL类型、度数和放置位置。然后，外科医生从多个IOL中选择类型和度数与所确定的IOL类型和度数相匹配的IOL。随后，外科医生在所确定的放置位置处将所选IOL置于或植入晶状体囊中。

在许多情况下，特定患者的解剖参数的测量结果可能落在已知分布内(例如，在某个下限与上限之间，其中某个设定百分比的患者位于该范围内，比如以全局平均值为中心的两个标准偏差的正态分布，其中约95％的患者的测量结果位于该范围内)，因此，为这样的患者规划和执行白内障手术可能是一项较简单的任务。

然而，如果特定患者的一个或多个解剖参数偏离已知分布或者在其他方面不正常(以下称为“异常”)，则为这样的患者规划和执行白内障手术可能是一项较复杂的任务。另外，还可能存在这样一些情况，每个单独的解剖参数都在正常范围内，但是解剖参数的组合使得眼睛治疗成为一项复杂的任务。例如，在这样的情况下，外科医生可能选择可能导致手术效果不成功的IOL参数。进一步地，在一些情况下，无论患者眼睛的解剖参数的测量结果是否偏离已知分布，都可以基于过去对类似患者执行的程序的结果来优化患者的白内障手术的效果。

因此，需要用于至少部分地基于患者眼睛的解剖参数的测量结果来准确地确定患者的IOL参数的技术。

发明内容

某些实施例提供了一种用于确定要在白内障手术程序中使用的人工晶状体(IOL)的一个或多个IOL参数的方法。该方法通常包括使用一个或多个测量设备生成与要治疗的眼睛的一个或多个解剖参数的测量结果相关联的数据点。使用一个或多个经训练的机器学习模型至少部分地基于所生成的与一个或多个解剖参数的测量结果相关联的数据点来生成一个或多个推荐，该一个或多个推荐包括要在白内障手术中使用的IOL的一个或多个IOL参数。该一个或多个经训练的机器学习模型是基于至少一个历史数据集进行训练的，其中，该历史数据集中的每个条目包括与历史患者的解剖参数的测量结果相关联的数据点，这些数据点映射到与历史患者相关联的治疗数据和治疗结果数据。与历史患者相关联的治疗数据指示用于治疗历史患者的对应IOL的至少一个或多个实际IOL参数，并且与历史患者相关联的治疗结果数据指示至少一个或多个结果参数，该至少一个或多个结果参数指示历史患者的手术效果。该一个或多个IOL参数包括要使用的IOL类型、IOL的度数或用于将IOL植入眼睛中的放置信息中的一者或多者。

某些实施例提供了一种用于执行白内障手术程序的方法。该方法通常包括接收与要治疗的眼睛的一个或多个解剖参数的测量结果相关联的数据点。使用一个或多个经训练的机器学习模型生成一个或多个推荐。推荐通常包括至少部分地基于与该一个或多个解剖参数的测量结果相关联的数据点的要在白内障手术中使用的人工晶状体(IOL)的一个或多个IOL参数。该一个或多个经训练的机器学习模型是基于至少一个历史数据集进行训练的，其中，历史数据集中的每个条目包括与历史患者的解剖参数的测量结果相关联的数据点，这些数据点映射到与历史患者相关联的治疗数据和治疗结果数据，与历史患者相关联的治疗数据指示用于治疗历史患者的对应IOL的实际IOL参数中的至少一个或多个实际IOL参数，并且与历史患者相关联的治疗结果数据指示表示历史患者的手术效果的至少一个或多个结果参数。该一个或多个IOL参数包括要使用的IOL类型、IOL的度数或用于将IOL植入眼睛中的放置信息中的一者或多者。为白内障手术生成的一个或多个推荐被传输到指定目的地设备。

某些实施例提供了一种用于训练机器学习模型以生成用于眼科治疗的推荐的方法。该方法通常包括由一组历史患者记录生成训练数据集，其中，该训练数据集中的每个记录对应于历史患者并且包括标识以下各项的信息：与历史患者的一个或多个解剖参数的测量结果相关联的数据点、用于治疗历史患者的对应人工晶状体(IOL)的一个或多个IOL参数以及指示历史患者的手术效果的一个或多个治疗结果参数。一个或多个机器学习模型是基于训练数据集进行训练的，以至少基于与当前患者的眼睛的一个或多个解剖参数的测量结果相关联的数据点来生成标识用于治疗当前患者的候选人工晶状体(IOL)类型、IOL度数信息和IOL放置信息中的至少一者的输出。经训练的一个或多个机器学习模型被部署到一个或多个计算系统。

某些实施例提供了一种用于执行白内障手术程序的方法。该方法通常包括由一组历史患者记录生成训练数据集，其中，该训练数据集中的每个记录对应于历史患者并且包括标识以下各项的信息：与历史患者的一个或多个解剖参数的测量结果相关联的数据点、在对历史患者执行的白内障手术程序中使用的对应人工晶状体(IOL)的一个或多个IOL参数以及标识对历史患者执行的眼内治疗的效果的治疗结果数据。一个或多个机器学习模型是基于训练数据集进行训练的，以至少基于与当前患者的眼睛的解剖参数的测量结果相关联的一个或多个数据点来生成标识用于治疗当前患者的候选IOL类型、IOL度数信息和IOL放置信息中的至少一者的输出。与当前患者的眼睛的一个或多个解剖参数的测量结果相关联的数据点使用一个或多个测量设备来生成。基于该一个或多个数据点与表示历史患者的非异常数据点的测量结果的分布的比较来确定数据点中的至少一个数据点对应于异常测量结果。基于该一个或多个数据点中的至少一个数据点对应于异常测量结果的确定，使用该一个或多个经训练的机器学习模型至少部分地基于该一个或多个数据点来生成当前患者的眼睛的一个或多个推荐IOL参数，其中，该一个或多个推荐IOL参数包括IOL类型、IOL度数或用于将IOL植入眼睛中的IOL放置位置中的一者或多者。

本公开的各方面提供了用于执行本文所描述的方法的装置、设备、处理器和计算机可读介质。

为了完成前述和相关的目的，一个或多个方面包括下文中完整描述的、并且在权利要求书中所具体指明的特征。以下描述和附图详细阐述了一个或多个方面的某些说明性特征。然而，这些特征仅指示了可以采用各个方面的原理的各种方式中的几种方式。

附图说明

附图描绘了一个或多个实施例的某些方面，因此不应视为限制本公开的范围。

图1A至图1C描绘了根据本文所描述的某些方面的示例环境，在该示例环境中，一个或多个机器学习模型被训练和部署成用于至少基于与解剖参数的测量结果相关联的患者数据点来生成用于患者的白内障手术的包括IOL参数的推荐。

图2展示了根据本文所描述的某些方面的示例操作，这些示例操作可以由联网计算环境内的计算系统执行，以训练并使用一个或多个机器学习模型以至少基于与解剖参数的测量结果相关联的患者数据点来生成用于患者的白内障手术的包括IOL参数的推荐。

图3展示了根据本文所描述的某些方面的示例操作，这些示例操作可以由一个或多个计算系统执行，以将一个或多个机器学习模型训练成基于与解剖参数的测量结果相关联的患者数据点生成用于患者的白内障手术的包括IOL参数的推荐。

图4展示了根据本文所描述的某些方面的示例操作，这些示例操作可以由一个或多个计算系统执行，以测量与要治疗的眼睛的解剖参数的测量结果相关联的一个或多个数据点并基于患者数据点生成用于患者的白内障手术的包括IOL参数的推荐。

图5展示了根据本文所描述的某些方面的示例操作，这些示例操作可以由一个或多个计算系统执行，以基于与解剖参数的测量结果相关联的患者数据点生成并输出用于患者的白内障手术的包括IOL参数的推荐。

图6展示了可以执行本公开的实施例的示例系统。

为了便于理解，在可能的情况下，使用相同的附图标记来表示附图中共有的相同元件。可以设想到，一个实施例的元件和特征可以有益地结合在其他实施例中，而无需进一步叙述。

具体实施方式

如以上所讨论的，白内障手术是用IOL替换有缺陷的天然晶状体的手术程序。通常，有缺陷的天然晶状体是已经发生白内障的晶状体，白内障是天然晶状体出现浑浊，这种浑浊对患者视力产生负面影响(例如，导致患者看到褪色的颜色、视力模糊或重影、看到点光源周围的光晕或其他负面影响)。可以选择IOL来替换患者的天然晶状体，以便恢复或至少改善患者的视力。对于要用于患者的IOL，一组IOL参数的确定可能受到与解剖参数的测量结果相关联的多个患者数据点的影响。更具体地，如所讨论的，基于患者眼睛的特性和/或测量结果，外科医生可以尝试确定有很大可能性恢复患者视力的一组IOL参数。例如，一些IOL可以允许优化近视或远视，而其他IOL可以用于补偿患者的自然角膜散光，等等。通常，在患者的解剖测量结果在这些解剖测量结果的典型值范围内的情况下，或者在解剖测量结果总体上在典型值范围内的情况下，确定患者的IOL参数可以是常规任务，外科医生可以利用关于许多其他过去患者的先前经验来完成该常规任务。然而，在解剖测量结果中的一个或多个偏离典型值范围的情况下，或者在解剖测量结果总体上偏离典型值范围的情况下，外科医生可能无法利用先前经验来确定对患者的最佳治疗，包括确定IOL参数。

