CN117280425A - 基于机器学习的眼科预测方法的理论驱动域控制 - Google Patents

基于机器学习的眼科预测方法的理论驱动域控制 Download PDF

Info

Publication number
CN117280425A
CN117280425A CN202280012340.9A CN202280012340A CN117280425A CN 117280425 A CN117280425 A CN 117280425A CN 202280012340 A CN202280012340 A CN 202280012340A CN 117280425 A CN117280425 A CN 117280425A
Authority
CN
China
Prior art keywords
data
training
ophthalmic
machine learning
loss function
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
Application number
CN202280012340.9A
Other languages
English (en)
Inventor
H·伯温克尔
H·马茨
S·索尔
C·豪格
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Carl Zeiss Meditec AG
Original Assignee
Carl Zeiss Meditec AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Carl Zeiss Meditec AG filed Critical Carl Zeiss Meditec AG
Publication of CN117280425A publication Critical patent/CN117280425A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • 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
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/02—Prostheses implantable into the body
    • A61F2/14—Eye parts, e.g. lenses, corneal implants; Implanting instruments specially adapted therefor; Artificial eyes
    • A61F2/16—Intraocular lenses

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Ophthalmology & Optometry (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Urology & Nephrology (AREA)
  • Prostheses (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种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。该方法包括提供用于确定屈光力的物理模型，以及利用临床眼科训练数据和相关联的期望结果来训练机器学习系统以形成用于确定屈光力的学习模型。用于训练的损失函数包括两个组成部分：该损失函数的第一分量考虑了临床眼科训练数据和相关联的期望结果，并且该损失函数的第二分量考虑了物理模型的局限性，即在训练期间，该第二分量的损失函数分量值越大，屈光力的预测值与物理模型以相同的临床眼科训练数据作为输入值时的结果的偏差就越大。此外，该方法包括提供患者的眼科数据并借助于经训练的机器学习系统来预测要使用的人工晶状体的屈光力，其中，所提供的眼科数据被用作输入数据。

