CN117809834A - Iol确定的基于训练域的ai提升 - Google Patents
Iol确定的基于训练域的ai提升 Download PDFInfo
- Publication number
- CN117809834A CN117809834A CN202311279439.8A CN202311279439A CN117809834A CN 117809834 A CN117809834 A CN 117809834A CN 202311279439 A CN202311279439 A CN 202311279439A CN 117809834 A CN117809834 A CN 117809834A
- Authority
- CN
- China
- Prior art keywords
- value
- determining
- machine learning
- implanted
- intraocular lens
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 85
- 238000010801 machine learning Methods 0.000 claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 92
- 239000013598 vector Substances 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 description 10
- 238000001356 surgical procedure Methods 0.000 description 10
- 238000007796 conventional method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 208000002177 Cataract Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000001491 myopia Diseases 0.000 description 2
- 230000004379 myopia Effects 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000002159 anterior chamber Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Prostheses (AREA)
- Eye Examination Apparatus (AREA)
Abstract
描述了一种用于确定要植入的人工晶状体的屈光力值的计算机实施的方法。该方法包括:‑测量眼科患者数据;接收目标屈光值;借助于物理模型确定要植入的人工晶状体的第一屈光力值,其中,测得的眼科患者数据和该目标屈光值被用作输入数据;借助于经训练的机器学习系统确定该要植入的人工晶状体的第二屈光力值,该测得的眼科患者数据和接收到的目标屈光值被用作该经训练的机器学习系统的输入数据;以及借助于单独的提升系数值根据该第一屈光力值和该第二屈光力值来确定该要植入的人工晶状体的最终屈光力值,该提升系数指示分量由测得的眼科输入数据确定的患者向量与用于训练该机器学习系统的训练数据的域的拟合程度。
Description
技术领域
本发明涉及一种用于确定要植入的人工晶状体的屈光力值的计算机实施的方法。本发明还涉及一种用于确定要植入的人工晶状体的屈光力值的系统以及一种对应的计算机程序产品。
背景技术
如今,人工智能(AI)的使用刺激了不同科学领域的多样性。使用预测模型的AI和机器学习(ML)系统已经发展成强大的工具。这也适用于各种医疗领域的广泛使用。到目前为止,医生或助手能够基本上毫不费力地使用这些工具来为即将到来的医疗任务获得良好的预测和推荐。在这种情况下,对底层预测模型的参数(或超参数)的正确选择以及训练数据的量和质量是至关重要的。因此,训练数据必须尽可能地覆盖将要进行预测的领域。