本文提出的方面提供了基于历史患者数据来训练机器学习模型以确定当前患者的IOL参数的系统。如本文所定义的，新的或当前患者(以下称为“当前”)通常是正在进行白内障手术以替换有缺陷的天然晶状体的患者，并且如下文进一步详细讨论的，当前患者的推荐IOL参数可以由机器学习模型生成，这些机器学习模型被训练成基于与类似的过去患者相关联的IOL参数和由那些其他患者报告的效果来生成这些参数。通过使用这些机器学习模型，可以利用大量的历史患者数据来为当前患者生成推荐的和禁忌的IOL参数。在某种程度上，这种大量的历史患者数据指示为类似患者做过类似手术的其他外科医生的专业知识和先前经验。通过使用本文所描述的系统和方法，对于当前患者，外科医生能够利用这种大量的历史患者数据来确定将使得当前患者的手术效果优化的IOL参数。因此，本文的技术通过允许选择更好的IOL参数来改善医学视场，从而在放置IOL之后(如在白内障手术期间)使得视力改善。

用于优化眼科手术程序规划的示例计算环境

图1A至图1C展示了示例计算环境，其中，机器学习模型被训练并用于生成用于患者的白内障手术的包括IOL参数的推荐。通常，这些机器学习模型可以使用包括与历史患者数据相对应的记录的训练数据语料库来进行训练，并且被部署成用于生成要用于对当前患者执行白内障手术的IOL参数。每个历史患者的历史患者数据可以包括患者的人口统计信息、与解剖参数的测量结果相关联的记录数据点、期望的效果、如实际IOL参数等实际治疗数据(例如，IOL类型、度数和放置信息)以及关于历史患者治疗的其他信息和治疗结果数据(例如，指示历史患者对治疗满意或不满的结果参数)。注意，在本文中，实际治疗数据指示关于对患者执行的实际治疗而不是推荐治疗的信息。例如，实际治疗数据可以指示实际IOL参数，如植入历史患者的晶状体囊中的IOL的实际IOL类型、度数和放置信息。

如下文进一步详细讨论的，这些机器学习模型可以被配置为至少使用与当前患者的解剖参数的测量结果相关联的数据点作为输入，并且生成包括当前患者的一个或多个IOL参数的一个或多个推荐作为输出。例如，这些IOL参数可以包括最佳IOL参数以及禁忌的或在其让方面不期望的IOL参数。在本文中，最佳IOL参数是指可能有很大(例如，最大)可能性恢复或改善患者视力的IOL参数。另一方面，禁忌IOL参数是指对于当前患者可能导致消极手术效果的IOL参数。

作为结果，外科医生可以得知对于类似患者在历史上导致积极手术效果的最佳IOL参数以及对于类似患者在历史上导致消极手术效果的禁忌IOL参数两者。使用该信息，外科医生能够增加当前患者的积极手术效果的可能性。注意，如下文进一步详细描述的，这些机器学习模型的输入可以包括附加信息，如当前患者的人口统计信息、期望的效果、附加的患者和治疗关系信息等。而且，除了IOL参数之外，由这些机器学习模型提供的推荐可以进一步包括某些外科手术技术、工具、附加治疗推荐等。

可以使用各种技术来训练和部署生成当前患者的IOL参数的机器学习模型。图1A至图1C中展示了各种部署。例如，图1A展示了机器学习模型在远程服务器上进行训练并且被部署到外科医生在白内障手术期间使用的用户控制台的部署。图1B展示了机器学习模型被训练并部署在可通过用户控制台访问的远程服务器上的部署。最后，图1C展示了机器学习模型在远程服务器上进行训练并且被部署到与外科医生所使用的测量设备成一体的计算系统。然而，应该认识到，可以考虑用于训练和部署生成当前患者的IOL参数的机器学习模型的各种其他技术，并且图1A至图1C中展示的部署是非限制性的说明性示例。

图1A展示了示例计算环境100A，其中，测量设备110、服务器120和用户控制台130经由网络连接，以便至少部分地基于由测量设备110提供的与当前患者的解剖参数的测量结果相关联的数据点将一个或多个机器学习模型训练成用于生成当前患者的IOL参数。出于可读性，一个或多个机器学习模型在本文中被称为“ML模型”，并且覆盖单个ML模型和多个ML模型两者。

测量设备110通常表示可以生成与患者眼睛的解剖参数的一个或多个测量结果相关联的数据点的各种设备。在本文中，眼睛的解剖参数是指如眼轴长度(例如，前角膜到视网膜的距离)、角膜中心厚度测量结果、前房深度(例如，前角膜到前晶状体表面的距离)、白到白直径(例如，眼睛每一侧的角膜边界或巩膜边界之间的距离)、晶状体厚度、眼睛的前角膜表面的曲率和散光、前角膜形状等参数。在一些实施例中，数据点可以包括对应解剖参数的测量结果，即测量值。在一些实施例中，数据点可以包括可以从中得到测量结果的原始数据。在这种情况下，原始数据可以包括：例如，示出角膜、虹膜、晶状体和视网膜的二维截面图像；眼睛的三维图像；眼睛的二维地形图；或可以从中得到解剖参数的测量结果的其他数据。通常，任何数量的测量设备110₁-110_n都可以包括在计算环境100A中，并且可以用于生成不同类型的数据，这些数据可以用作生成IOL推荐的一个或多个机器学习模型的输入。计算环境100A中的每个测量设备110可以生成与患者眼睛的一个或多个解剖参数的测量结果相关联的数据点，并且将这些数据点提供给用户控制台130、服务器120和/或存储库140。

在一个示例中，测量设备110之一可以是光学相干断层扫描(OCT)设备，该OCT设备可以生成可以得到各种解剖参数的测量结果的当前患者的眼睛的二维截面图像。二维截面图像可以示出角膜、晶状体和视网膜在二维平面上的位置(例如，角膜在二维截面的一侧，而视网膜的背面在二维截面的另一侧)。根据当前患者的眼睛的二维截面图像，OCT设备可以得到各种测量结果。例如，OCT设备可以从截面图像生成眼轴长度测量结果、角膜中心厚度测量结果、前房深度测量结果、晶状体厚度测量结果和其他相关测量结果。在一些方面，OCT设备可以(例如，从中心点)生成一维数据测量结果或者可以生成三维测量结果，从这些三维测量结果可以生成如组织厚度图等附加信息。

测量设备110中的另一个可以是角膜曲率计。通常，角膜曲率计可以从当前患者的眼睛反射光图案(如一圈被照亮的点)，并捕获反射的光图案。角膜曲率计可以对反射图案(相对于由测量设备110输出的从当前患者的眼睛反射的图案)执行图像分析，以测量或以其他方式确定各种解剖参数的值。这些解剖参数可以包括例如当前患者的眼睛的前角膜表面的曲率信息和散光信息。例如，曲率信息可以是一般曲率测量结果、标识沿其出现最大曲率的轴线的最大曲率和眼轴信息以及标识沿其出现最小曲率的轴线的最小曲率和眼轴信息。

测量设备110中的又一个可以是测量前角膜形状的地形的地形设备。地形设备可以使用分布在角膜区域上的反射光图案分析来生成相对于基础轮廓的详细表面轮廓图。例如，由于角膜通常是球形或近似球形的，因此表面轮廓图可以显示出与基础轮廓的偏差，其中，不同的颜色表示在沿角膜的任何离散点处与基础轮廓的偏差量。

服务器120通常表示单个计算设备或计算设备集群，训练数据集可以生成并用于训练一个或多个机器学习模型以生成IOL参数。服务器120与存储历史患者记录的历史患者数据存储库140(以下称为“存储库140”)通信地耦接。在某些实施例中，存储库140可以是或包括数据库服务器，该数据库服务器用于从服务器120、用户控制台130和/或测量设备110接收信息并以结构化和有组织的方式将信息存储在对应的患者记录中。

在某些方面，存储库140中的每个患者记录包括如患者的人口统计信息、与解剖参数的测量结果相关联的数据点、与患者的白内障手术相关联的实际治疗数据以及治疗结果数据等信息。例如，每个患者的人口统计信息包括患者年龄、性别、种族等。与解剖参数的测量结果相关联的数据点可以包括由OCT设备、角膜曲率计、地形设备等生成的原始数据或从该OCT设备、角膜曲率计、地形设备等中得到或由其提供的测量结果，如以上所讨论的。如下文进一步阐述的，实际治疗包括用于患者的IOL的实际IOL参数(IOL类型、IOL度数、IOL放置信息)，以及与患者治疗相关的任何附加相关信息。例如，治疗数据可以指示为患者执行白内障手术的方法、用于治疗的工具以及关于在手术期间执行的特定程序的其他信息。每个患者记录还包括治疗结果数据，该治疗结果数据可以包括指示结果参数的各种数据点，如患者对治疗的满意度(如对手术结果满意或不满意的二元指示)、治疗后测得的视力水平等。