Description

基于机器学习的眼科预测方法的理论驱动域控制
技术领域
本发明涉及确定人工晶状体的屈光力，具体地，涉及一种用于借助于具有特定损失函数的学习模型来确定要插入的人工晶状体的屈光力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。
在已知的当前可用的IOL计算公式中，使用了不同复杂度的物理模型(例如，已知的Haigis公式中的聚散度原理)。以这种方式，不仅可以基于数据，而且还可以借助可用的物理知识来执行对IOL屈光力的可用确定。尽管精度略有提高，但这些公式始终只是近似值，无法再现生物眼睛的全部复杂现实。光线追踪方法的使用有助于进一步提高模型的准确性，因为许多其他较老的模型仅适用于近轴近似；然而，在这种情况下，系统中也包含近似值，例如通过折射界面的形状。关于数据的可用性，可以借助各种参数对物理模型进行微调。然而，所述模型的结构和这些参数的选择是由相应的开发人员指定的，因此不一定是最佳的可能表示。在这种形式下，只能对整个系统进行非常合格的最优适配，其灵活性受到所选模型的限制。
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人工晶状体的改进的IOL屈光力预测的方法和系统。
发明内容
本发明的目的借助于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。
根据本发明的一个方面，提出了一种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。在这种情况下，该方法可以特别包括提供用于确定人工晶状体的屈光力的物理模型，以及利用临床眼科训练数据和相关联的期望结果来训练机器学习系统以形成用于确定屈光力的学习模型。在这种情况下，用于该训练的损失函数可以包括两个组成部分：该损失函数的第一组成部分可以考虑临床眼科训练数据的对应项和相关联的期望结果，并且该损失函数的第二组成部分可以考虑物理模型的局限性，即在训练期间，该第二分量的损失函数分量值越大，屈光力的预测值与物理模型以相同的临床眼科训练数据作为输入值时的结果的偏差就越大。
该方法还可以包括提供患者的眼科数据并借助于经训练的机器学习系统来预测要插入的人工晶状体的屈光力，其中，所提供的眼科数据可以用作该机器学习系统的输入数据。
根据本发明的另一个方面，提出了一种用于确定要插入的人工晶状体的屈光力的系统。该系统可以特别包括：提供模块，其中，存储了用于确定人工晶状体的屈光力的物理模型；以及训练模块，该训练模块适于利用临床眼科训练数据和相关联的期望结果来训练机器学习系统以形成用于确定屈光力的学习模型。在这种情况下，可以将学习模型的参数值存储在学习系统中。用于该训练的损失函数可以特别包括两个组成部分：该损失函数的第一组成部分可以考虑临床眼科训练数据的对应项和相关联的期望结果，并且该损失函数的第二组成部分可以考虑物理模型的局限性，即在训练期间，该第二分量的损失函数分量值越大，屈光力的预测值与物理模型以相同的临床眼科训练数据作为输入值时的结果的偏差就越大。
此外，该系统可以包括：存储器，该存储器用于患者的眼科数据；以及预测单元，该预测单元适于借助于经训练的机器学习系统来预测要插入的人工晶状体的屈光力，其中，所提供的眼科数据被用作该机器学习系统的输入数据。
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：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，其次是无法很好地考虑物理模型的已知属性。此外，如果仅使用临床训练数据，则需要非常多的数据点(即训练数据)才能保证大量的解剖变异性。此外，对于纯临床(即眼科)训练数据，将无法对实际存在的变异性进行主动控制。整个参数空间可以通过物理模型进行系统采样。
相比之下，这里提出的方法利用了两个方面的优点：首先是物理数学模型的方面，其次是临床眼科数据的方面。此外，机器学习模型还可以在利用临床眼科数据进行训练之前进行预训练。为此，可以借助于物理模型来生成自动生成的训练数据。该物理模型不一定就是影响损失函数的同一个物理模型。以这种方式，在训练期间就可以考虑不同物理模型的影响。
在这种情况下，所提出的方法对训练的稳健性具有至关重要的影响，无论是对于未经训练的情况还是对于预训练系统的情况。在未经训练的神经网络的情况下，损失函数中的物理约束确保了系统在真实数据上进行训练时不会学习物理上不一致的预测。因此，避免了数据集中的异常值的影响，并且整个经训练的网络可以产生更稳定的预测。在机器学习模型已经借助物理约束在人工数据上进行了预训练并因此包含了物理知识的情况下，对损失函数的控制可以起到不会发生“灾难性遗忘”的效果，也就是说，先前学习的知识不会被眼科数据的训练简单地覆盖。损失函数中的物理约束可以迫使网络继续考虑物理边界条件和限制。
由于这种约束以及可以在训练期间获得的附加物理信息，总体上，训练所需的数据可能显著减少，因为不必从数据中学习物理边界条件。由于不必事先收集大量数据(即临床训练数据)，因此这可以使该方法的应用明显更加灵活和更加快速。此外，可以在诊所特定的数据集上进行训练，以便能够准确地将该方法和对应的系统与这些数据集相协调。这是可能的，因为训练只需要相对较少的临床数据项。
损失函数本身的物理约束可以代表整个参数空间的覆盖范围。它可以为任何可以想到的数据点产生正确的物理解，因此可以系统地表示整个参数范围。与传统方法相比，这对于训练过程来说是一个至关重要的优点，因为在正常情况下，存在的真实数据只能表示参数空间的一小部分。而且在后一种情况下总是容易出错。这一切都可以通过物理约束来补偿。因此，它构成了训练过程的至关重要的延伸和改进。
