CN117238514A - 一种人工晶状体屈光力预测方法、系统、设备及介质 - Google Patents
一种人工晶状体屈光力预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117238514A CN117238514A CN202310541265.1A CN202310541265A CN117238514A CN 117238514 A CN117238514 A CN 117238514A CN 202310541265 A CN202310541265 A CN 202310541265A CN 117238514 A CN117238514 A CN 117238514A
- Authority
- CN
- China
- Prior art keywords
- refractive power
- model
- prediction
- vitrectomy
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 208000002177 Cataract Diseases 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 41
- 210000004087 cornea Anatomy 0.000 claims abstract description 35
- 230000003287 optical effect Effects 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000001356 surgical procedure Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000001886 ciliary effect Effects 0.000 claims description 8
- 238000002513 implantation Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 3
- 210000001508 eye Anatomy 0.000 description 34
- 238000010586 diagram Methods 0.000 description 5
- 239000000945 filler Substances 0.000 description 4
- 210000005252 bulbus oculi Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 229920002545 silicone oil Polymers 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003855 balanced salt solution Substances 0.000 description 2
- 235000014510 cooky Nutrition 0.000 description 2
- 230000036040 emmetropia Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- RNAMYOYQYRYFQY-UHFFFAOYSA-N 2-(4,4-difluoropiperidin-1-yl)-6-methoxy-n-(1-propan-2-ylpiperidin-4-yl)-7-(3-pyrrolidin-1-ylpropoxy)quinazolin-4-amine Chemical compound N1=C(N2CCC(F)(F)CC2)N=C2C=C(OCCCN3CCCC3)C(OC)=CC2=C1NC1CCN(C(C)C)CC1 RNAMYOYQYRYFQY-UHFFFAOYSA-N 0.000 description 1
- 206010063938 Posterior capsule rupture Diseases 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 210000001742 aqueous humor Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Prostheses (AREA)
Abstract
本发明提供了一种人工晶状体屈光力预测方法、系统、设备及介质，所述方法包括：获取数个玻璃体切除术后白内障患者的数据集，基于堆叠算法建立用于人工晶状体屈光力预测的预测模型，并分别通过训练集和验证集对预测模型进行训练并验证；将目标玻璃体切除术后白内障患者的生物学病史参数输入训练并验证后的预测模型进行预测，得到有效晶状体位置的目标预测值；根据目标玻璃体切除术后白内障患者的生物学病史参数，得到对应的全角膜屈光力和光学眼轴长度；根据目标玻璃体切除术后白内障患者的目标预测值、全角膜屈光力和光学眼轴长度进行屈光力计算，得到人工晶状体屈光力。本发明有效提高了玻璃体切除术后白内障患者人工晶状体屈光力预测的准确性。
Description
技术领域
本发明涉及医疗技术领域，特别是涉及一种人工晶状体屈光力预测方法、系统、设备及介质。
背景技术