在该覆盖范围或该域之外,由于机器学习模型的属性通常具有高度非线性特性,所述机器学习模型容易产生无法满足实际任务需求的非预期预测值。在各个医学领域中,某个域通常只有相对少量的可用训练数据。还可能存在这样的情况,相较而言,几乎没有可用训练数据可用于不同领域——即,用于不同的初始医学假设。
尽管如此,医生仍然希望能够使用可用的机器学习模型,即使是针对那些没有直接被可用训练数据覆盖的领域。这也适用于眼科学领域,例如在用要植入的人工晶状体替换眼睛的天然晶状体的白内障手术的范围内。这种手术的重要参数是经训练的机器学习系统对将要植入的人工晶状体的屈光力的推荐或预测。
鉴于人工晶状体的不同类型和不同制造商,通常只有少量的训练数据可用于来自不同制造商的各个类型或晶状体,因此机器学习系统的预测仅在相对严格限定的范围内提供可靠的预测值。一方面,医生希望将如此训练的这些系统直接用于严格限定的范围,但也有在训练数据没有直接覆盖或覆盖不充分的范围内使用经训练模型的基本主张。
在该领域已经发表了一些文献。例如,文献DE 10 2021 102 142A1描述了用于基于机器学习的眼科预测方法的理论驱动的域控制。在这种情况下,用于确定要植入的人工晶状体的屈光力的对应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具有两个分量。相比之下,文献DE 10 2020101 763A1描述了用于标注人工晶状体尺寸的机器学习辅助流水线。在这种情况下,该对应方法包括提供眼睛的扫描结果,该扫描结果表示眼睛的解剖结构的图像。此外,该方法包括确定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植入的人工晶状体的最终位置。此外,文献DE 10 2020101 762描述了用于经优化的人工晶状体计算的物理驱动的机器学习系统。在该上下文中,对应方法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生成第一训练数据。此外,借助于所生成的第一训练数据对机器学习系统进行训练,以便形成用于确定屈光力的第一学习模型。还使用第二经训练的机器学习模型。然而,这些文献中没有一篇明确描述针对上文概述的需求的解决方案。
因此,需要提出一种精确地满足上文所述的要求、特别是在医学领域(尤其是眼科学领域)使用机器学习系统进行预测的可能性的方法和系统,该系统在可用训练数据的域内和域外均提供可靠的预测值——例如针对要植入的人工晶状体的屈光力。
发明内容
该目的通过根据独立权利要求的这里提出的方法、对应的系统和相关联的计算机程序产品来实现。进一步的配置由相应的从属权利要求描述。
根据本发明的第一方面,提出了一种用于确定要植入的人工晶状体的屈光力值的计算机实施的方法。在该上下文中,该方法包括测量眼科患者数据以及接收目标屈光值。
进一步地,该方法包括:借助于物理模型确定要植入的人工晶状体的第一屈光力值,其中,测得的眼科患者数据和目标屈光值被用作输入数据;以及借助于经训练的机器学习系统确定要植入的人工晶状体的第二屈光力值,该机器学习系统是使用眼科训练数据、分别相关联的目标屈光值和要植入的人工晶状体的分别相关联的屈光力值来训练的,要植入的人工晶状体的分别相关联的屈光力值用作用于确定机器学习系统的对应机器学习模型的基本事实数据,测得的眼科患者数据和接收到的目标屈光值还被用作经训练的机器学习系统的输入数据。
最后,该方法包括借助于单独的提升系数值根据第一屈光力值和第二屈光力值来确定要植入的人工晶状体的最终屈光力值,该提升系数指示分量由测得的眼科输入数据确定的患者向量与用于训练机器学习系统的训练数据的域的拟合程度。
根据本发明的第二方面,提出了一种用于基于要植入的人工晶状体的屈光力来确定目标屈光值的计算机实施的方法。该方法包括测量眼科患者数据以及接收要植入的人工晶状体的屈光力值。