由于除了借助物理模型进行直接训练之外，还必须始终考虑真实数据，因此各个组成部分相对于彼此的正确加权可以构成所提出概念的另一个至关重要的方面。借助于进行加权可以实现的是，机器学习模型首先可以考虑物理边界条件，其次有足够的自由度来使自己适应于理想的数据情况。这种平衡的相互作用可以在训练过程中提供至关重要的优点，并且改善了针对新眼科数据对IOL屈光力的最终预测。
此外，还可以考虑理论眼科数据。这些数据可以由文献数据组成。文献数据或其他来源的数据之间的插值也可以生成中间值。以这种方式获得的这些附加参考数据可以补充或替代除了或替代损失函数中的物理模型之外的数学物理模型。
以这种方式，在利用临床眼科数据训练的机器学习系统的训练期间，在考虑数学物理模型方面存在很大的自由度。另一方面，在当前使用的影响损失函数的物理模型中，还有大量未使用的附加数据源。
所提出的概念还可以扩展到这样的效果：不仅仅使用一个物理模型来影响损失函数。相反，对损失函数的影响还可以考虑至少一个另外的物理模型。在这种情况下，损失函数将用另一个项来补充，该项将包含附加的权重因子。其余功能(特别是输入数据的提供)将根据第一物理模型并与其并行地实现。
总体而言，在训练中可以实现速度优势，该优势可以由于以下事实而产生：在训练期间，这不仅涉及借助于临床眼科数据进行训练，而且还通过物理模型直接校正临床眼科数据中的测量异常值。机器学习系统的训练阶段也可以利用更少或没那么好的带注释的数据来进行。总体而言，可以显著节省计算能力，从而可以更好地利用可用的计算机容量。
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。
总之，可以说，与已知的用于确定IOL屈光力的机器学习系统和对应的方法(其在训练期间基于真实数据(即基于眼科数据)进行操作，因此需要大量的训练数据，并且不允许在训练数据集覆盖的参数空间之外进行可靠的预测(即IOL屈光力确定))相比，这里提出的方法和系统可以平等地并以相应的加权方式使用物理模型和临床眼科训练数据的边界条件。因此，这里提出的概念可以超越传统方法，在传统方法中，通常可用的临床训练数据的数量不足以覆盖全部物理边界条件。而且，这些还可能容易出现测量错误，这使得情况变得更加困难。简言之：(i)物理模型可以覆盖整个预期的解剖变异性，从而产生用于确定或预测IOL屈光力的更稳健的系统。另外，(ii)物理模型与临床数据的结合意味着稳健模型所需的临床数据更少。因此可以创建稳健的诊所特定、医生特定或晶状体特定模型。
根据该方法的一个有利实施例，可以以可配置的方式对损失函数的第一组成部分和第二组成部分进行加权。因此，可以对要训练的机器学习系统的学习模型进行微调。在这方面，例如，损失函数的两个组成部分中的哪一个应该被赋予更多的权重是可配置的：(i)临床眼科训练数据或(ii)物理模型造成的局限性。以这种方式，可以根据所选择的物理模型的类型完全单独地调整影响参数。以这种方式，可以定义不同强度的权重，具体取决于所选择的物理模型的类型，或者其他或附加的局限性(“约束”)。因此，引入加权的动机是显而易见的，即在可能源自物理模型的灾难性干扰与基于临床数据的过度拟合导致的风险之间建立平衡。
根据该方法的另一有利实施例，可以应用以下类型的加权函数：
WL＝B*[a*(Delta)–(1-a)*Phy]，其中，下式适用：
WL＝损失函数的值，
B＝一般常数或损失函数的另一函数项，
a＝加权常数，
Delta＝第一组成部分，即训练期间误差值的误差函数(例如MSE，均方误差)的结果；以及
Phy＝第二组成部分，即物理模型造成的局限性。
权重值可以在训练(或再训练)之间重新设置。为此可以提供明确的用户界面，以便能够在最佳条件下进行训练。这将使不同的物理边界条件(即物理模型)也能够得到很好的尝试。
根据该方法的补充有利实施例，眼科数据可以包括OCT图像数据(即完整的“原始”图像数据)或者从OCT图像数据导出的明确眼科值，或者包括OCT图像数据和从OCT图像数据导出的值两者。此外，图像数据也完全有可能是生物特征数据。以这种方式，在使用要使用的训练数据方面就有很大的灵活性。
根据该方法的进一步改进的实施例，在生产操作期间，要插入的人工晶状体的预期位置可以用作机器学习系统的附加输入数据值。可以预期，以这种方式，可以额外改进对IOL的屈光力的确定。
根据该方法的一个实施例的扩展形式，在利用眼科数据进行训练之前，机器学习系统的学习模型可以已经通过基于所提供的物理模型的规律的人工生成的训练数据进行了训练。规律可以用物理模型(即公式)来表示。在这种情况下，这里提到的用于预训练的物理模型也可以不同于上面进一步提到的主训练期间的物理模型。以这种方式，可以考虑至少两个不同的物理模型：(i)在以这种方式针对机器学习系统的学习模型实施的2阶段训练的预训练期间的一个物理模型，以及(ii)在机器学习系统的学习模型的后续主训练期间的第二物理模型。根据如此选择的物理模型，可以通过专门适配的用户界面来轻松设置上述损失函数的加权。以这种方式考虑两个不同的物理模型意味着损失函数不必用另一个项来补充。此外，因此可以减少训练时间和/或实际训练数据量。可用的资源将得到更好的利用。
因此，要训练的学习模型将在时间上从使用物理模型的预训练中获益。理论上，可以使用更精细的物理模型来进行训练或生成训练数据。
根据该方法的一个实施例的扩展形式，物理模型还可以包括用于确定人工晶状体的屈光力的文献数据。文献数据可以以表格的形式呈现，从中可以提供值元组(例如，也可以通过对现有值进行插值)作为物理模型的补充或替代。以这种方式，可以省去物理模型，但又不必省去已知极限值(“约束”)的影响。
根据该方法的十分可用的实施例，要插入的人工晶状体可以是要插入的球面、复曲面或多焦点人工晶状体或其他晶状体形状。因此，这里提出的概念将是全面可用的。有利地，也将相应地选择训练数据和物理模型(或多个物理模型)。