服务器120使用这些历史患者记录来生成用于训练ML模型的数据集，该ML模型可以向外科医生推荐IOL参数以治疗当前患者。更具体地，如图1A所展示的，服务器120包括训练数据发生器122(以下称为“TDG 122”)和模型训练器124。TDG 122从存储库140中取得数据，以生成供模型训练器124用来训练ML模型125的数据集。

模型训练器124包括或指被配置为使用训练数据集来训练ML模型125的一个或多个机器学习算法(以下称为“ML算法”)。在某些实施例中，经训练的ML模型是指例如具有权重和参数的函数，该函数用于针对给定的一组输入生成或预测一个或多个IOL参数。各种ML算法可以用于为给定的一组输入生成不同类型的输出。

ML算法通常可以包括监督学习算法、无监督学习算法和/或半监督学习算法。无监督学习是一种用于从由没有标记响应的输入数据组成的数据集中进行推断的机器学习算法。监督学习是学习函数的机器学习任务，该函数例如基于示例输入输出对将输入映射到输出。监督学习算法通常包括回归算法、分类算法、决策树、神经网络等。下文提供了对标记数据集的描述。

一旦进行训练和部署，基于包括与当前患者的解剖参数的测量结果相关联的数据点的某一组输入，ML模型125就能够生成或预测当前患者的最佳IOL参数作为输出。在某些方面，模型训练器124训练单个多输入多输出(MIMO)ML模型125，该模型被配置为获取与当前患者相关联的一组输入并将所有IOL参数提供给对当前患者执行白内障手术的外科医生。例如，模型训练器124可以训练单个模型，该模型获取与当前患者相关联的一组输入并输出多个IOL参数，包括IOL类型、IOL度数、IOL放置信息。为了训练MIMO ML模型125，模型训练器124可以利用由TDG 122提供的标记数据集，该标记数据集包括多个样本，这些样本指示人口统计信息、与解剖参数的测量结果相关联的数据点、治疗数据以及报告了积极手术效果的历史患者的治疗结果数据。

例如，这种标记数据集中的每个样本都包括以下各项中的一项或多项：i)输入数据，包括历史患者的年龄、性别、种族、民族、由多个测量设备(例如，OCT设备、角膜曲率计和/或地形设备)生成的与患者的解剖参数的测量结果相关联的数据点、用于治疗患者的手术工具和程序等中的一者或多者；ii)输出数据，包括用于治疗患者的实际IOL参数(即，Y)(例如，患者的IOL类型、IOL度数和IOL放置信息)；以及iii)治疗结果信息(例如，患者报告的治疗效果)。为了训练MIMO ML模型125，模型训练器124通过多输入多输出ML模型125运行每个样本的输入数据，以生成将假设导致实现积极手术效果的一组最佳IOL参数(即，Y^)。

模型训练器124然后基于所得误差(即，Y-Y^)来训练MIMO ML模型125，该误差是指由MIMO ML模型125预测的IOL参数与用于患者的实际IOL参数之间的差，如患者记录中所指示的。换句话说，模型训练器124调整ML模型125中的权重，以最小化预测的IOL参数与用于患者的实际治疗之间的误差(或偏差)。例如，模型训练器124调整权重以最小化预测的IOL参数与用于治疗患者的实际IOL参数之间的误差，这些实际IOL参数被指示为具有积极手术效果。通过经由MIMO ML模型125运行更多样本(即，附加的历史患者信息)并继续调整权重，在某一点之后，MIMO ML模型125开始以非常低的误差率做出非常准确的预测。在这一点上，MIMO ML模型125准备好被部署成用于获取关于当前患者的一组输入并预测将导致当前患者的积极手术效果的最佳IOL参数。在图1A的示例中，经训练的MIMO模型125然后可以被部署成在用户控制台130处使用以预测当前患者的IOL参数，如下文进一步详细描述的。

在某些方面，代替训练MIMO ML模型，模型训练器124训练多个多输入单输出(MISO)ML模型125，以单独预测当前患者的每个IOL参数。在这样的方面，MISO ML模型125中的每一个获取与当前患者相关联的一组输入并输出单个IOL参数。例如，第一ML模型被训练成生成或预测当前患者的IOL类型作为输出，第二ML模型被训练成生成或预测当前患者的IOL度数作为输出，并且第三ML模型被训练成生成或预测当前患者的IOL放置信息作为输出。

为了训练MISO ML模型125中的每一个，模型训练器124可以使用由TDG 122提供的数据集，每个数据集包括人口统计信息、与解剖参数的测量结果相关联的数据点、实际治疗数据以及报告了积极手术效果的历史患者的治疗结果数据。例如，为了训练被配置为预测当前患者的IOL类型的MISO ML模型125，模型训练器124使用包括人口统计信息、与解剖参数的测量结果相关联的数据点、实际IOL类型以及报告了积极手术效果的历史患者的治疗结果数据的数据集。在这样的示例中，为了确保MISO ML模型125做出准确的预测，如所讨论的，模型训练器124通过MISO模型125运行对应数据集中的许多样本，直到预测误差(即，)被最小化。模型训练器124可以类似地训练用于预测IOL度数和IOL放置位置的附加MISO模型。

通常，MISO模型的输出包括大量的可能IOL类型、度数和放置中的推荐的IOL类型、IOL度数和IOL放置信息。例如，MISO模型可以从大量的可能IOL类型、IOL度数和IOL放置中单独输出单个推荐，并且这些单个推荐可以对应于最有可能导致当前患者的积极手术效果的IOL类型、IOL度数和IOL放置。在另一个示例中，MISO模型可以输出大量的可能IOL类型、度数和放置的概率分布。例如，推荐的IOL类型可以对应于在IOL类型的概率分布中具有最高概率分数的IOL类型；推荐的IOL度数可以对应于在IOL度数的概率分布中具有最高概率分数的IOL度数；并且推荐的IOL放置可以对应于在IOL度数的概率分布中具有最高概率分数的IOL放置。在图1A的示例中，经训练的MISO模型125然后可以被部署成在用户控制台130处使用以预测当前患者的IOL参数，如下文进一步详细描述的。

在一些方面，ML模型125可以是被训练成生成推荐的IOL参数的深度学习模型。这些深度学习模型可以包括例如卷积神经网络(CNN)、对抗学习算法、生成网络或可以学习数据集中可能没有在用于训练这种模型的数据中明确定义的关系的其他深度学习算法。在这种情况下，可以使用由测量设备110捕获的原始数据来训练ML模型125，该原始数据如可以从中得到解剖参数的典型数值测量结果的二维或三维图像。ML模型125可以例如将输入映射到深度学习模型的一层或多层中的不同神经元(例如，其中，ML模型是使用神经网络生成的)，其中，ML模型125中的每个神经元表示输入的内部表示中随时间习得的新特征。这些神经元然后可以被映射到表示推荐的IOL参数的输出，如以上所讨论的。

在训练ML模型125之后，模型训练器124将ML模型125部署到用户控制台130，以用于预测当前患者的IOL参数。测量设备110生成与当前患者的眼睛的解剖参数的测量结果相关联的数据点，并将这些数据点传输到服务器120、用户控制台130和/或存储库140。注意，在测量设备110将数据点传输到服务器120或用户控制台130(与将它们直接传输到存储库140相反)的实施例中，数据点可以在稍后由服务器120或用户控制台130提交到存储库140，该存储库将测量结果存储在当前患者的记录中。

在手术前，用户控制台130(从存储库140或从用户控制台130处的临时存储器)取得数据点，并将数据点和其他患者信息(例如，当前患者的人口统计信息等)输入到ML模型125中。用户控制台130然后输出由ML模型125生成的推荐。在完成对当前患者的手术后，用户控制台130向服务器120和/或存储库140提供实际治疗数据(其可以与推荐的治疗相同或不同)。注意，实际治疗和推荐的治疗可以不同，因为外科医生可以选择不遵循推荐的治疗(例如，推荐的IOL参数)。然后，将当前患者的实际治疗数据存储在存储库140的当前患者记录中。

关于当前患者是否对白内障手术的效果满意的信息随后被用于扩充存储库140中的当前患者记录。更具体地，当前患者的满意度信息作为治疗结果信息存储在患者记录中。存储库140从用户控制台130、服务器120或其他计算设备(未示出)接收并存储该满意度信息。