该方法进一步包括:借助于物理模型确定第一目标屈光值,其中,测得的眼科患者数据和要植入的人工晶状体的屈光力值被用作输入数据;以及借助于经训练的机器学习系统确定第二目标屈光值。在这种情况下,机器学习系统是使用眼科训练数据、要植入的人工晶状体的分别相关联的屈光力值和分别相关联的目标屈光值(或具有植入的人工晶状体的患者眼睛的屈光结果)来训练的。分别相关联的目标屈光值(或具有植入的人工晶状体的患者眼睛的屈光结果)用作用于确定机器学习系统的对应机器学习模型的基本事实数据。
然后,测得的眼科患者数据和接收到的屈光力值可以用作经训练的机器学习系统的输入数据。
最后,该方法还包括借助于单独的提升系数值根据第一目标屈光值和第二目标屈光值来确定最终目标屈光值,该提升系数指示分量由测得的眼科输入数据确定的患者向量与用于训练机器学习系统的训练数据的域的拟合程度。
根据本发明的第三方面,提出了一种用于确定要植入的人工晶状体的屈光力值的系统,该系统能够被认为与第一方面的方法相关联。该系统包括:处理器;存储器,该存储器操作性地与该处理器协作以存储指令,这些指令在由该处理器执行时使该处理器测量(特别是借助于测量单元)眼科患者数据,并且(例如使用接收单元)接收可以通过植入的人工晶状体实现的术后目标屈光值。
还可以使该处理器借助于物理模型(特别是借助于物理模型的确定单元)来确定第一屈光力值,其中,测得的眼科患者数据和目标屈光值被用作输入数据。
此外,可以使该处理器借助于经训练的机器学习系统来确定第二屈光力值,该机器学习系统是使用眼科训练数据、分别相关联的目标屈光值和要植入的人工晶状体的分别相关联的屈光力值来训练的,该分别相关联的屈光力值用作用于确定机器学习系统的对应机器学习模型的基本事实数据。
在这种情况下,测得的眼科患者数据和接收到的目标屈光值可以被用作经训练的机器学习系统的输入数据。
最后,还可以使该处理器借助于单独的提升系数值根据第一屈光力值和第二屈光力值(例如,借助于用于最终屈光力值的确定单元)来确定最终屈光力值,该提升系数指示分量由测得的眼科输入数据确定的患者向量与用于训练该机器学习系统的训练数据的域的拟合程度。
根据本发明的第四方面,提出了一种用于基于要植入的人工晶状体的屈光力来确定目标屈光值的系统,该系统能够被认为与第二方面的方法相关联。该系统包括:处理器;存储器,该存储器操作性地与该处理器协作以存储指令,这些指令在由该处理器执行时使该处理器测量(特别是借助于测量单元)眼科患者数据,并接收(特别是借助于接收单元)要植入的人工晶状体的屈光力值。
可以进一步使该处理器进行以下操作:借助于物理模型来确定第一目标屈光值,其中,测得的眼科患者数据和要植入的人工晶状体的屈光力值被用作输入数据;并且借助于经训练的机器学习系统来确定第二目标屈光值,该机器学习系统是使用眼科训练数据、要植入的人工晶状体的分别相关联的屈光力值和分别相关联的目标屈光值来训练的,该分别相关联的目标屈光值用作用于确定机器学习系统的对应机器学习模型的基本事实数据,测得的眼科患者数据和接收到的屈光力值被用作经训练的机器学习系统的输入数据。
最后,还可以使该处理器借助于单独的提升系数值根据第一目标屈光值和第二目标屈光值来确定最终目标屈光值(或所得屈光值,特别是通过用于最终目标屈光值的确定单元),该提升系数指示分量由测得的眼科输入数据确定的患者向量与用于训练该机器学习系统的训练数据的域的拟合程度。
所提出的用于确定要植入的人工晶状体的屈光力值(或用于确定所得屈光值)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:
上述目的借助于使用用于预测屈光力(或目标屈光值)的常规方法以及机器学习系统两者通过这里提出的方法和系统得以有利地解决,此外还确定了提升系数值,后者表达测得的患者数据与机器学习系统的训练数据的域的拟合程度。
用简单的术语表达,在测得的患者数据与机器学习系统的用于预测要植入的人工晶状体的屈光力/所得屈光值的原始训练数据集的对应性较差的情况下,机器学习系统的预测值被分配较低的重要性。测得的患者数据与训练数据的域的对应性越大(特别是测得的眼科数据与训练数据的域的对应性越大),机器学习系统的预测值的评级就越高,并且也会被考虑。