经睫状体平坦部玻璃体切除术是目前治疗玻璃体视网膜疾病的主要术式之一，挽救了许多患者的视力。随着仪器设备的革新与手术技术的进步，玻璃体切除术的手术量逐年增加；与此同时，患者的手术预后有了极大改善，对视觉质量的要求也越来越高。然而，白内障仍是玻璃体切除术后最常见的远期并发症。由于眼底疾病与手术改变了患者的眼球解剖结构，与普通白内障患者相比，玻璃体切除术后白内障患者屈光状态变异性大，更易出现屈光预测误差。
目前，国际上正在使用的人工晶状体屈光力计算公式有很多，如基于人工智能研发的Kane、Emmetropia Verifying Optical公式，基于厚透镜光学模型研发的BarrettUniversal II公式1，基于薄透镜光学模型研发的Hagis、HofferQ、Holladay1、SRK/T等公式2-5。上述公式均为国外学者针对普通白内障患者研发，除了基于薄透镜光学模型研发的传统公式详细公开了公式细节以外，其余公式如Kane，Emmetropia Verifying Optical公式仅提供了网页版工具进行计算，简要说明其使用了人工智能的算法，具体细节并未公开。人工晶状体屈光力计算公式的核心在于有效晶状体位置的预测。基于薄透镜光学理论，有效晶状体位置被定义为角膜前表面至人工晶状体前表面的距离；基于厚透镜光学理论，有效晶状体位置定义为角膜主像平面至人工晶状体主物平面之间的距离。厚透镜光学的有效晶状体位置不仅仅与人工晶状体的解剖位置有关，也考虑了角膜厚度、人工晶状体的光学设计。基于厚透镜光学理论的人工晶状体计算公式准确性更高。
目前，国际上正在使用的人工晶状体屈光力计算公式在玻璃体切除术后白内障患者中使用存在以下困难：
第一、现有的人工晶状体屈光力计算公式由于是针对普通白内障患者研发，在玻璃体切除术后白内障患者表现不佳，术后屈光预测误差>1D的比例仍超过了20％。
第二、生物学参数变异影响玻璃体切除术后白内障患者屈光预测：当患者的眼球解剖结构，如眼轴长度、角膜曲率偏离人群平均值时，玻璃体切除术后白内障患者的屈光预测准确性会进一步下降，预测误差>1D的比例仍高达30％。
第三、除了生物学参数的变异，玻璃体切除术后白内障患者人工晶状体计算的难点还与眼底疾病与治疗手段的复杂性有关。一方面，玻璃体腔填充物影响着生物测量的准确性；另一方面，既往有巩膜扣带术史的患者眼球前、后节的比例发生了显著改变，难以准确预测术后人工晶状体的位置；此外，由于眼底手术将这些患者的自然玻璃体替换为平衡盐溶液或其他填充物填充，失去自然玻璃体的支撑后，白内障术中相对更易发生后囊膜破裂，部分患者需将人工晶状体植入睫状沟。目前公式因面向普通白内障患者，未考虑玻璃体切除术后白内障患者的病史特点。
发明内容
本发明的目的是提供一种人工晶状体屈光力预测方法、系统、设备及介质。以实现玻璃体切除术后白内障患者人工晶状体屈光力的精准预测。
为了实现上述目的，第一方面，本发明实施例提供了一种人工晶状体屈光力预测方法，所述方法包括：
获取数个玻璃体切除术后白内障患者的数据集，并将所述数据集分为训练集和验证集；所述数据集包括各患者的生物学病史参数，所述生物学病史参数至少包括眼轴长度、角膜曲率、房水深度、角膜厚度、晶状体厚度、眼轴长度与角膜曲率比值、人工晶状体常数、白内障术前玻璃体腔状态、有无巩膜扣带术手术史和有无睫状沟植入；
基于堆叠算法建立用于预测人工晶状体屈光力中有效晶状体位置的预测模型，并分别通过所述训练集和验证集对所述预测模型进行训练并验证；
将目标玻璃体切除术后白内障患者的生物学病史参数输入训练并验证后的预测模型进行预测，得到有效晶状体位置的目标预测值；
根据所述目标玻璃体切除术后白内障患者的生物学病史参数，得到对应的全角膜屈光力和光学眼轴长度；
根据所述目标玻璃体切除术后白内障患者的目标预测值、全角膜屈光力和光学眼轴长度进行屈光力计算，得到所述目标玻璃体切除术后白内障患者的人工晶状体屈光力。
进一步地，所述预测模型至少包括多个机器学习回归模型和一个梯度提升模型，所述多个机器学习回归模型作为堆叠算法的基模型，所述梯度提升模型作为堆叠算法的元模型。
进一步地，所述将目标玻璃体切除术后白内障患者的生物学病史参数输入训练并验证后的预测模型进行预测，包括：
将所述生物学病史参数输入所述基模型进行第一层训练，得到中间预测值，将所述中间预测值输入第二层的所述梯度提升模型进行整合，得到所述目标预测值。
进一步地，所述机器学习回归模型包括：离群稳健回归、核岭回归、支持向量回归、极端随机树和弹性网络回归。
进一步地，所述分别通过所述训练集和验证集对所述预测模型进行训练并验证，包括：
将所述验证集输入所述预测模型得到验证结果；
根据所述验证结果，对所述预测模型进行参数调整。
进一步地，所述分别通过所述训练集和验证集对所述预测模型进行训练并验证，包括：
所述数据集还包括测试集，将所述测试集输入所述预测模型得到测试结果；
根据所述测试结果，对所述预测模型进行性能评估，得到性能评估结果。
第二方面，本发明实施例提供了一种人工晶状体屈光力预测系统，所述系统包括：
数据集获取模块，用于获取数个玻璃体切除术后白内障患者的数据集，并将所述数据集分为训练集和验证集；所述数据集包括各患者的生物学病史参数，所述生物学病史参数至少包括眼轴长度、角膜曲率、房水深度、角膜厚度、晶状体厚度、眼轴长度与角膜曲率比值、人工晶状体常数、白内障术前玻璃体腔状态、有无巩膜扣带术手术史和有无睫状沟植入；
模型搭建模块，用于基于堆叠算法建立用于预测人工晶状体屈光力中有效晶状体位置的预测模型，并分别通过所述训练集和验证集对所述预测模型进行训练并验证；
有效晶状体位置预测模块，用于将目标玻璃体切除术后白内障患者的生物学病史参数输入训练并验证后的预测模型进行预测，得到有效晶状体位置的目标预测值；
参数计算模块，用于根据所述目标玻璃体切除术后白内障患者的生物学病史参数，得到对应的全角膜屈光力和光学眼轴长度；