存储库140中的记录(包括与当前患者的一个或多个解剖参数的测量结果相关联的数据点、实际治疗数据和治疗结果数据)然后被转换成用于再训练ML模型125的训练数据集中的新样本。更一般地，每当治疗新的(即，当前)患者时，关于新患者的信息可以保存在存储库140中以补充(多个)训练数据集，并且经补充的(多个)训练数据集可以用于再训练ML模型125。

如所讨论的，用于训练ML模型125的数据集由TDG 122生成。例如，TDG 122可以访问存储库140中的所有患者记录并生成数据集以供模型训练器124使用。如以上所讨论的，在某些方面，TDG 122可以基于模型训练器124被配置为训练MIMO ML模型还是多个MISO ML模型来生成训练数据集。例如，在模型训练器124被配置为训练MIMO ML模型的情况下，TDG122可以被配置为生成单个训练数据集，该单个训练数据集包括患者的人口统计信息、与解剖参数的测量结果相关联的数据点、实际治疗数据(实际IOL类型、IOL度数和IOL放置位置)以及患者的治疗结果数据。另一方面，在模型训练器124被配置为训练多个MISO ML模型的方面，TDG 122可以被配置为生成多个训练数据集。例如，第一训练数据集可以用于训练用于在给定与当前患者的解剖参数的测量结果相关联的数据点的情况下预测当前患者的IOL类型的MISO模型125，第二训练数据集可以用于训练用于在给定与当前患者的解剖参数的测量结果相关联的数据点的情况下预测当前患者的IOL度数的MISO ML模型125，并且第三训练数据集可以用于训练用于在给定与当前患者的解剖参数的测量结果相关联的数据点的情况下预测当前患者的IOL放置信息的MISO ML模型125。

在一些方面，TDG 122可以生成由模型训练器124用来训练识别当前患者的禁忌IOL参数的禁忌ML模型的数据集。在某些方面，可以基于模型训练器124被配置为生成多个MISO禁忌模型还是单个禁忌MIMO模型来生成用于训练这种禁忌ML模型的训练数据集。例如，在模型训练器124被配置为训练MIMO禁忌ML模型的情况下，TDG 122可以被配置为生成包括与解剖参数的测量结果相关联的数据点、治疗数据以及最终报告了消极手术效果的患者的治疗结果信息的训练数据集。类似地，在模型训练器124被配置为训练多个MISO禁忌模型的情况下，TDG 122可以被配置为生成多个训练数据集。第一训练数据集可以将与解剖参数的测量结果相关联的数据点与报告了消极手术效果的患者的IOL类型相关联，第二训练数据集可以将与解剖参数的测量结果相关联的数据点与报告了消极手术效果的患者的IOL度数相关联，并且第三训练数据集可以将与解剖参数的测量结果相关联的数据点与报告了消极手术效果的患者的IOL放置位置相关联。

如下文进一步描述的，一旦部署了经训练的ML模型125，TDG 122就继续用与所部署的ML模型125为其提供预测的IOL参数的患者相关的信息来扩充训练数据集。例如，在图1A的实施例中，外科医生可以使用用户控制台130利用所部署的ML模型125来预测新患者的最佳IOL参数。在该示例中，如以上所描述的，然后将新记录添加到存储库140，该新记录可以包括关于新患者的信息，包括人口统计信息、与解剖参数的测量结果相关联的数据点、实际治疗数据(例如，用于患者的IOL参数)和/或治疗结果信息。然后，TDG 122扩充(多个)数据集，用于再训练ML模型125。在某些方面，每当关于新的(即，当前)患者的信息变得可用时，TDG 122就扩充(多个)数据集。在某些其他方面，TDG 122用一批新患者记录来扩充(多个)数据集，这可能更具资源高效性。例如，一旦新患者记录的数量达到100(或者，更一般地，某个阈值数量)，TDG 122就可以使用与这100个新患者记录相关联的信息来扩充(多个)数据集。在这样的示例中，然后有100个新样本可供模型训练器124再训练ML模型125。

用户控制台130通常表示通信地耦接到服务器120、存储库140和/或测量设备110的计算设备或系统。在某些实施例中，用户控制台130可以是台式计算机、膝上型计算机、平板计算机、智能手机或(多种)其他计算设备。例如，用户控制台130可以是在外科医生办公室或诊所使用的计算系统。在另一个示例中，用户控制台130可以是外科医生在手术室中为当前患者执行白内障手术所使用的手术控制台。在这样的示例中，手术控制台可以驱动一个或多个工具，包括用于乳化和吸出患者晶状体的晶状体乳化探针。

在图1A的示例中，经训练的ML模型125由服务器120部署到用户控制台130，以用于为当前患者预测将优化患者手术效果的IOL参数。如所展示的，用户控制台130包括治疗数据记录器(“TDR”)131、治疗结果数据记录器(“TRDR”)132和治疗推荐发生器(“TRG”)134。

TRG 134通常指软件模块或一组软件指令或算法，包括ML模型125，其获取关于当前患者的一组输入并生成IOL参数作为输出。在某些实施例中，TRG 134被配置为从存储库140、测量设备110、用户控制台130的用户界面以及医疗团队可以用来记录关于当前患者的信息的其他计算设备中的至少一者接收该组输入。在某些实施例中，TGR 134将IOL参数输出到与用户控制台130通信地耦接的显示设备，打印推荐的IOL参数，生成一个或多个电子消息(包括IOL参数)并将其传输到目的地设备(例如，连接的设备，如平板计算机、智能手机、可穿戴设备等)，等等。

在一些方面，基于与当前患者的解剖参数的测量结果相关联的数据点，TRG 134可以最初确定数据点中的一个或多个是否对应于异常测量结果。通常，异常测量结果可以是偏离特定解剖参数的正常测量结果的典型分布的测量结果，或者在其他方面是不清楚或不明确的测量结果。在某些方面，为了确定当前患者的解剖测量结果中的一个或多个是否对应于异常测量结果，TRG 134可以使用被配置为将与解剖参数的测量结果相关联的数据点分类为异常或非异常的经训练和部署的ML模型125。在一个示例中，可能已经使用将与历史患者的解剖参数的测量结果相关联的数据点标记为异常或非异常的数据集利用监督学习分类算法对这样的ML模型125进行了训练。

如果当前患者的数据点在测量结果的已知典型分布内，则TRG 134可以向用户控制台130的用户指示与当前患者的解剖参数的测量结果相关联的数据点不是异常的。在这种情况下，TRG 134可以推迟生成IOL参数，直到用户通过用户输入向用户控制台130明确请求预测的IOL参数。然而，如果数据点中的至少一个被确定为异常，则TRG 134可以向用户控制台130的用户指示数据点是异常的，并且可以继续提供推荐，包括用于优化当前患者的手术效果的IOL参数。为了生成当前患者的IOL参数，TRG 134可以使用另一组经训练和部署的ML模型125，其能够例如预测当前患者的最佳和/或禁忌IOL参数。

用户控制台130还包括TDR 131，其接收或生成关于提供给当前患者的治疗的治疗数据。如上所述，治疗数据可以包括用于当前患者的实际IOL参数以及任何附加的相关信息，如执行白内障手术的方法等。如前面定义的，实际IOL参数是指外科医生实际植入当前患者的眼睛中的IOL的类型、度数和放置信息。在外科医生不遵循预测的IOL参数的情况下，实际IOL参数将不同于预测的IOL参数。在某些这样的情况下，TDR 131可以接收治疗数据作为对用户控制台130的用户界面的用户输入。在外科医生遵循预测的IOL参数的情况下，实际IOL参数将与预测的IOL参数相同。在某些这样的情况下，TDR 131将预测的IOL参数视为作为治疗数据的一部分记录的实际IOL参数。在图1A的实施例中，TDR 131将实际IOL参数传输到存储库140和/或服务器120。然后，存储库140用用于治疗的实际IOL参数来扩充当前患者的记录。

TRDR 132通常允许用户控制台130的用户提供标识治疗的手术效果的术后信息。虽然TRDR 132被展示为在用户控制台130上执行，但是本领域技术人员应该认识到，TRDR132可以在与用户控制台130分离的计算设备上执行。TRDR 132可以允许用户控制台130的用户(例如，直接经由摄取由患者提供的调查数据等)记录患者对眼科手术程序的满意度、与解剖参数的测量结果相关联的术后数据点以及可以用于训练或再训练ML模型125的其他信息。TRDR 132可以将治疗结果数据传输到存储库140和/或服务器120。存储库140用治疗结果数据扩充当前患者的记录。

如上所述，模型训练器124稍后使用当前患者的记录来再训练ML模型125，该当前患者的记录指示当前患者的治疗数据、治疗结果数据、与解剖参数的测量结果相关联的数据点、人口统计信息等。