以这种方式,经训练的机器学习系统可以用于预测要植入的人工晶状体的屈光力(或所得屈光值),在眼科患者数据与训练数据的范围很好地对应的范围内以及在眼科患者数据与训练数据的范围不太对应的其他范围内均是如此。在这种情况下,所使用的用于确定要植入的人工晶状体的屈光力的常规方法评级更高。
因此,即使在来自患者的测得的数据未直接落入机器学习系统的训练域的情况下,也可以使用这样的系统。所描述的方法总是允许执行稳定的预测,因为一旦预期机器学习系统中几乎没有附加值,常规方法就会逐渐接管。对于训练良好的范围,机器学习系统仍然可以完整无损地实施其优势。因此,所使用的提升系数允许不受阻碍的执行,同时具有很高的预测稳定性。
因此,所提出的方法或系统克服了在只有少量训练数据可用于各个晶状体类型的情况下存在的限制,从而限制了机器学习系统的预测准确度,尤其是在测得的眼科患者数据与机器学习系统的原始训练数据集的范围不对应的情况下。
以这种方式,医生可以避免使用具有潜在不同用户界面的不同机器学习系统,每种用户界面都意味着偏离手术常规。医生可以在每种情况下都使用相同的机器学习系统,即使眼科患者数据与原始训练数据集之间没有理想的对应关系。
此外,这里可以使用不同的常规方法,这些方法允许使用不同的方法(例如物理模型、回归模型或基于规则的决策支持系统)来确定人工晶状体的屈光力。
常规方法和基于机器学习系统的方法(其中,只有少量的训练数据可用于各个范围)的这种集成由于其隐式集成而显著优于以前使用的方法。举例来说,常规方法会看到在使用机器学习系统之前“手动”决定是否可以使用机器学习系统,因为已经使用“正确的”训练数据进行了训练,也就是说测得的眼科患者数据也处于训练数据中。如果不是这种情况,则转向不同的常规方法或不同的机器学习系统。然而,这将是易于出错的程序,并且可以借助于所提出的概念来克服。
一种替代方法可以包括将由常规确定模型生成的人工生成数据点添加到训练数据集。然而,这将削弱或降低机器学习系统在其核心区域、特别是在测得的基于患者的训练数据的范围内的预测准确性。
因此,以前使用的两种替代方法都明显不如这里提出的概念。已知的程序无法提供首先基于常规方法、然后基于依赖于测得的患者数据的经训练的机器学习系统来确定人工晶状体的屈光力之间的自动微调。尤其是先前已知的方法和系统无法提供通过使用提升系数值实现的预测值的使用从用于要植入的人工晶状体的屈光力的机器学习系统到用于确定屈光力的常规方法的逐渐且自动的过渡。
此外,还可以向医生清楚地指示关于机器学习系统和常规方法的结果被加权的比率,以便对要植入的人工晶状体的屈光力进行预测。在该上下文中,该值可以在0%至100%的范围内变化。
此外,所提出的概念也可以在内容上颠倒。在这种情况下,如果外科医生选择真实存在的人工晶状体,他们可以预测预期的所得屈光值,从而在预测的结果提出实际上对于任何特定晶状体都不存在的屈光力值(例如,20.555屈光度)的情况下帮助选择正确的人工晶状体。
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。
根据用于预测IOL(人工晶状体)的屈光力的方法的有利实施例,要植入的人工晶状体的最终屈光力值可以借助于单独的提升系数值根据第一屈光力和第二屈光力根据以下公式来确定:
PowerIOL=BF*第二屈光力值+(1-BF)*第一屈光力值。
在该上下文中,PowerIOL=要植入的人工晶状体的最终屈光力值,并且BF=提升系数值。以这种方式,可以优雅地确保来自物理模型的第一屈光力或来自机器学习系统的第二屈光力可以被更多地加权。举例来说,如果提升系数值小,则在最终屈光力的计算中,物理模型的使用程度将显著大于机器学习系统的结果的使用程度,反之亦然。由于提升系数从根本上来说是对测得的患者数据与训练数据集的拟合程度(即,属于同一域)的度量,因此对上述公式的两个分量的加权会自动达到正确的程度。
根据用于预测IOL的屈光力的方法的附加实施例,对单独的提升系数值的确定可以包括对眼科训练数据应用统计分析方法,并且基于此,然后可以确定来自训练数据集的平均向量(即,每个单独的向量分量的平均值)并且可以确定协方差矩阵。然后,这可以表示与测得的患者数据进行比较的基础。