屈光力预测模块，用于根据所述目标玻璃体切除术后白内障患者的目标预测值、全角膜屈光力和光学眼轴长度进行屈光力计算，得到所述目标玻璃体切除术后白内障患者的人工晶状体屈光力。
进一步地，所述预测模型至少包括多个机器学习回归模型和一个梯度提升模型，所述多个机器学习回归模型作为堆叠算法的基模型，所述梯度提升模型作为堆叠算法的元模型；
所述有效晶状体位置预测模块还包括：
第一预测模块，用于将所述生物学病史参数输入所述基模型进行第一层训练，得到中间预测值；
第二预测模块，用于将所述中间预测值输入第二层的所述梯度提升模型进行整合，得到所述目标预测值。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供了一种人工晶状体屈光力预测方法、系统、设备及介质，所述方法包括：获取数个玻璃体切除术后白内障患者的数据集，基于堆叠算法建立用于人工晶状体屈光力预测的预测模型，并分别通过训练集和验证集对预测模型进行训练并验证；将目标玻璃体切除术后白内障患者的生物学病史参数输入训练并验证后的预测模型进行预测，得到有效晶状体位置的目标预测值；根据目标玻璃体切除术后白内障患者的生物学病史参数，得到对应的全角膜屈光力和光学眼轴长度；根据目标玻璃体切除术后白内障患者的目标预测值、全角膜屈光力和光学眼轴长度进行屈光力计算，得到人工晶状体屈光力。本发明有效提高了玻璃体切除术后白内障患者人工晶状体屈光力预测的准确性。
附图说明
图1是本发明实施例提供的一种人工晶状体屈光力预测方法的流程示意图；
图2是本发明实施例提供的有效晶状体位置预测模型建立过程示意图；
图3是本发明实施例提供的一种人工晶状体屈光力预测系统的系统框图；
图4是本发明实施例提供的一种人工晶状体屈光力预测系统有效晶状体位置预测模块3的系统框图；
图5是本发明实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案和有益效果更加清楚明白，下面结合附图及实施例，对本发明作进一步详细说明，显然，以下所描述的实施例是本发明实施例的一部分，仅用于说明本发明，但不用来限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有作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。
在一个实施例中，如图1所示，本发明提供了一种人工晶状体屈光力预测方法，所述方法包括：
S11、获取数个玻璃体切除术后白内障患者的数据集，并将所述数据集分为训练集和验证集；所述数据集包括各患者的生物学病史参数，所述生物学病史参数至少包括眼轴长度、角膜曲率、房水深度、角膜厚度、晶状体厚度、眼轴长度与角膜曲率比值、人工晶状体常数、白内障术前玻璃体腔状态、有无巩膜扣带术手术史以及有无睫状沟植入；
具体地，将玻璃体切除术后白内障患者随机按8：2的比例分为训练集与验证集，用于建立有效晶状体位置的预测模型。经过特征筛选，模型最终纳入了10个生物学病史参数变量进行有效晶状体位置预测：眼轴长度、角膜曲率、房水深度、角膜厚度、晶状体厚度、眼轴长度与角膜曲率比值、人工晶状体常数、白内障术前玻璃体腔状态、有无巩膜扣带术手术史、有无睫状沟植入。其中白内障术前玻璃体腔状态分为平衡盐溶液和硅油两类。本实施例不仅考虑了玻璃体切除术后白内障患者的有效晶状体位置与术前生物学参数的独特关联，另一方面也考虑了玻璃体切除术后白内障患者的病史特点。
S12、基于堆叠算法建立用于预测人工晶状体屈光力中有效晶状体位置的预测模型，所述预测模型包括多个机器学习回归模型，并分别通过所述训练集和验证集对所述预测模型进行训练并验证；
为了提高有效晶状体位置的预测性能与模型的稳定性，除了上述包括的机器学习回归模型，还包括由梯度提升模型，其中，本实施例将多个机器学习回归模型作为堆叠算法的基模型，将梯度提升模型作为堆叠算法的元模型。如图2所示，本实施例基于堆叠(Stacking)算法建立了2层的集成学习器。通过筛选出5种表现相对优秀的回归算法与机器学习回归模型作为基模型(Base Model)：离群稳健回归(TheilSen回归)、核岭回归(KernelRidge Regression)、支持向量回归(Support Vector Regression)、极端随机树(Extremely randomized trees)、弹性网络回归(Elastic Net Regression)。基模型训练完毕后，将生物学病史参数输入基模型得到输出结果，将基模型的输出结果作为新特征输入至第二层的梯度提升模型(Gradient Boosting Model)。本实施例将基模型的预测值输入梯度提升模型进行整合，进一步提高了有效晶状体位置的预测性能与模型的稳定性。优选地，将离群稳健回归、核岭回归、支持向量回归、极端随机树和弹性网络回归作为所述基模型。当然，本申请的基模型选用上述五种回归模型，只是作为一个优选的实施例，并不限定基模型中回归模型的数量，而且具体的回归模型类型也不限定，本申请可以根据生物学病史参数变量的实际预测需要，选用相应的多个不同的回归模型进行堆叠，以期不断提高模型的预测性能。同时，本申请对于各回归模型的堆叠顺序也不做限定，可以根据模型的性能评估，调整回归模型的堆叠顺序。
此外，为了对有效晶状体位置预测模型进行参数调控，本实施例将所述验证集输入所述预测模型得到验证结果，并根据所述验证结果，对所述预测模型进行参数调整，通过验证集数据对有效晶状体位置预测模型进行性能优化。
另外，为了对已训练的有效晶状体位置预测模型进行评价，本实施例所述数据集还包括测试集，将所述测试集输入所述预测模型得到测试结果；根据所述测试结果，对所述预测模型进行性能评估，得到性能评估结果。本实施例通过测试集数据对有效晶状体位置预测模型的性能进行评价。