图1B展示了另一个示例计算环境100B，其中，执行训练和使用机器学习模型来生成IOL参数。如所展示的，计算环境100B包括一个或多个测量设备110、服务器120、用户控制台130和历史患者数据存储库140。在图1B的示例中，TDG 122、模型训练器124、TDR 131、TRDR 132和TRG 134都在服务器120上执行。所有这些软件模块的功能都与参照图1A中描述的功能相同或至少基本上类似。在图1B的示例中，测量设备110可以将与当前患者的解剖参数的测量结果相关联的数据点传输到服务器120和/或存储库140。TRG 134基于与当前患者相关联的一组输入生成预测的IOL参数，并将预测的IOL参数传输到用户控制台130。用户控制台130然后将治疗数据和治疗结果数据分别传输回TDR 131和TRDR 132，该TDR和TRDR处理对应的信息并将其存储在存储库140处。

图1C展示了示例计算环境100C，其中，在测量设备110上执行生成用于眼科手术程序的参数的推荐。如所展示的，计算环境100C包括测量设备110、服务器120和历史患者数据存储库140。在图1C的示例中，TDR 131、TRDR 132和TRG 134都在测量设备110上执行。所有这些软件模块的功能都与参照图1A和图1B中描述的功能相同或至少基本上类似。

如所展示的，测量设备110包括测量硬件/软件112，该测量硬件/软件通常指与OCT设备、角膜曲率计或地形设备相关联的硬件和软件部件和模块。测量设备110还可以包括用户界面和/或显示设备，从而使得用户能够输入和/或查看与TDR 131、TRDR 132和TRG 134的功能相关的信息。

用于基于使用机器学习模型生成的推荐执行白内障手术的示例方法

图2展示了根据本文所描述的某些方面的示例操作200，这些示例操作可以由计算系统执行，以训练和使用ML模型以至少基于与当前患者的解剖参数的测量结果相关联的数据点来生成用于当前患者的白内障手术的包括IOL参数的推荐。操作200可以由图1A至图1C中展示的用户控制台130、服务器120或测量设备110中的一者或多者来执行。

如所展示的，操作200开始于框210，其中，计算系统生成用于训练一个或多个机器学习模型的训练数据集(或多个训练数据集)。训练数据集通常通过将与多个历史患者中的每个历史患者的解剖参数的测量结果相关联的人口统计信息和/或数据点映射到对应的治疗数据(例如，用于对历史患者执行的白内障手术的IOL参数、手术工具、特定手术方法等)以及对应的治疗结果数据(例如，历史患者对手术结果满意或不满意)来生成。在一些方面，也可以在映射如外科医生偏好、期望的效果等时使用其他信息。

在框220处，系统基于(多个)训练数据集训练ML模型。ML模型通常被训练成在给定输入(至少包括与患者的解剖参数的测量结果相关联的数据点)的情况下生成推荐，包括用于给定患者的预测的最佳和禁忌IOL参数。如所讨论的，预测的IOL参数可以识别用于治疗当前患者的候选IOL类型、IOL度数信息和IOL放置信息中的至少一者。在一些方面，对ML模型的输入可以包括附加信息，如当前患者的人口统计信息、白内障手术的期望结果、患者是否期望改善特定类型的视力(例如，夜视)、外科医生执行白内障手术时的偏好以及可能影响为当前患者推荐的IOL参数的其他信息。在某些方面，由ML模型生成的推荐可以进一步包括对要使用的手术工具和/或手术方法的推荐，以及可能有助于外科医生优化手术效果的附加推荐。

在框230处，系统生成与要治疗的眼睛的解剖参数的测量结果相关联的一个或多个数据点。数据点通常包括由OCT设备、角膜曲率计、地形设备或可以用于这些数据点的其他设备生成的数据。数据点可以包括解剖参数的测量结果或可以从中得到这种测量结果的数据。

在框240处，系统可选地确定与解剖参数的测量结果相关联的数据点中的至少一个数据点对应于异常数据点。如所讨论的，系统可以基于数据点与典型的对应数据点所在的值范围的比较来确定数据点是异常的。例如，表示解剖参数的测量结果的数据点通常可以具有在下限x与上限y之间的范围内的值(即，非异常数据点具有通常处于x与y之间的值)。如果数据点具有小于x或大于y的值，则系统可以确定该数据点是异常的。

在框250处，系统使用一个或多个经训练的机器学习模型生成推荐，包括预测的IOL参数。对要在执行中使用的IOL的推荐可以至少部分地基于与患者的解剖参数的测量结果相关联的数据点以及关于框220描述的其他类型的输入。所生成的推荐还可以包括同样关于框220进行描述的附加信息。

图3展示了根据本文所描述的某些方面的示例操作300，这些示例操作可以由计算系统执行，以训练一个或多个机器学习模型至少基于与当前患者的解剖参数的测量结果相关联的数据点生成用于当前患者的白内障手术的包括IOL参数的推荐。操作300可以例如由计算系统中的服务器(如在图1A至图1C中展示并在上文中讨论的服务器120)的一个或多个部件(例如，训练数据发生器122和/或模型训练器124)执行。

如所展示的，操作300可以开始于框310，其中，系统取得一组历史患者记录。该组历史患者记录中的每个记录都包括关于特定历史患者的信息。如所讨论的，例如，每个记录都包括人口统计信息、与解剖参数的测量结果相关联的数据点、治疗数据和/或为历史患者记录的治疗结果信息。

在框320处，系统通过针对多个历史患者中的每个历史患者将历史患者的人口统计信息、与历史患者的解剖参数的测量结果相关联的数据点以及结果参数映射到用于治疗历史患者的实际IOL参数来生成训练数据集。通常，通过将这些历史患者的数据点和结果参数映射到其实际IOL参数，训练数据集可以允许ML模型被训练成在至少给定与未来(即，当前)患者的解剖参数的测量结果相关联的数据点的输入的情况下预测或者在其他方面推荐最佳IOL参数。

在框330处，系统基于训练数据集训练一个或多个ML模型。经训练的ML模型可以被训练成在至少给定与当前患者的解剖参数的测量结果相关联的数据点作为输入的情况下生成一个或多个推荐，包括用于治疗当前患者的最佳IOL参数。如所讨论的，最佳IOL参数可以包括用于治疗当前患者的候选IOL类型、IOL度数信息和IOL放置信息中的至少一者。在一些方面，ML模型可以包括输出最佳IOL参数的第一组ML模型以及输出禁忌或在其他方面不推荐的IOL参数的第二组ML模型。ML模型可以是MIMO模型或者可以是单独地生成IOL类型、IOL度数和IOL放置推荐的一组MISO模型。

在框340处，系统部署经训练的ML模型以供使用。经训练的ML模型可以被部署到一个或多个服务器计算机、用户控制台、其中集成了计算设备的测量设备等，例如图1A至图1C中展示的，或者甚至是图1A至图1C中未示出的计算设备。

图4展示了根据本文所描述的某些方面的示例操作400，这些示例操作可以由计算系统执行，以至少基于与当前患者的解剖参数的测量结果相关联的数据点生成用于当前患者的白内障手术的包括IOL参数的推荐。操作400可以例如由治疗推荐发生器(如图1A至图1C中展示的TRG 134)来执行。

如所展示的，操作400可以开始于框410，其中，系统生成与要治疗的眼睛的解剖参数的测量结果相关联的数据点。数据点可以包括由OCT设备、角膜曲率计或地形设备获得的数据点。如所讨论的，数据点可以包括由这些设备生成的测量结果或原始数据。

在框420处，系统使用经训练的ML模型生成包括最佳IOL参数的推荐。所生成的推荐可以至少部分地基于在框410处提供的数据点。在一些方面，如关于图2的框220所描述的，所生成的推荐可以进一步基于其他类型的输入。推荐可以进一步包括对要使用的手术工具和/或手术方法的推荐，以及可能有助于外科医生优化手术效果的附加推荐。

图5展示了根据本文所描述的某些方面的示例操作500，这些示例操作可以由一个或多个计算系统执行，以至少基于与当前患者的解剖参数的测量结果相关联的数据点生成用于当前患者的白内障手术的包括IOL参数的推荐。操作500可以例如由治疗推荐发生器(如图1A至图1C中展示的TRG 134)来执行。

在框510处，系统接收与要治疗的眼睛的解剖参数的测量结果相关联的数据点。

在框520处，系统使用经训练的ML模型生成一个或多个推荐，包括要对当前患者执行的白内障手术的IOL参数。所生成的推荐可以至少部分地基于数据点。

在框530处，系统向指定目的地设备传输所生成的一个或多个推荐。指定目的地设备可以是通过其执行对眼科手术的规划的用户控制台(其可以经由网络或点对点连接与一个或多个测量设备通信地耦接，或者与测量设备成一体)或能够从另一设备接收电子消息的设备。用于基于使用机器学习模型生成的推荐执行白内障手术的示例系统

图6展示了示例系统600，该示例系统使用机器学习模型来帮助执行眼科手术程序(例如白内障手术)。例如，系统600可以包括图1中展示的测量设备110、服务器120和/或用户控制台130中的一者或多者。