根据用于预测IOL的屈光力的方法的进一步详细的实施例,对单独的提升系数值的确定可以包括使用多元高斯函数,该多元高斯函数是使用可表示为向量(这些向量是已经确定的向量)的眼科训练数据来确定的。使用多元高斯函数是可能的选项之一,因为假设平均值具有对称性。
根据用于预测IOL的屈光力的方法的扩展实施例,对单独的提升系数值的确定还可以包括将由于使用多元高斯函数而产生的分布密度值缩放到区间[0,1]。这是有帮助的,尤其是因为分布密度值通常在10-2…10-3的数量级,并且很快下降到10-6、…、10-8。然而,对于用于计算最终屈光力的前述公式,区间[0,1]中的提升系数值不仅非常有帮助,而且还表示在数学上有意义且可管理的数量级。
根据进一步的实施例,用于预测IOL的屈光力的方法可以包括将最终屈光力值和/或单独的提升系数值传输到至少一个输出设备——例如,传输到监视器、数字显示器、平视显示器、手术显微镜显示器等。因此,通过对单独的提升系数值的视觉感知,外科医生可以产生关于系统的预测质量有多好的感觉。另外,最终屈光力确定中的第一和第二屈光力确定以及目标屈光值的结果自然也可以被显示。
在这一点上,需要另外注意的是,这两种提出的方法以及等效地这两个对应系统是彼此等效的。或者将目标屈光值用作输入数据,作为其结果,然后(与患者数据一起)确定人工晶状体的最终屈光力。然后,要植入的人工晶状体的屈光力可以用作输入数据,对应的系统然后根据该输入数据确定目标屈光值——在这种情况下,从而确定手术后的实际屈光值(即,因此为所得屈光值)。
这可能由于至少一个原因而对外科医生有很大的帮助。例如:对于给定的眼科患者数据和给定的目标屈光值,确定了例如20.256的理想屈光力值,该理想屈光力值在可用人工晶状体的范围内没有物理对应性。在这种情况下,外科医生因此可能必须在20.25与20.26之间做出决定。自然地,他们也希望知道手术后针对这种特定晶状体类型产生的最终屈光值。由于在正常的眼科手术期间寻找特定的目标屈光值(例如,轻度近视),因此外科医生将应用根据第二方面的所提出的方法。
为此,至少所有的从属权利要求都应当适用于第一方面的方法和第二方面的方法。对应的陈述同样适用于上文提出的根据第三方面的系统和根据第四方面的系统。这里的前提条件是使用不同的训练数据:因此,在第一种情况下,患者数据、目标屈光值和最终确定的最终IOL屈光力被用作基本事实数据,而在第二种情况下,患者数据、计划的最终IOL屈光力和最终所得屈光值被用作基本事实数据。
因此,用于确定最终所得屈光值的公式将如下:
所得屈光值=BF*第二屈光值+(1-BF)*第一屈光值。
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。
附图说明
要指出的是,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配置中,本发明的上文已经描述的方面和附加方面将变得显而易见。
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展示了根据本发明的用于确定要植入的人工晶状体的屈光力值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示出了具有潜在参数测量值的眼睛。
图3示出了用于确定屈光力的方法的示例性实施例,该方法更接近于在实践中实施的方法。
图4示出了用于确定要植入的人工晶状体的屈光力值的方法的示例性实施例的流程图的第一部分。
图5示出了用于确定要植入的人工晶状体的屈光力值的方法的示例性实施例的流程图的第二部分。
图6示出了用于确定要植入的人工晶状体的目标屈光值(或所得屈光值)的方法的示例性实施例的流程图的不同的第二部分。
图7示出了用于确定屈光力的系统的图。
图8展示了包括根据图7的系统的计算机系统的示例性实施例。
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:
这里,术语“人工晶状体”(IOL)描述了例如在白内障手术的范围内引入眼睛由此替换眼睛的天然晶状体的人造晶状体。