优选地，根据评估结果，选择优良的评估结果所对应的测试集，并将所述测试集补充到训练集，例如，在一次评估后，将评价为优的测试集补充至训练集，并使用补充后的训练集对模型进行重新训练。使训练集的参数更加匹配该模型，进而让模型训练的更加精准，以适配特定玻璃体切除术后白内障患者或患者群体。
S13、将目标玻璃体切除术后白内障患者的生物学病史参数输入训练并验证后的预测模型进行预测，得到有效晶状体位置的目标预测值；
为了得到更准确的有效晶状体位置预测结果，本实施例将所述生物学病史参数输入所述基模型得到中间输出结果，将所述中间输出结果输入所述梯度提升模型进行预测。
S14、根据所述目标玻璃体切除术后白内障患者的生物学病史参数，得到对应的全角膜屈光力和光学眼轴长度；
在本实施例中，测量角膜前表面曲率与中央角膜厚度，根据角膜后表面曲率半径等于0.883*角膜前表面曲率半径的关系计算角膜后表面曲率，再根据如下公示计算出全角膜屈光力：
Pboth＝Pleft+Pright-(Pleft*Pright*d/n)
其中，Pboth为全角膜屈光力Pleft为角膜前表面曲率Pright为角膜后表面曲率d为中央角膜厚度，n是折射率。
为了得到更准确的光学眼轴长度，本实施例先使用Cooke眼轴调整法调整测量眼轴，再加上0.2mm的视网膜厚度转化为光学眼轴长度，对于测量眼轴长度＞26mm的患者，将按白内障术前玻璃体腔填充物类型分别进行眼轴矫正。分别按照玻璃体腔填充灌注液和硅油这两类，对眼轴长度超过26mm的患者的测量眼轴，使用Cooke眼轴调整法的眼轴、平均角膜曲率、房水深度和晶状体常数这四个参数的模型进行矫正。当硅油填充眼的测量眼轴长度大于等于26mm时，推算理论长度小于测量眼轴长度，且随着测量眼轴的增长，差值逐渐增大。玻璃体腔填充平衡盐溶液的患者则在28mm附近出现拐点。本实施例采用Cooke眼轴调整法矫正普通白内障患者的测量眼轴，和直接测量相比，考虑到了不同眼球屈光介质的折射率，并按白内障术前玻璃体腔填充物类型分别进行了眼轴矫正。
S15、根据所述目标玻璃体切除术后白内障患者的目标预测值、全角膜屈光力和光学眼轴长度进行屈光力计算，得到所述目标玻璃体切除术后白内障患者的人工晶状体屈光力。
具体地，以设定间距如0.5D，根据有效晶状体位置预测值、矫正后的光学眼轴长度、角膜屈光力给出不同屈光力人工晶状体对应的公式预测值，公式最终输出与目标屈光度最接近的人工晶状体屈光力及预测值，具体采用如下公式计算：
其中，AL0为光学眼轴长度，ELP0为有效晶状体位置预测值，K0为全角膜屈光力，DpostRx为目标屈光度即患者术后所戴眼镜的度数，V为镜片距，即框架眼镜到角膜的距离，默认为12mm，IOLe为最终输出的人工晶状体屈光力。
与现有技术相比，本申请在外部验证集表现优异，该优势主要与准确的有效晶状体位置预测有关。与其他针对普通白内障患者研发的人工晶状体屈光力计算公式不同，本申请的有效晶状体位置预测不仅考虑了玻璃体切除术后白内障患者的有效晶状体位置与术前生物学参数的独特关联，另一方面也考虑了玻璃体切除术后白内障患者的病史特点。通过筛选出5个表现相对优异、原理不同的回归模型，并将5个基模型的预测值输入梯度提升模型进行整合，进一步提高了有效晶状体位置的预测性能与模型的稳定性。另外，本申请在长眼轴亚组的优势更加显著，这主要与眼轴调整有关。我们对长眼轴患者进行眼轴调整主要有两个原因：第一，有效晶状体位置推算不适用于人工晶状体屈光力低于+7D的患者，因此，建立有效晶状体位置预测模型时，大量的长眼轴患者未被纳入其中，影响了长眼轴患者有效晶状体位置的预测准确性；第二，本申请中使用的光学眼轴长度是基于IOLMaster700的眼轴测量值，经过Cooke眼轴调整法转换而来，与分段眼轴长度可能仍存在一定的误差。通过推算理论眼轴长度，并按玻璃体腔填充物类型分别进行眼轴矫正，本申请在内部数据集长眼轴患者的预测误差显著下降，在外部验证数据集长眼轴亚组具有显著优势。
基于上述一种人工晶状体屈光力预测方法，本发明实施例还提供了一种人工晶状体屈光力预测系统，如图3所示，所述系统包括：
数据集获取模块1，用于获取数个玻璃体切除术后白内障患者的数据集，并将所述数据集分为训练集和验证集；所述数据集包括各患者的生物学病史参数，所述生物学病史参数至少包括眼轴长度、角膜曲率、房水深度、角膜厚度、晶状体厚度、眼轴长度与角膜曲率比值、人工晶状体常数、白内障术前玻璃体腔状态、有无巩膜扣带术手术史以及有无睫状沟植入；
模型搭建模块2，用于基于堆叠算法建立用于预测人工晶状体屈光力中有效晶状体位置的预测模型，所述预测模型包括多个机器学习回归模型，并分别通过所述训练集和验证集对所述预测模型进行训练并验证；
有效晶状体位置预测模块3，用于将目标玻璃体切除术后白内障患者的生物学病史参数输入训练并验证后的预测模型进行预测，得到有效晶状体位置的目标预测值；
参数计算模块4，用于根据所述目标玻璃体切除术后白内障患者的生物学病史参数，得到对应的全角膜屈光力和光学眼轴长度；
屈光力预测模块5，用于根据所述目标玻璃体切除术后白内障患者的目标预测值、全角膜屈光力和光学眼轴长度进行屈光力计算，得到所述目标玻璃体切除术后白内障患者的人工晶状体屈光力。
在另一个实施例中，所述预测模型至少包括多个机器学习回归模型和一个梯度提升模型，所述多个机器学习回归模型作为堆叠算法的基模型，所述梯度提升模型作为堆叠算法的元模型；如图4所示，所述有效晶状体位置预测模块3还包括：
第一预测模块31，用于将所述生物学病史参数输入所述基模型进行第一层训练，得到中间预测值；