根据该方法的进一步示例性实施例，机器学习系统可以是神经网络。在这种情况下可以涉及卷积神经网络(CNN)。当任务是处理要分类的图像数据(比如可能是眼科数据的原始数据)时，CNN被证明特别有用。
替代性地，还可以使用来自眼睛的4-D扫描的可能存在的时间相关数据(三个空间方向以及眼睛的扫描数据随时间的变化)。在这种情况下，可以使用RNN(递归神经网络)，作为上述CNN的替代或补充。
根据该方法的一个有利的示例性实施例，眼睛的眼科数据可以包括来自由以下各项组成的组的至少一个数据：眼轴长度、前房深度、晶状体厚度、后房深度、角膜厚度、角膜曲率、晶状体赤道平面、白到白距离和瞳孔大小。应当理解，上述参数的各个数值是有意的。目前，这些眼睛参数值可以通过眼睛扫描的方式很好地且高准确度地确定。
根据该方法的扩展示例性实施例，第二物理模型可以被表示为数学模型或光线追踪模型。因此，在生成训练数据的第二阶段也出现了使用不同的方法来提供改进的基于模型的训练数据的选项。这可以增加针对某些用途来个性化所提出的方法的余地。
根据该方法的进一步扩展的示例性实施例，可以手动地或借助于第三机器学习系统来确定或生成临床眼科训练数据。在本上下文中，手动意味着借助于眼睛扫描装置进行测量。与此相反，借助于第三机器学习系统生成的训练数据往往更具有人工性质，然而也可以使用相对少量的临床眼科数据，以便借助于已经经训练的第三机器学习系统来为最终学习步骤提供更大量的训练数据。以这种方式，这里提出的方法也可用于相对少量的临床眼科数据，这些数据通常不足以借助于从(多个)物理模型到真实临床数据的两阶段训练步骤进行细化。举例来说，GAN(生成对抗网络)可以用于此目的。
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屈光力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图示了眼睛以及眼睛的不同生物特征参数。
图3描绘了基础的所提出的方法或相关联的系统的基本功能组成部分的示意性结构。
图4图示了根据本发明的预测系统的简图。
图5描绘了计算机系统的图，该计算机系统另外可以全部或部分地包括根据图4的系统。
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“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“损失函数”描述了一种误差函数，它在机器学习系统的训练期间输出一个值或一组误差值，对于一组相关联的输入值，通常该值或该组误差值越大，机器学习系统的预测值和预期值彼此相差就越大。有多种方法可用于确定和使用该差异(例如MSE＝均方误差或交叉熵)。损失函数的(多个)输出值被馈送(反向传播)到神经网络中——或者被馈送到节点或权重函数。以这种方式，机器学习系统的实际预测输出值朝着带注释的(即期望的)结果值的方向收敛。
术语“机器学习系统”描述了通常也被指配给方法的系统，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)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。已知各种机器学习系统。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，可以向人工链接指配参数(例如，链接的加权参数)。在训练神经网络时，链接的加权参数值会基于输入信号而自动调整，以产生期望的结果。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(激活函数)。这里，选定的节点借助于连接(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)，借助于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。
术语“递归神经网络”表示这样的神经网络，该神经网络与前馈网络相比的区别是一层的神经元(即，节点)与相同层或前一层的神经元的链接。这是大脑中、特别是在新皮质中神经网络互连的优选方式。在人工神经网络中，模型神经元的递归互连经常用于发现数据中的时间编码(即动态)信息。这种递归神经网络的示例包括Elman网络、Jordan网络、Hopfield网络和全连接神经网络。其也适合于检查眼睛记录中的动态行为，特别是考虑眼睛的调节行为。
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“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)描述患者眼睛扫描的一维结果，其提供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。
术语“动态眼睛数据”描述眼睛的一系列2-D截面图像(通常位于同一位置)，以便识别动态变化，即随时间的变化，例如眼睛的适应性。
在这种情况下，术语“数字图像”(例如来自扫描)描述物理上存在的物品(例如，在本案中是眼睛的视网膜)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。
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“训练数据”描述可以用于训练机器学习系统的数据。机器学习系统的这些训练数据是来自过去成功的晶状体更换手术的眼科数据和相关联屈光力值。