在这种情况下,术语“眼科患者数据”或简称为“患者数据”可以描述来自患者眼睛的患者特异性测量数据,其优选地可以(例如,在患者测量数据存储器中)直接获得或以缓冲存储的形式获得。
在这种情况下,术语“目标屈光值”可以描述手术后所需的屈光值。
在这种情况下,术语“所得屈光值”可以描述在手术后由特定IOL获得的屈光值,如果实际使用的IOL的屈光力被用作输入数据,则实际上应该植入该特定IOL。
术语“物理模型”或“物理-光学模型”可以使用公式或关系来描述要植入的IOL的屈光力对眼科数据的已知依赖性。各种模型是已知的。
术语“机器学习系统”可以描述非程序系统,该非程序系统与输入数据和由此生成的输出数据(或在每种情况下与向量)相关的行为受到使用示例数据(即输入数据和输出数据)的学习过程的制约。学习系统的参数值在学习过程期间(通常通过使损失函数最小化)得到优化,从而使学习或训练完成后用于基于未知输入数据预测输出数据的机器学习模型是可用的。举例来说,优化过程可以通过生成的输出数据与期望的输出数据之间的差异的反向传播函数来实施。机器学习系统的各种架构是已知的。示例包括神经网络和深度神经网络。
一般来说,术语“基本事实数据”描述机器学习系统的目标数据或预测的期望预测结果,其用于在机器学习系统的训练期间调节机器学习系统的目的,也就是说用于确定参数值。
术语“机器学习模型”通常描述构成机器学习模型的一组参数。后者在机器学习系统中使用。可选地,机器学习系统的附加配置参数(即,超参数)也可以包含在学习模型中。
在这种情况下,术语“最终屈光力值”将由所提出的方法提供的IOL的实际屈光力描述为结果,该所提出的方法由常规方法和基于ML的方法的组合构成。
术语“提升系数”描述可表示为十进制数并且指示某一组(测得的)患者数据与用于训练机器学习系统的训练数据的拟合程度的值。在这种情况下,“拟合”旨在意指患者数据也可以通过各种方式处于训练数据集内。然而,如果测得的患者数据处于训练数据集的边界之外,这将指示患者数据集不直接拟合到训练数据。作为结果,根据这里提出的概念,根据物理模型确定的屈光力值将被过度加权。
在这种情况下,术语“训练数据的域”特别描述一组训练数据,该组训练数据共同具有某些属性,例如围绕平均值分组,并且在该过程中,与其相距的距离不大于预先确定的距离。“离群数据”不应包含在训练数据集中。
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。最初描绘了根据本发明的用于确定要植入的人工晶状体的屈光力值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。以下描述了进一步的示例性实施例或对应系统的示例性实施例:
图1展示了用于确定要植入的人工晶状体的屈光力值的计算机实施的方法100的优选示例性实施例的类似流程图的表示。为此,方法100包括测量102眼科患者数据以及接收104目标屈光值。目标屈光值是手术后(即,植入人工晶状体后)眼睛所要达到的屈光值。在这种情况下,可以考虑轻微近视,使得患者可以例如在手术后不戴眼镜阅读。然而,目标屈光值的值也可以被指定为零。
进一步地,方法100包括借助于物理或物理光学模型来确定106要植入的人工晶状体的第一屈光力值。现有技术中已知的公式适用于这一目的。举例来说,可以使用经验公式、回归形式、查找表或者第二机器学习系统(例如,支持向量机)。在任何情况下,测得的眼科患者数据(或数据的子集)和目标屈光值都被用作输入数据。
此外,该方法包括借助于经训练的机器学习系统确定108要植入的人工晶状体的第二屈光力值。后者使用眼科训练数据(即,一组训练向量)、分别相关联的目标屈光值和要植入的人工晶状体的分别相关联的屈光力值预先训练。在这种情况下,要植入的人工晶状体的分别相关联的屈光力值用作用于确定机器学习系统的对应机器学习模型的基本事实数据。为了达到期望的结果,然后需要使用测得的眼科患者数据和接收到的目标屈光值作为经训练的机器学习系统的输入数据。在示例性实施例中,也可以使用多个物理模型或者多个机器学习系统,每个机器学习系统具有不同的学习模型。分别确定的提升系数值被用作要植入的人工晶状体的最终屈光力的附加中间结果。