第二预测模块32，用于将所述中间预测值输入第二层的所述梯度提升模型进行整合，得到所述目标预测值。
关于一种人工晶状体屈光力预测系统的具体限定可以参见上文中对于一种人工晶状体屈光力预测方法的限定，在此不再赘述。上述系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图5示出一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比途中所示更多或更少的部件，或者组合某些部件，或者具有同样的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
综上，本发明提供了一种人工晶状体屈光力预测方法、系统、设备及介质，所述方法包括：获取数个玻璃体切除术后白内障患者的数据集，基于堆叠算法建立用于人工晶状体屈光力预测的预测模型，并分别通过训练集和验证集对预测模型进行训练并验证；将目标玻璃体切除术后白内障患者的生物学病史参数输入训练并验证后的预测模型进行预测，得到有效晶状体位置的目标预测值；根据目标玻璃体切除术后白内障患者的生物学病史参数，得到对应的全角膜屈光力和光学眼轴长度；根据目标玻璃体切除术后白内障患者的目标预测值、全角膜屈光力和光学眼轴长度进行屈光力计算，得到人工晶状体屈光力。本发明有效提高了玻璃体切除术后白内障患者人工晶状体屈光力预测的准确性。
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种人工晶状体屈光力预测方法，其特征在于，所述方法包括：
获取数个玻璃体切除术后白内障患者的数据集，并将所述数据集分为训练集和验证集；所述数据集包括各患者的生物学病史参数，所述生物学病史参数至少包括眼轴长度、角膜曲率、房水深度、角膜厚度、晶状体厚度、眼轴长度与角膜曲率比值、人工晶状体常数、白内障术前玻璃体腔状态、有无巩膜扣带术手术史和有无睫状沟植入；
基于堆叠算法建立用于预测人工晶状体屈光力中有效晶状体位置的预测模型，并分别通过所述训练集和验证集对所述预测模型进行训练并验证；
将目标玻璃体切除术后白内障患者的生物学病史参数输入训练并验证后的预测模型进行预测，得到有效晶状体位置的目标预测值；
根据所述目标玻璃体切除术后白内障患者的生物学病史参数，得到对应的全角膜屈光力和光学眼轴长度；
根据所述目标玻璃体切除术后白内障患者的目标预测值、全角膜屈光力和光学眼轴长度进行屈光力计算，得到所述目标玻璃体切除术后白内障患者的人工晶状体屈光力。
2.根据权利要求1所述的一种人工晶状体屈光力预测方法，其特征在于，所述预测模型至少包括多个机器学习回归模型和一个梯度提升模型，所述多个机器学习回归模型作为堆叠算法的基模型，所述梯度提升模型作为堆叠算法的元模型。
3.根据权利要求2所述的一种人工晶状体屈光力预测方法，其特征在于，所述将目标玻璃体切除术后白内障患者的生物学病史参数输入训练并验证后的预测模型进行预测，包括：
将所述生物学病史参数输入所述基模型进行第一层训练，得到中间预测值，将所述中间预测值输入第二层的所述梯度提升模型进行整合，得到所述目标预测值。
4.根据权利要求2所述的一种人工晶状体屈光力预测方法，其特征在于，所述机器学习回归模型包括：离群稳健回归、核岭回归、支持向量回归、极端随机树和弹性网络回归。
5.根据权利要求1所述的一种人工晶状体屈光力预测方法，其特征在于，所述分别通过所述训练集和验证集对所述预测模型进行训练并验证，包括：
将所述验证集输入所述预测模型得到验证结果；
根据所述验证结果，对所述预测模型进行参数调整。
6.根据权利要求1所述的一种人工晶状体屈光力预测方法，其特征在于，所述分别通过所述训练集和验证集对所述预测模型进行训练并验证，包括：
所述数据集还包括测试集，将所述测试集输入所述预测模型得到测试结果；
根据所述测试结果，对所述预测模型进行性能评估，得到性能评估结果。
7.一种人工晶状体屈光力预测系统，其特征在于，所述系统包括：
数据集获取模块，用于获取数个玻璃体切除术后白内障患者的数据集，并将所述数据集分为训练集和验证集；所述数据集包括各患者的生物学病史参数，所述生物学病史参数至少包括眼轴长度、角膜曲率、房水深度、角膜厚度、晶状体厚度、眼轴长度与角膜曲率比值、人工晶状体常数、白内障术前玻璃体腔状态、有无巩膜扣带术手术史和有无睫状沟植入；
模型搭建模块，用于基于堆叠算法建立用于预测人工晶状体屈光力中有效晶状体位置的预测模型，并分别通过所述训练集和验证集对所述预测模型进行训练并验证；
有效晶状体位置预测模块，用于将目标玻璃体切除术后白内障患者的生物学病史参数输入训练并验证后的预测模型进行预测，得到有效晶状体位置的目标预测值；
参数计算模块，用于根据所述目标玻璃体切除术后白内障患者的生物学病史参数，得到对应的全角膜屈光力和光学眼轴长度；
屈光力预测模块，用于根据所述目标玻璃体切除术后白内障患者的目标预测值、全角膜屈光力和光学眼轴长度进行屈光力计算，得到所述目标玻璃体切除术后白内障患者的人工晶状体屈光力。
8.根据权利要求7所述的一种人工晶状体屈光力预测系统，其特征在于，所述预测模型至少包括多个机器学习回归模型和一个梯度提升模型，所述多个机器学习回归模型作为堆叠算法的基模型，所述梯度提升模型作为堆叠算法的元模型；
所述有效晶状体位置预测模块还包括：
第一预测模块，用于将所述生物学病史参数输入所述基模型进行第一层训练，得到中间预测值；