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。已知的公式包括Haigis公式和Universal Barrett II公式。此外，可以使用光线追踪法。
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。首先示出的是根据本发明的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的一个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。方法100包括提供102用于确定人工晶状体的屈光力的物理模型。这可能涉及用于基于一系列输入参数、来自某些其他经训练的机器学习系统的数据或文献数据(例如，以表格形式存储)来确定屈光力的公式。
此外，方法100包括利用临床眼科训练数据和相关联的期望结果来训练104机器学习系统，以形成用于确定屈光力的学习模型，其中，用于训练的损失函数包括两个组成部分。期望结果是机器学习系统在存在特定输入参数值的情况下要预测的结果。输入数据和预期结果数据的组合在机器学习的上下文中也称为“地面真值”。这特别适用于此处执行的所谓“监督学习”。
损失函数的第一组成部分考虑了临床眼科训练数据的对应项和相关联的期望结果。损失函数的这个组成部分可以使用已知的均方误差法。在这种情况下，损失函数的组成部分越大(二次方)，预测值与带注释的相关联结果(预测)值的偏差就越大。平方的使用确保了以相同的方式考虑正值和负误差值。
损失函数的第二组成部分考虑了物理模型的局限性，即在训练期间，该第二组成部分的损失函数组成部分值越大，借助于机器学习系统对屈光力的预测值与物理模型以相同的临床眼科训练数据作为物理模型的输入值时的结果的偏差就越大。
方法100还包括提供106患者的所确定的眼科数据并借助于经训练的机器学习系统来预测108要插入的人工晶状体的屈光力，其中，所提供的眼科数据被用作机器学习系统的输入数据。
可选地(因此使用虚线示出)，要插入的人工晶状体的位置也可以用作机器学习系统的附加输入值(参见110)。
图2描绘了眼睛200以及眼睛的各种生物特征参数或眼科参数。特别地，表示了以下参数：眼轴长度202(AL)、前房深度204(ACD)、角膜曲率值206(K，半径)、晶状体的屈光力(屈光度)、晶状体厚度208(LT)、中央角膜厚度210(CCT)、白到白距离212(WTW)、瞳孔大小214(PS)、后房深度216(PCD)、视网膜厚度218(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。
图3表示基本功能块的示意性结构300，这些基本功能块对于所提出的方法的实施是有用的。首先，选择并提供用于确定屈光力的合适的眼睛物理模型302。其次，为机器学习系统310提供训练数据304。这些首先是所谓的地面真值数据，即用于预测屈光力值308的结果值，以及(带注释的)测量的眼科数据306。替代性地，代替测量的眼科数据，还可以附加地或替代性地使用对应眼睛的完整图像数据(例如A扫描、B扫描等)。
同时，训练数据(测量的眼科数据306)的输入值被提供给计算模块，以获得物理模型的结果值。结果值与期望的或带注释的IOL屈光力值并行地确定机器学习系统310的输出(将在下一段落中更具体地详细描述)与物理正确解的偏差，并返回一个值：该值越大，机器学习系统310的输出与该解的偏差就越大。还可以使用其他来源(比如文献值)来代替物理模型302的计算的或以其他方式确定的输出。
训练中的机器学习系统310被展示为深度神经网络(DNN)。深度神经网络具有由节点组成的输入层(左)和由节点组成的输出层(右)。尽管仅分别展示了四个节点和两个节点，但是在实际可以使用的神经网络的情况下，输入节点和输出节点的数量通常会显著更高。在输入层与输出层之间存在多个具有节点的另外的层(通常多于通过示例展示的DNN的2个内层)，这些另外的层经由各自的权重函数选择性地互连。
机器学习系统或其学习模型的训练涉及迭代地确定节点的参数或节点之间的连接的对应权重函数。损失函数312确定在训练期间节点的权重函数或参数值采用什么值。简而言之，训练继续进行，直到期望的IOL屈光力与机器学习系统预测的IOL屈光力之间的偏差降至预定义的最小值以下为止。
然而，这里提出的方法的特殊特征现在在于这样的事实：损失函数312的值不仅仅基于上述差异，而是具有由底层物理模型302的计算模块的结果确定的第二(通常是加性的，例如附加线性的)组成部分。损失函数312的组成部分的加权使得能够在机器学习系统310的训练期间以很好的且有利的方式进行微调。
为了确保损失函数的两个组成部分的同步可用性，有利地提供同步单元，该同步单元控制进一步的训练数据的供应，以达到以下效果：仅当损失函数的两个组成部分先前都可用于反向传播循环步骤并且因此训练步骤能够完全完成时，才提供新训练数据。
一旦机器学习系统310的训练完成，该系统就可以投入使用。然后经训练的机器学习系统314现在可以接收患者的眼科数据316，并且通过其经训练的机器学习模型借助于预测单元320来预测要插入的人工晶状体的屈光力318。在这种情况下，要插入的人工晶状体的期望位置可以附加地用作经训练的机器学习系统314的附加输入参数值。此外，代替或除了眼科数据316之外，还可以使用确定的患者眼睛的图像数据作为经训练的机器学习系统314的输入值。
为了完整起见，图4图示了用于确定屈光力的系统400的组件的优选示例性实施例，这些组件有助于训练所提出的方法100的机器学习系统并且也被用于该方法的操作阶段。