如所示出的，系统600包括中央处理单元(CPU)602、可以允许各种I/O装置614(例如，键盘、显示器、鼠标装置、笔输入等)连接到系统600的一个或多个I/O装置接口604、系统600通过其连接到网络690(其可以是本地网络、内联网、互联网或彼此通信地连接的任何其他计算装置组)的网络接口606、存储器608、存储装置610和互连件612。

CPU 602可以检索并执行存储在存储器608中的编程指令。类似地，CPU 602可以检索并存储存在于存储器608中的应用数据。互连件612在CPU 602、I/O设备接口604、网络接口606、存储器608和存储装置610之间传输编程指令和应用数据。

包括CPU 602以表示单个CPU、多个CPU、具有多个处理核的单个CPU等。

存储器608表示如随机存取存储器等易失性存储器和/或如非易失性随机存取存储器、相变随机存取存储器等非易失性存储器。如所示出的，存储器608包括测量软件或指令620、TRG 630、TDR 640、TRDR 645、TDG 650、模型训练器660和存储库670。测量软件620通常被配置为从作为系统600的一部分的光学硬件(例如，OCT扫描仪等)或连接的测量设备(例如，OCT设备、角膜曲率计、地形设备)接收原始图像或反射率数据，并由此生成与一个或多个解剖参数的测量结果相关联的数据点。测量软件620可以向TRG 630输出与解剖参数的测量结果相关联的数据点，以用于提供推荐，包括预测眼科手术程序的最佳IOL参数。

TRG 630包括或使用由模型训练器660训练的一个或多个经训练和部署的ML模型。TRG 630通常处理与从测量软件620或从外部来源接收的解剖参数的测量结果相关联的至少一个或多个数据点，并且使用一个或多个ML模型生成一个或多个推荐，包括用于患者眼睛的最佳和/或禁忌IOL参数。

如先前所定义的，TDR 640通常允许系统600的用户记录实际治疗数据。TDR 640可以聚集用于患者的实际IOL参数并将数据输出到存储库670，以用于存储和在生成用于训练部署到TRG 630并由其使用的一个或多个ML模型的训练数据集时进一步使用。TRDR 645通常允许系统600的用户记录关于眼科手术程序的效果的信息，如结果参数。TRDR 645可以聚集记录的效果信息并将数据输出到历史患者数据存储库670，以用于存储和在生成用于训练部署到TRG 630并由其使用的一个或多个机器学习模型的训练数据集时进一步使用。

如所讨论的，TDG 650通常使用(例如，存储在历史患者数据存储库670中的)历史患者信息来生成训练数据集，模型训练器660可以使用这些训练数据集来训练部署到治疗推荐发生器630并由其使用的一个或多个ML模型。

模型训练器660通常训练由治疗推荐发生器630在预测眼科手术程序的最佳(并且在一些方面，禁忌)IOL参数时使用的一个或多个ML模型。如所讨论的，模型训练器660可以使用由训练数据发生器650生成的训练数据集来训练ML模型，并且可以将经训练的ML模型部署到TRG 630(或远程系统)以供使用。

附加考虑

提供前面的描述是为了使本领域的任何技术人员能够实践本文所描述的各种实施例。对这些实施例的各种修改对于本领域技术人员来说是显而易见的，并且本文所定义的一般原理可以应用于其他实施例。例如，在不脱离本公开的范围的情况下，可以对所讨论的元素的功能和布置进行改变。各种示例可以适当地省略、替换或添加各种程序或部件。此外，关于一些示例描述的特征可以在一些其他示例中组合。例如，可以使用本文阐述的任何数量的方面来实施装置或实践方法。另外，本公开的范围旨在覆盖使用除了或不同于本文阐述的本公开的各个方面的其他结构、功能或结构和功能来实践的装置或方法。应当理解，本文所公开的本公开的任何方面可以由权利要求的一个或多个元素来体现。

如本文所使用的，关于项目列表中的“至少一个”的短语是指那些项目的任何组合，包括单个成员。例如，“a、b或c中的至少一个”旨在涵盖a、b、c、a-b、a-c、b-c和a-b-c以及与同一元素的倍数的任意组合(例如，a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c和c-c-c或a、b和c的任何其他顺序)。

如本文所使用的，术语“确定”包括多种多样的动作。例如，“确定”可以包括计算、运算、处理、导出、调查、查找(例如，在表格、数据库或其他数据结构中查找)、查明等。而且，“确定”可以包括接收(例如，接收信息)、访问(例如，访问存储器中的数据)等。而且，“确定”可以包括解析、选择、挑选、建立等。

本文所公开的方法包括用于实现方法的一个或多个步骤或动作。在不脱离权利要求的范围的情况下，方法步骤和/或动作可以彼此互换。换句话说，除非指定了特定的步骤或动作顺序，否则可以在不脱离权利要求的范围的情况下修改特定步骤和/或动作的顺序和/或使用。进一步地，上述方法的各种操作可以由能够执行对应功能的任何合适的装置来执行。这些装置可以包括各种硬件和/或软件部件和/或模块，包括但不限于电路、专用集成电路(ASIC)或处理器。通常，在图中展示了操作的情况下，那些操作可以具有对应的带类似编号的对应装置加功能部件。

结合本公开描述的各种说明性逻辑块、模块和电路可以用被设计成执行本文描述的功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件(PLD)、离散门或晶体管逻辑、离散硬件部件、或其任何组合来实施或执行。通用处理器可以是微处理器，但在替代方案中，处理器可以是任何可商购的处理器、控制器、微控制器、或状态机。处理器还可以被实施为计算装置的组合，例如，DSP与微处理器的组合、多个微处理器、结合DSP核的一个或多个微处理器或者任何其他这种配置。

处理系统可以用总线架构来实施。根据处理系统的具体应用和总体设计约束，总线可以包括任何数量的互连总线和桥。总线可以将包括处理器、机器可读介质和输入/输出装置等的各种电路链接在一起。用户接口(例如，键盘、显示器、鼠标、操纵杆等)也可以连接到总线。总线还可以链接如定时源、外围设备、电压调节器、电源管理电路等各种其他电路，这些电路在本领域中是众所周知的，并且因此将不再进一步描述。处理器可以用一个或多个通用和/或专用处理器来实施。示例包括微处理器、微控制器、DSP处理器和其他可以执行软件的电路系统。本领域的技术人员将认识到如何根据具体应用和施加在整个系统上的总体设计约束来最好地实施处理系统的所述功能。

如果以软件实施，则功能可以作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质进行传输。软件应广义地解释为指令、数据或其任何组合，无论是称为软件、固件、中间件、微码、硬件描述语言还是其他。计算机可读介质包括计算机存储介质和通信介质(如促进计算机程序从一个地方到另一个地方的传递的任何介质)两者。处理器可以负责管理总线和一般处理，包括存储在计算机可读存储介质上的软件模块的执行。计算机可读存储介质可以耦接到处理器，使得处理器可以从存储介质读取信息和向存储介质写入信息。在替代方案中，存储介质可以与处理器成一体。举例来说，计算机可读介质可以包括传输线、由数据调制的载波和/或其上存储有与无线节点分离的指令的计算机可读存储介质，所有这些都可以由处理器通过总线接口访问。替代性地或另外，计算机可读介质或其任何部分可以被集成到处理器中，如可以具有高速缓存和/或通用寄存器文件的情况。举例来说，机器可读存储介质的示例可以包括RAM(随机存取存储器)、闪存、ROM(只读存储器)、PROM(可编程只读存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、寄存器、磁盘、光盘、硬盘驱动器、或任何其他合适的存储介质、或其任何组合。机器可读介质可以体现在计算机程序产品中。

软件模块可以包括单个指令或多个指令，并且可以分布在若干不同的代码段上，分布在不同的程序之间，并且跨多个存储介质分布。计算机可读介质可以包括多个软件模块。软件模块包括指令，这些指令当由如处理器等设备执行时使处理系统执行各种功能。软件模块可以包括传输模块和接收模块。每个软件模块可以存在于在单个存储装置中，或者跨多个存储装置分布。举例来说，当触发事件发生时，软件模块可以从硬盘驱动器加载到RAM中。在软件模块的执行期间，处理器可以将一些指令加载到高速缓存中以提高访问速度。然后，一个或多个高速缓存行可以被加载到通用寄存器文件中以供处理器执行。当提及软件模块的功能时，应当理解这种功能是由处理器在执行来自该软件模块的指令时实施的。

以下权利要求不旨在限于本文所示的实施例，而是被赋予与权利要求的语言一致的全部范围。在权利要求中，除非特别说明，否则对单数元件的引用并非旨在表示“一个且仅一个”，而是“一个或多个”。除非另外特别说明，否则术语“一些”是指一个或多个。根据35U.S.C.§112(F)的规定，将不解释任何权利要求的元素，除非使用“用于……的装置”的短语明确地叙述这些元素，或者在方法权利要求的情况下，使用“用于……的步骤”的短语叙述这些元素。本领域普通技术人员已知或以后将知道的在整个本公开所描述的各个方面的元素的所有结构和功能等同物通过引用明确地并入本文，并且旨在由权利要求涵盖。此外，无论在权利要求中是否明确地叙述了这样的公开，本文所公开的内容都不旨在致力于公众。