第二预测模块，用于将所述中间预测值输入第二层的所述梯度提升模型进行整合，得到所述目标预测值。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至6所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310541265.1A CN117238514B (zh) | 2023-05-12 | 2023-05-12 | 一种人工晶状体屈光力预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310541265.1A CN117238514B (zh) | 2023-05-12 | 2023-05-12 | 一种人工晶状体屈光力预测方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117238514A true CN117238514A (zh) | 2023-12-15 |
| CN117238514B CN117238514B (zh) | 2024-05-07 |
Family
ID=89093613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310541265.1A Active CN117238514B (zh) | 2023-05-12 | 2023-05-12 | 一种人工晶状体屈光力预测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117238514B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050177313A1 (en) * | 2004-02-09 | 2005-08-11 | Latkany Robert A. | Method, device and computer program for selecting an intraocular lens for an aphakic eye that has previously been subjected to refractive surgery |
| US20100134763A1 (en) * | 2007-06-04 | 2010-06-03 | Carl Zeiss Meditec Ag | Method for determining the power of an intraocular lens |
| JP2016135256A (ja) * | 2016-02-17 | 2016-07-28 | 株式会社ニデック | 眼内レンズ度数決定装置及びプログラム |
| 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 |
| CN111653364A (zh) * | 2020-07-09 | 2020-09-11 | 王世明 | 一种人工晶状体屈光力计算方法及装置 |
| 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 |
| CN112599244A (zh) * | 2020-12-16 | 2021-04-02 | 温州医科大学 | 一种基于机器学习的人工晶状体屈光度数计算系统 |
| CN113558564A (zh) * | 2021-09-23 | 2021-10-29 | 中山大学中山眼科中心 | 一种基于单纯高度近视数据库构建的数据处理系统 |
| CN114027883A (zh) * | 2021-11-08 | 2022-02-11 | 中山大学中山眼科中心 | 一种晶状体生物参数的测量方法、装置及系统 |
| CN114762058A (zh) * | 2019-10-09 | 2022-07-15 | 爱尔康公司 | 基于多个机器学习模型的人工晶状体选择 |
| WO2022162013A1 (de) * | 2021-01-29 | 2022-08-04 | Carl Zeiss Meditec Ag | Theorie-motivierte domänenkontrolle für ophthalmologische machine-learning-basierte vorhersagemethode |
| CN115103653A (zh) * | 2020-01-24 | 2022-09-23 | 卡尔蔡司医疗技术股份公司 | 用于确定人工晶状体尺寸的机器学习支持的流水线 |
| CN115240857A (zh) * | 2022-05-13 | 2022-10-25 | 中山大学中山眼科中心 | 一种人工晶体的预测方法、装置、设备及存储介质 |
-
2023
- 2023-05-12 CN CN202310541265.1A patent/CN117238514B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050177313A1 (en) * | 2004-02-09 | 2005-08-11 | Latkany Robert A. | Method, device and computer program for selecting an intraocular lens for an aphakic eye that has previously been subjected to refractive surgery |
| US20100134763A1 (en) * | 2007-06-04 | 2010-06-03 | Carl Zeiss Meditec Ag | Method for determining the power of an intraocular lens |