系统400包括处理器402，该处理器可以执行存储在存储器404中的程序模块或程序代码。结果，处理器以能够实施该方法的要素的方式影响以下组件的功能。特别地，系统400为此目的包括用于存储物理模型的提供模块406。在这种情况下，例如，还可以存储测量的眼科数据和相关联的IOL屈光力值的组合的文献值，或者可以以具有对应参数的物理公式的形式存储模型。此外可以存在用于物理模型的计算单元408，该计算单元利用用于物理模型的提供模块406的存储器。
作为补充，还可以存在用于损失函数的计算单元418，该计算单元考虑了上述两个组成部分。
训练模块410适于利用临床眼科训练数据和相关联的期望结果来训练机器学习系统，以形成用于确定IOL的屈光力的学习模型，该训练模块在训练期间使用损失函数的结果。在这种情况下，损失函数包括以下组成部分：(i)第一组成部分，其考虑了临床眼科训练数据的对应项和相关联的期望结果，以及(ii)第二组成部分，其考虑了物理模型的局限性，即在训练期间，该第二组成部分的相关联损失函数组成部分值越大，屈光力的预测值与物理模型(或任何其他边界条件(“约束”))以相同的临床眼科训练数据作为输入值时的结果的偏差就越大。为此目的，除了线性方法之外，例如也可以使用多项式或指数函数。
经由存储器414，患者的眼科数据最终被提供给机器学习系统412(其对应于图3中的机器学习系统310)。预测单元416(参见图3，320)输出由机器学习系统412针对要插入的人工晶状体的屈光力而确定的预测数据，其中，所提供的眼科数据被用作机器学习系统的输入数据。存储器414还可以用于眼科训练数据。
应当明确指出的是，模块和单元(特别是处理器402、存储器404、用于存储物理模型的提供模块406、用于物理模型的计算单元408、用于损失函数的计算单元418、训练模块410、机器学习系统412、用于眼科数据的存储器416、以及预测单元416)可以连接到电信号线或经由系统内部总线系统420进行连接，以用于信号或数据交换的目的。另外，显示单元也可以连接到系统内部的总线系统420或预测单元416，以输出、显示或以其他方式进一步处理或转发屈光力。
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借助于回归系统作为具有数值输出变量的机器学习系统来实施。
图5展示了计算机系统的框图，该计算机系统可以包括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5通过示例展示了计算机系统500，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，但是也可以全部或部分地包含预测系统。
计算机系统500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500可以被配置用于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502、存储系统504以及将包括存储系统504在内的各种系统组件连接到处理器502的总线系统506。计算机系统500通常包括可由计算机系统500访问的多个易失性或非易失性存储介质。存储系统504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)508等中，以便由处理器502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504的其他组件可以是永久性存储器(ROM)510和长期存储器512，其中可以存储程序模块和数据(附图标记516)以及工作流。
该计算机系统包括用于通信目的的多个专用设备(键盘518、鼠标/定点设备(未展示)、屏幕520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514确保了与外部设备的无摩擦数据交换。网络适配器522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500的其他组件可以通过总线系统506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500。
此外，用于确定IOL的屈光力的系统400(参见图4)的至少一些部分可以连接到总线系统506。
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包含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 用于确定屈光力的方法
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的可选方法步骤
200 眼睛参数
202 眼轴长度
204 前房深度
206 角膜曲率值
208 晶状体厚度
210 中央角膜厚度
212 白到白距离
214 瞳孔大小
216 后房深度
218 视网膜厚度
300 用于实施方法的功能块
302 物理模型
304 训练数据
306 眼科训练输入数据
308 带注释的训练结果数据
310 机器学习系统
312 损失函数
314 经训练的机器学习系统
316 患者的眼科数据
318 要插入的IOL的预测屈光力
320 预测单元
400 用于预测屈光力的系统
402 处理器
404 存储器
406 用于物理模型的存储器
408 用于物理模型的计算单元
410 训练单元
412 机器学习系统
414 用于眼科数据的存储器
416 预测单元
418 用于损失函数的计算单位
420 总线系统
500 预测系统
500 计算机系统
502 处理器
504 存储系统
506 总线系统
508 RAM
510 ROM
512 长期存储器
514 I/O控制器
515 程序模块、潜在数据
518 键盘
520 屏幕
522 网络适配器