Claims (47)

1.一种确定要在白内障手术程序中使用的人工晶状体IOL的一个或多个IOL参数的方法，所述方法包括：

使用一个或多个测量设备生成与要治疗的眼睛的解剖参数的测量结果相关联的一个或多个数据点；以及

使用一个或多个经训练的机器学习模型至少部分地基于与所述要治疗的眼睛的解剖参数的测量结果相关联的所述一个或多个数据点来生成一个或多个推荐，所述一个或多个推荐包括要在所述白内障手术中使用的所述IOL的一个或多个IOL参数，其中：

所述一个或多个经训练的机器学习模型是基于至少一个历史数据集进行训练的，其中，所述历史数据集中的每个条目包括与历史患者的解剖参数的测量结果相关联的一个或多个数据点，所述一个或多个数据点映射到与所述历史患者相关联的治疗数据和治疗结果数据，其中：

与所述历史患者相关联的所述治疗数据指示用于治疗所述历史患者的对应IOL的至少一个或多个实际的IOL参数；

与所述历史患者相关联的所述治疗结果数据指示至少一个或多个结果参数，所述至少一个或多个结果参数指示所述历史患者的手术效果，并且

所述一个或多个IOL参数包括要使用的IOL类型、所述IOL的度数或用于将所述IOL植入所述眼睛中的放置信息中的一者或多者。

2.如权利要求1所述的方法，其中，所述一个或多个数据点包括从所述眼睛的截面视图、所述眼睛的地形图或与所述眼睛相关联的光图案反射中的一者或多者得到的测量结果。

3.如权利要求1所述的方法，其中，所述一个或多个数据点包括由所述一个或多个测量设备生成的能够从中得到解剖参数的测量结果的原始数据。

4.如权利要求1所述的方法，进一步包括：

基于所述一个或多个数据点与表示历史患者的非异常测量结果的数据点的分布的比较来确定所述一个或多个数据点中的至少一个数据点对应于异常测量结果，其中，所述一个或多个推荐是进一步基于所述确定所述一个或多个数据点中的至少一个数据点对应于异常测量结果来生成的。

5.如权利要求1所述的方法，其中，生成包括要在所述白内障手术中使用的所述IOL的一个或多个IOL参数的所述一个或多个推荐进一步基于所述治疗的目标结果。

6.如权利要求1所述的方法，其中，所述一个或多个经训练的机器学习模型包括多输出机器学习模型，所述多输出机器学习模型针对与解剖参数的测量结果相关联的所述一个或多个数据点生成标识候选晶状体类型、晶状体度数和晶状体放置位置的输出。

7.如权利要求1所述的方法，其中，所述一个或多个经训练的机器学习模型包括被配置为识别推荐的IOL参数的第一组机器学习模型和被配置为识别所述要治疗的眼睛的禁忌的IOL参数的第二组机器学习模型。

8.如权利要求7所述的方法，其中，所述第一组机器学习模型被配置为基于用于训练所述第一组机器学习模型的训练数据集中指示患者对每次治疗感到满意的满意度度量来识别推荐的IOL参数，并且所述第二组机器学习模型被配置为基于用于训练所述第二组机器学习模型的训练数据集中指示患者对每次治疗感到不满的满意度度量来识别禁忌的IOL参数。

9.如权利要求1所述的方法，其中，所述一个或多个推荐是进一步基于指示在对所述要治疗的眼睛施加治疗方面的用户偏好的一个或多个附加数据点生成的。

10.如权利要求1所述的方法，进一步包括：

记录所述治疗的效果；以及

将所述IOL类型和所述人工晶状体的放置到所述治疗的所记录效果的映射添加到用于再训练所述一个或多个机器学习模型的训练数据集。

11.如权利要求1所述的方法，进一步包括：

使用所述一个或多个经训练的机器学习模型来识别与关联到解剖参数的测量结果的类似数据点相关联的先前治疗；

取得与所识别的先前治疗相关联的附加信息；以及

输出所述附加信息以供显示。

12.如权利要求1所述的方法，其中，生成与所述要治疗的眼睛的解剖参数的测量结果相关联的所述一个或多个数据点包括：

生成所述眼睛的截面视图，以及

基于所生成的截面视图测量一个或多个解剖参数，其中，所述一个或多个解剖测量结果包括眼轴长度测量结果、角膜厚度测量结果、房深度测量结果或晶状体厚度测量结果中的一者或多者。

13.如权利要求1所述的方法，其中，生成与所述要治疗的眼睛的解剖参数的测量结果相关联的所述一个或多个数据点包括基于光图案分析生成所述眼睛的地形图，所述地形图至少示出所述眼睛的测得的曲率。

14.一种用于执行白内障手术程序的方法，所述方法包括：

接收与要治疗的眼睛的一个或多个解剖参数的测量结果相关联的一个或多个数据点；

使用一个或多个经训练的机器学习模型至少部分地基于测得的一个或多个数据点来生成一个或多个推荐，所述一个或多个推荐包括要在所述白内障手术中使用的人工晶状体IOL的一个或多个IOL参数，其中：

所述一个或多个经训练的机器学习模型是基于至少一个历史数据集进行训练的，其中，所述历史数据集中的每个条目包括与历史患者的一个或多个解剖参数的测量结果相关联的数据点，所述数据点映射到与所述历史患者相关联的治疗数据和治疗结果数据，

与所述历史患者相关联的所述治疗数据指示用于治疗所述历史患者的对应IOL的实际的IOL参数中的至少一个或多个实际的IOL参数，

与所述历史患者相关联的所述治疗结果数据指示至少一个或多个结果参数，所述至少一个或多个结果参数指示所述历史患者的手术效果，并且

所述一个或多个IOL参数包括要使用的IOL类型、所述IOL的度数或用于将所述IOL植入所述眼睛中的放置信息中的一者或多者；以及

向指定目的地设备传输为所述白内障手术生成的一个或多个推荐。

15.如权利要求14所述的方法，进一步包括：

基于所述数据点与表示历史患者的非异常测量结果的数据点的分布的比较来确定所述一个或多个数据点中的至少一个数据点对应于异常数据点，其中，所述一个或多个推荐是进一步基于所述确定所述测得的一个或多个数据点中的至少一个数据点对应于异常测量结果来生成的。

16.如权利要求14所述的方法，其中，生成所述一个或多个推荐进一步基于所述治疗的目标结果。

17.如权利要求14所述的方法，其中，所述一个或多个经训练的机器学习模型包括多输出机器学习模型，所述多输出机器学习模型针对所述一个或多个数据点生成标识候选晶状体类型、晶状体度数和晶状体放置位置的输出。

18.如权利要求14所述的方法，其中，所述一个或多个经训练的机器学习模型包括被配置为识别推荐的IOL参数的第一组机器学习模型和被配置为识别所述要治疗的眼睛的禁忌的IOL参数的第二组机器学习模型。

19.如权利要求18所述的方法，其中，所述第一组机器学习模型被配置为基于用于训练所述第一组机器学习模型的训练数据集中指示患者对每次治疗感到满意的满意度度量来识别推荐的IOL参数，并且所述第二组机器学习模型被配置为基于用于训练所述第二组机器学习模型的训练数据集中指示患者对每次治疗感到不满的满意度度量来识别禁忌的IOL参数。

20.如权利要求14所述的方法，其中，所述一个或多个推荐是进一步基于指示在对所述要治疗的眼睛施加治疗方面的用户偏好的一个或多个附加数据点生成的。

21.如权利要求14所述的方法，进一步包括：

接收标识所述治疗的效果的信息；以及

将所述IOL类型和所述人工晶状体的放置到所述治疗的所记录效果的映射添加到用于再训练所述一个或多个机器学习模型的训练数据集。

22.如权利要求14所述的方法，进一步包括：

使用所述一个或多个经训练的机器学习模型来识别具有与一个或多个解剖参数的测量结果相关联的类似数据点的先前治疗；

取得与所识别的先前治疗相关联的附加信息；以及

向接收设备传输所述附加信息以供显示。

23.一种用于训练机器学习模型以生成用于眼科治疗的推荐的方法，所述方法包括：

由一组历史患者记录生成训练数据集，其中，所述训练数据集中的每个记录对应于历史患者并且包括标识以下各项的信息：

与所述历史患者的解剖参数的测量结果相关联的一个或多个数据点，

用于治疗所述历史患者的对应人工晶状体IOL的一个或多个IOL参数，以及

指示所述历史患者的手术效果的一个或多个治疗结果参数；基于所述训练数据集训练一个或多个机器学习模型，以至少基于与当前患者的眼睛的解剖参数的测量结果相关联的一个或多个数据点来生成标识用于治疗所述当前患者的候选人工晶状体IOL类型、IOL度数信息和IOL放置位置信息中的至少一者的输出；以及