| 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 |
| JP2016135256A (ja) * | 2016-02-17 | 2016-07-28 | 株式会社ニデック | 眼内レンズ度数決定装置及びプログラム |
| CN114762058A (zh) * | 2019-10-09 | 2022-07-15 | 爱尔康公司 | 基于多个机器学习模型的人工晶状体选择 |
| CN115103653A (zh) * | 2020-01-24 | 2022-09-23 | 卡尔蔡司医疗技术股份公司 | 用于确定人工晶状体尺寸的机器学习支持的流水线 |
| CN111653364A (zh) * | 2020-07-09 | 2020-09-11 | 王世明 | 一种人工晶状体屈光力计算方法及装置 |
| 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 |
| CN112599244A (zh) * | 2020-12-16 | 2021-04-02 | 温州医科大学 | 一种基于机器学习的人工晶状体屈光度数计算系统 |
| WO2022162013A1 (de) * | 2021-01-29 | 2022-08-04 | Carl Zeiss Meditec Ag | Theorie-motivierte domänenkontrolle für ophthalmologische machine-learning-basierte vorhersagemethode |
| CN113558564A (zh) * | 2021-09-23 | 2021-10-29 | 中山大学中山眼科中心 | 一种基于单纯高度近视数据库构建的数据处理系统 |
| CN114027883A (zh) * | 2021-11-08 | 2022-02-11 | 中山大学中山眼科中心 | 一种晶状体生物参数的测量方法、装置及系统 |
| CN115240857A (zh) * | 2022-05-13 | 2022-10-25 | 中山大学中山眼科中心 | 一种人工晶体的预测方法、装置、设备及存储介质 |
Non-Patent Citations (14)
| Title |
|---|
| （美）J.布拉德利·兰德尔曼主编；（美）伊克巴尔·艾克·K.艾哈迈德副主编；姚克主译: "人工晶状体手术 适应证、并发症及复杂病例", 31 August 2018, 天津科技翻译出版公司, pages: 31 - 36 * |
| （美）玛丽莲·梦露著: "白内障手术学 第3版", 30 April 2012, 人民军医出版社, pages: 33 - 34 * |
| KANG TAE SEEN，等: "Two-Year Reproducibility of Axial Length Measurements after Combined Phacovitrectomy for Epiretinal Membrane, and Refractive Outcomes", JOURNAL OF CLINICAL MEDICINE, vol. 9, no. 22, 8 December 2020 (2020-12-08), pages 1 - 11 * |
| LAMSON THOMAS L 等: "Refractive outcomes of phacoemulsification after pars plana vitrectomy using traditional and new intraocular lens calculation formulas", JOURNAL OF CATARACT AND REFRACTIVE SURGERY, vol. 45, no. 3, 28 March 2019 (2019-03-28), pages 293 - 297, XP085620082, DOI: 10.1016/j.jcrs.2018.10.032 * |
| XU YANXIN，等: "Refractive Outcomes and Anterior Chamber Depth after Cataract Surgery in Eyes with and without Previous Pars Plana Vitrectomy", CURRENT EYE RESEARCH, vol. 46, no. 9, 21 March 2021 (2021-03-21), pages 1333 - 1340 * |
| 冯江虹;马韶华;: "玻璃体切除联合白内障手术对眼球生物测定值的影响", 临床医药实践, no. 10, 10 October 2017 (2017-10-10), pages 26 - 27 * |
| 刘晓敏;黄钰森;: "无角膜屈光手术病史资料的人工晶状体度数测算", 中国眼耳鼻喉科杂志, no. 02, 25 March 2017 (2017-03-25), pages 92 - 95 * |
| 向菁;管怀进;: "人工晶状体计算公式的研究进展", 眼科新进展, no. 06, 5 June 2018 (2018-06-05), pages 89 - 93 * |
| 孟倩丽;杨晔;郑丹莹;: "角膜屈光性手术后人工晶状体屈光度的计算", 眼科, no. 02, 25 March 2008 (2008-03-25), pages 137 - 140 * |