Claims (10)

1.一种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(100)，该方法(100)包括
–提供(102)用于确定人工晶状体的屈光力的物理模型，
–利用测量的临床眼科训练数据(304)和相关联的期望结果(306)来训练(104)机器学习系统(310，412)，以形成用于确定该屈光力的学习模型，其中，用于该训练的损失函数(312)包括两个组成部分，
其中，该损失函数的第一组成部分考虑了该测量的临床眼科训练数据(304)的对应项和相关联的期望结果(306)，
其中，该损失函数(312)的第二组成部分考虑了该物理模型的局限性，即在该训练期间，该第二组成部分的损失函数组成部分值越大，该屈光力的预测值与该物理模型以相同的临床眼科训练数据(304)作为输入值时的结果的偏差就越大，
–提供(106)患者的测量的眼科数据，
–借助于经训练的机器学习系统来预测(108)该要插入的人工晶状体的屈光力，其中，所提供的测量的眼科数据被用作该机器学习系统的输入数据。
2.如权利要求1所述的方法(100)，其中，以可配置的方式对该损失函数(312)的第一组成部分和第二组成部分进行加权。
3.如权利要求2所述的方法(100)，其中，应用以下类型的加权函数
WL＝B*[a*(Delta)–(1-a)*Phy]，其中，
WL＝该损失函数的值，
B＝一般常数或该损失函数(312)的另一函数项，
a＝加权常数，
Delta＝第一组成部分，并且
Phy＝第二组成部分。
4.如前述权利要求中任一项所述的方法(100)，
–其中，该测量的眼科数据是OCT图像数据或者
–其中，该测量的眼科数据是从OCT图像数据导出的明确值或者
–其中，该测量的眼科数据包括OCT图像数据和从OCT图像数据导出的值两者。
5.如前述权利要求中任一项所述的方法(100)，其中，该要插入的人工晶状体的预期位置被用作该机器学习系统(310，412)的附加输入数据。
6.如前述权利要求中任一项所述的方法(100)，其中，该机器学习系统(310，412)的学习模型在用测量的眼科数据进行训练之前，已经通过基于所提供的物理模型的规律的人工生成的训练数据进行了训练。
7.如前述权利要求中任一项所述的方法(100)，其中，该物理模型还包括用于确定人工晶状体的屈光力的文献数据。
8.如前述权利要求中任一项所述的方法(100)，其中，该要插入的人工晶状体是要插入的球面、复曲面或多焦点人工晶状体。
9.一种用于确定要插入的人工晶状体的屈光力的系统(400)，该系统(400)包括
–提供模块(406)，其中，存储了用于确定人工晶状体的屈光力的物理模型，
–训练模块(410)，该训练模块适于利用测量的临床眼科训练数据(304)和相关联的期望结果(306)来训练机器学习系统(310，412)，以形成用于确定该屈光力的学习模型，其中，该学习模型的参数值存储在该学习系统(310，412)中，并且其中，用于该训练的损失函数包括两个组成部分，
其中，该损失函数(312)的第一组成部分考虑了该测量的临床眼科训练数据(304)的对应项和相关联的期望结果(306)，
其中，该损失函数(312)的第二组成部分考虑了该物理模型的局限性，即在该训练期间，该第二组成部分的损失函数组成部分值越大，该屈光力的预测值与该物理模型以相同的测量的临床眼科训练数据作为输入值时的结果的偏差就越大，
–存储器(414)，该存储器用于患者的测量的眼科数据(316)，–预测单元(320，416)，该预测单元适于借助于经训练的机器学习系统(314)来预测该要插入的人工晶状体的屈光力，其中，所存储的测量的眼科数据被用作该经训练的机器学习系统(314，412)的输入数据。
10.一种用于确定要插入的人工晶状体的屈光力的计算机程序产品，其中，该计算机程序产品包括其上存储有程序指令的计算机可读存储介质，其中，这些程序指令能够由一个或多个计算机(500)或控制单元执行，并使所述一个或多个计算机(500)或控制单元执行根据权利要求1至8之一所述的方法。
CN202280012340.9A 2021-01-29 2022-01-26 基于机器学习的眼科预测方法的理论驱动域控制 Pending CN117280425A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102021102142.1A DE102021102142A1 (de) 2021-01-29 2021-01-29 Theorie-motivierte Domänenkontrolle für ophthalmologische Machine-Learning-basierte Vorhersagemethode
DE102021102142.1 2021-01-29
PCT/EP2022/051779 WO2022162013A1 (de) 2021-01-29 2022-01-26 Theorie-motivierte domänenkontrolle für ophthalmologische machine-learning-basierte vorhersagemethode