将经训练的一个或多个机器学习模型部署到一个或多个计算系统。

24.如权利要求23所述的方法，进一步包括：

生成与所述当前患者的眼睛的解剖参数的测量结果相关联的所述数据点，其中，生成与所述当前患者的眼睛的解剖参数的测量结果相关联的所述数据点包括：

生成所述当前患者的眼睛的截面视图，以及

基于所生成的截面视图测量所述患者的眼睛的眼轴长度测量结果、角膜厚度测量结果、房深度测量结果和晶状体厚度测量结果中的至少一者。

25.如权利要求23所述的方法，进一步包括：

生成与所述当前患者的眼睛的解剖参数的测量结果相关联的所述数据点，其中，生成与所述当前患者的眼睛的解剖参数的测量结果相关联的所述数据点包括：

基于光图案分析生成所述当前患者的眼睛的地形图，以及

基于所述地形图测量所述一个或多个解剖参数中的至少一个解剖参数，包括所述当前患者的眼睛的表面特征。

26.如权利要求23所述的方法，进一步包括：

生成与所述当前患者的眼睛的解剖参数的测量结果相关联的所述数据点，其中，生成与所述当前患者的眼睛的解剖参数的测量结果相关联的所述数据点包括：

生成所述当前患者的眼睛的光图案分析，以及

基于所述光图案分析测量所述一个或多个解剖参数中的至少一个解剖参数，包括所述当前患者的眼睛的表面的曲率和散光的一个或多个测量结果。

27.如权利要求23所述的方法，其中，与解剖参数的测量结果相关联的所述一个或多个数据点包括所述被治疗的眼睛的眼轴长度测量结果、角膜厚度测量结果、房深度测量结果、晶状体厚度测量结果和测得的曲率中的一者或多者。

28.如权利要求23所述的方法，其中，训练所述一个或多个机器学习模型包括训练被配置为识别推荐的IOL参数的第一组机器学习模型和训练被配置为识别所述当前患者的眼睛的禁忌的IOL参数的第二组机器学习模型。

29.如权利要求23所述的方法，其中，将经训练的一个或多个机器学习模型部署到一个或多个计算系统包括将所述经训练的一个或多个机器学习模型部署到一个或多个测量仪器所连接到的计算设备。

30.如权利要求23所述的方法，进一步包括：

在部署所述经训练的一个或多个机器学习模型之后，接收与所述当前患者的眼睛的解剖参数的测量结果相关联的所述数据点；

生成用于治疗所述当前患者的输出；以及

基于与所述当前患者的眼睛的解剖参数的测量结果相关联的所述数据点、所生成的输出以及针对所述当前患者记录的一个或多个结果参数来再训练所述一个或多个机器学习模型。

31.一种用于执行白内障手术程序的方法，所述方法包括：

由一组历史患者记录生成训练数据集，其中，所述训练数据集中的每个记录对应于历史患者并且包括标识以下各项的信息：

与所述历史患者的一个或多个解剖参数的测量结果相关联的数据点，

在对所述历史患者执行的白内障手术程序中使用的对应人工晶状体IOL的一个或多个IOL参数，以及

标识对所述历史患者执行的眼内治疗的效果的治疗结果数据；

基于所述训练数据集训练一个或多个机器学习模型，以至少基于与当前患者的眼睛的一个或多个解剖参数的测量结果相关联的数据点来生成标识用于治疗所述当前患者的候选IOL类型、IOL度数信息和IOL放置信息中的至少一者的输出；

使用一个或多个测量仪器生成与所述当前患者的眼睛的一个或多个解剖参数的测量结果相关联的数据点；

基于一个或多个所生成的数据点与表示历史患者的非异常数据点的数据点的分布的比较来确定所述一个或多个数据点中的至少一个数据点对应于异常数据点；以及

基于确定所述一个或多个数据点中的至少一个数据点对应于异常数据点，使用一个或多个经训练的机器学习模型至少部分地基于所述数据点来生成所述当前患者的眼睛的一个或多个推荐的IOL参数，其中，所述一个或多个推荐的IOL参数包括IOL类型、IOL度数或用于将所述IOL植入所述眼睛中的IOL放置信息中的一者或多者。

32.如权利要求31所述的方法，其中，所述一个或多个解剖参数的测量结果包括所述被治疗的眼睛的眼轴长度测量结果、角膜厚度测量结果、房深度测量结果、晶状体厚度测量结果和测得的曲率中的一者或多者。

33.如权利要求31所述的方法，其中，训练所述一个或多个机器学习模型包括训练被配置为识别所述当前患者的眼睛的推荐的IOL参数的第一组机器学习模型和训练被配置为识别所述当前患者的眼睛的禁忌的IOL参数的第二组机器学习模型。

34.如权利要求31所述的方法，其中，生成所述一个或多个推荐的IOL参数进一步基于所述治疗的目标结果。

35.如权利要求31所述的方法，其中，所述一个或多个经训练的机器学习模型包括多输出机器学习模型，所述多输出机器学习模型针对与所述当前患者的眼睛的解剖参数的测量结果相关联的一个或多个数据点生成标识候选晶状体类型、晶状体度数和晶状体放置位置的输出。

36.如权利要求31所述的方法，其中，所述一个或多个经训练的机器学习模型包括被配置为识别所述当前患者的眼睛的推荐的IOL参数的第一组机器学习模型和被配置为识别所述当前患者的眼睛的禁忌的IOL参数的第二组机器学习模型。

37.如权利要求36所述的方法，其中，所述第一组机器学习模型被配置为基于用于训练所述第一组机器学习模型的训练数据集中指示患者对每次治疗感到满意的满意度度量来识别所述当前患者的眼睛的推荐的IOL参数，并且所述第二组机器学习模型被配置为基于用于训练所述第二组机器学习模型的训练数据集中指示患者对每次治疗感到不满的满意度度量来识别所述当前患者的眼睛的禁忌的IOL参数。

38.如权利要求31所述的方法，其中，所述一个或多个推荐的IOL参数是进一步基于指示在对所述当前患者的眼睛施加治疗方面的用户偏好的一个或多个附加数据点来生成的。

39.如权利要求31所述的方法，进一步包括：

记录所述治疗的效果；以及

将所述当前患者的所述IOL类型、IOL度数和IOL放置信息到所述治疗的所记录效果的映射添加到用于再训练所述一个或多个机器学习模型的训练数据集。

40.如权利要求31所述的方法，进一步包括：

使用一个或多个经训练的机器学习模型来识别具有与解剖参数的测量结果相关联的类似数据点的先前治疗；

取得与所识别的先前治疗相关联的附加信息；以及

输出所述附加信息以供显示。

41.如权利要求31所述的方法，其中，生成与所述当前患者的眼睛的解剖参数的测量结果相关联的所述数据点包括：

生成所述当前患者的眼睛的截面视图，以及

基于所生成的截面视图测量一个或多个光学参数，其中，所述一个或多个光学参数包括眼轴长度测量结果、角膜厚度测量结果、房深度测量结果或晶状体厚度测量结果中的一者或多者。

42.如权利要求31所述的方法，其中，生成与所述当前患者的眼睛的解剖参数的测量结果相关联的所述数据点包括基于光图案分析生成所述被治疗的眼睛的地形图，所述地形图至少示出所述被治疗的眼睛的测得的曲率。

43.一种用于执行白内障手术程序的系统，所述系统包括：

一个或多个测量设备，所述一个或多个测量设备被配置为生成与要治疗的眼睛的一个或多个解剖参数的测量结果相关联的数据点；

存储器，所述存储器包括可执行指令；

处理器，所述处理器与所述一个或多个测量设备通信地耦接并且与所述存储器进行数据通信，所述处理器被配置为执行所述指令，以使用一个或多个经训练的机器学习模型至少部分地基于所述数据点来生成所述要治疗的眼睛的一个或多个推荐的IOL参数，其中，所述一个或多个推荐的IOL参数包括IOL类型、IOL度数或用于将IOL植入所述眼睛中的IOL放置信息中的一者或多者；并且向指定目的地设备传输所生成的用于所述要治疗的眼睛的一个或多个人工晶状体推荐。

44.如权利要求43所述的系统，其中，所述一个或多个测量设备包括光学相干断层扫描OCT设备，所述OCT设备被配置为生成所述要治疗的眼睛的截面视图。

45.如权利要求43所述的系统，其中，所述一个或多个测量设备包括光图案分析设备，所述光图案分析设备被配置为基于来自所述要治疗的眼睛的反射光来生成所述要治疗的眼睛的曲率信息。

46.如权利要求45所述的系统，其中，所述光图案分析设备被配置为以所述要治疗的眼睛沿一组轴线中的每条轴线的最小曲率和最大曲率的集合的形式生成所述曲率信息。

47.如权利要求45所述的系统，其中，所述光图案分析设备被配置为以所述要治疗的眼睛的拓扑图的形式生成所述曲率信息。