| 张佳晴, 罗莉霞, 谈旭华, 等: "玻璃体切除术后白内障患者屈光预测误差来源的研究进展", 眼科学报, vol. 37, no. 2, 28 February 2022 (2022-02-28), pages 143 - 149 * |
| 张佳晴;罗莉霞;: "白内障合并高度近视患者术后屈光力预测的研究进展", 国际眼科杂志, no. 06, 12 June 2019 (2019-06-12), pages 44 - 47 * |
| 文道源;文为杰;: "无晶状体眼内植入人工晶状体的理论值探讨", 国际眼科杂志, vol. 15, no. 03, 31 March 2015 (2015-03-31), pages 520 - 524 * |
| 王锐;张浩润;黄旭东;付梦军;赵静静;: "先天性白内障术后屈光变化及矫正", 国际眼科杂志, vol. 15, no. 11, 30 November 2015 (2015-11-30), pages 1896 - 1898 * |
| 闵寒毅: "角膜屈光术后人工晶状体度数的计算", 国外医学.眼科学分册, no. 05, 20 November 2002 (2002-11-20), pages 314 - 318 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117238514B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8657445B2 (en) | System and method for determining and predicting IOL power in situ | |
| US9393108B2 (en) | Apparatus, system, and method for intraocular lens power calculation using a regression formula incorporating corneal spherical aberration | |
| US8746882B2 (en) | Customized intraocular lens power calculation system and method | |
| US20220362011A1 (en) | Methods for selecting intraocular lenses and relaxing incisions for correcting refractive error | |
| 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 | |
| JP2009297543A (ja) | 個別仕様眼内レンズの製作方法 | |
| JP2005516641A (ja) | 眼内レンズ誘導システム | |
| US6626538B1 (en) | Method for determining the power of an intraocular lens used for the treatment of myopia | |
| CN111653364B (zh) | 一种人工晶状体屈光力计算方法及装置 | |
| US20230037772A1 (en) | Method for determining lens and apparatus using the method | |
| KR20210156839A (ko) | 클라우드 기반 시스템 백내장 치료 데이터베이스 및 알고리즘 시스템 | |
| US20200163727A1 (en) | Cloud based system cataract treatment database and algorithm system | |
| CN117238514B (zh) | 一种人工晶状体屈光力预测方法、系统、设备及介质 | |
| KR102542015B1 (ko) | 렌즈 결정 방법 및 이를 이용하는 장치 | |
| CN113171172B (zh) | 一种角膜术后情况的模拟方法 | |
| CN115563826A (zh) | 一种角膜屈光手术切削模型的优化方法、系统及装置 | |
| US20200397283A1 (en) | A method to quantify the corneal parameters to improve biomechanical modeling | |
| US20140211151A1 (en) | Toric lens calculator | |
| RU2814629C1 (ru) | Способ расчета оптической силы интраокулярной линзы на основе персонализированного моделирования глаза | |
| 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 | |
| RU2791204C1 (ru) | Способ определения оптической силы интраокулярной линзы с использованием искусственной нейронной сети |
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 |