Publications (1)

Publication Number Publication Date
CN117280425A true CN117280425A (zh) 2023-12-22

Family

ID=80682932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280012340.9A Pending CN117280425A (zh) 2021-01-29 2022-01-26 基于机器学习的眼科预测方法的理论驱动域控制

Country Status (6)

Country Link
US (1) US20240120094A1 (zh)
EP (1) EP4285386A1 (zh)
JP (1) JP2024508379A (zh)
CN (1) CN117280425A (zh)
DE (1) DE102021102142A1 (zh)
WO (1) WO2022162013A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022125419A1 (de) 2022-09-30 2024-04-04 Carl Zeiss Meditec Ag Trainings-domänen-basiertes ai-boosting einer iol-bestimmung
DE102022128198A1 (de) 2022-10-25 2024-04-25 Carl Zeiss Meditec Ag Vergrössern einer Trainingsdatenmenge zur Verbesserung einer Vorhersagegenauigkeit einer AI-basierten IOL-Bestimmung
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006059829A1 (de) 2006-12-15 2008-06-19 Slawomir Suchy Universalcomputer
EP3491996A4 (en) * 2016-07-29 2020-03-25 Nidek Co., Ltd. OPHTHALMOLOGICAL DEVICE AND PROGRAM FOR DETERMINING THE POWER OF AN ARTIFICIAL CRYSTALLINE
US11890184B2 (en) * 2017-09-29 2024-02-06 John Gregory LADAS Systems, apparatuses, and methods for intraocular lens selection using artificial intelligence
US10888380B2 (en) * 2018-07-12 2021-01-12 Alcon Inc. Systems and methods for intraocular lens selection

Also Published As

Publication number Publication date
US20240120094A1 (en) 2024-04-11
EP4285386A1 (de) 2023-12-06
WO2022162013A1 (de) 2022-08-04
DE102021102142A1 (de) 2022-08-04
JP2024508379A (ja) 2024-02-27

Similar Documents

Publication Publication Date Title
CN117280425A (zh) 基于机器学习的眼科预测方法的理论驱动域控制
US11989877B2 (en) Method and system for analysing images of a retina
US20230057389A1 (en) Physically motivated machine learning system for an optimized intraocular lens calculation
US20170357879A1 (en) Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images
WO2021118452A1 (en) Method and server for federated machine learning
US20230078161A1 (en) Machine learning-supported pipeline for dimensioning an intraocular lens
KR102436359B1 (ko) 의료 정보를 생성하는 방법
US11547484B2 (en) Selection of intraocular lens based on a plurality of machine learning models
JP7394232B2 (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
Cabeza-Gil et al. Customised selection of the haptic design in c-loop intraocular lenses based on deep learning
JP7402262B2 (ja) 機器の作動方法、システム、およびコンピュータプログラム製品
US20220331092A1 (en) Methods and systems for determining intraocular lens (iol) parameters for cataract surgery
Burwinkel et al. Domain-specific loss design for unsupervised physical training: A new approach to modeling medical ML solutions
US20230057686A1 (en) Machine-learning based iol position determination
US20240136066A1 (en) Increasing a training data volume for improving a prediction accuracy of an ai-based iol determination
Sheikh Diabetic Reinopathy Classification Using Deep Learning
US20240112028A1 (en) Physical augmentation of patient data for medical applications
Abu et al. Machine Learning Algorithms for Optic Pathway Disease Diagnostics: A Review
US20240081640A1 (en) Prediction of iol power
US20230148859A1 (en) Prediction of iol power
Hunt et al. The role of data analytics and artificial intelligence (ai) in ocular telehealth
US20230359927A1 (en) Dynamic user-interface comparison between machine learning output and training data
Ahmed et al. Advancing Diabetic Retinopathy Diagnosis: Leveraging Optical Coherence Tomography Imaging with Convolutional Neural Networks
Narain et al. Classification of Retinal Images Using Self-Created Penta-Convolutional Neural Network
S Alzamil Advancing Eye Disease Assessment through Deep Learning: A Comparative Study with Pre-trained Models

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