最后,方法100还包括借助于单独的提升系数值根据第一屈光力值和第二屈光力值来确定110要植入的人工晶状体的最终屈光力值。在这种情况下,提升系数从根本上指示了分量由测得的眼科输入数据确定的患者向量与用于训练机器学习系统的训练数据的域的拟合程度。
如上文已经提及的,可以使用等效的方法或系统来确定使用要植入的人工晶状体的实际使用的屈光力作为起点的所得屈光值(换句话说,目标屈光值),而不是要植入的人工晶状体的最终屈光力。
可选地,从存储装置中获得具有确定的屈光力的要植入的人工晶状体的运输或机器人系统可以连接到相应的系统。
图2描绘了眼睛200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202(AL)、前房深度204(ACD)、角膜曲率值206(K,半径)、晶状体的屈光力、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)。
图3示出了用于确定屈光力的方法的示例性实施例300,该方法更接近于在实践中实施的方法。最初,提供该组生物特征训练数据302。然后,(例如通过测量)确定基于眼科患者数据304的生物特征数据。
接下来,确定306生物特征患者数据与该组训练数据的对应性,随后确定308权重(提升系数值)。
生物特征患者数据304被机器学习系统直接用于常规IOL屈光力值确定310的计算和IOL屈光力值确定312。在该方法概述的进一步的步骤中,然后应用314来自以常规方式确定的IOL屈光力值和使用机器学习系统确定的IOL屈光力值的加权(单独的提升系数值),以便最终执行最后的最终IOL屈光力值确定。
图4示出了用于确定要植入的人工晶状体的屈光力值(或者用于确定所得屈光值)的方法的示例性实施例400的流程图的第一部分。这是相对接近于实施方式的程序的表示。这里,至少部分生物特征训练数据302和生物特征患者数据304也是该方法的起点。
最初,对训练数据进行统计分析402。这可以使用常规统计方法、回归分析或者基于规则的程序来实施。统计分析402提供两个结果,特别是平均值向量404(如上文已经描述的)和协方差矩阵408。根据这两个结果,可以确定多元高斯函数410,并且这可以用于确定分布密度值412。现在可以在此基础上根据上文已经指定的公式来确定单独的提升系数值。因此,到目前为止所描述的表示的部分(其相对接近于所实施的部分)的特征在于,对测得的患者数据与机器学习系统的最初使用的训练数据进行分析和比较,以用于预测屈光力(或所得屈光值)。对该方法的描述在下一个图中继续。
图5示出了用于确定要植入的人工晶状体的屈光力值的方法的示例性实施例的流程图的第二部分500。
这一部分也从生物特征患者数据304开始。为此,可通过输入选项将目标屈光值506提供给执行该方法的系统。这里,也使用用于确定屈光力的常规模型502来确定第一屈光力值504。可以使用经训练的机器学习系统508基于生物特征患者数据304并行或随后确定第二屈光力值510(基于对应的学习模型)。
然后,使用在根据图4的方法的第一部分中确定的单独的提升系数值414根据指定的公式来确定最终IOL屈光力值512。
对于可以根据其使用屈光力值作为起点来确定潜在目标屈光值/所得屈光值的并行方法,在图4的上下文中描述的方法的部分是相同的。
然而,图6示出了用于确定具有植入的人工晶状体的患者眼睛的目标屈光值的方法的示例性实施例的流程图600的不同的第二部分。为此,该系统具有物理上存在的IOL的屈光力值606。相应地训练的机器学习系统508可以具有与根据图5的经训练的机器学习系统相同的超参数值。然而,自然会使用不同的训练数据(见上文),从而通过训练生成不同的学习模型(即,不同的参数值)。
在这种情况下,经训练的机器学习系统508将确定或预测第二目标屈光值602,然后将该第二目标屈光值与以常规方式确定的第一目标屈光值604和单独的提升系数值414一起使用,以便根据在此指定的公式来确定最终所得屈光值604。
图7示出了用于确定要植入的人工晶状体的屈光力值的系统700的图。需要注意的是,可以使用非常相似或相当的系统来确定术后屈光值。如上文已经概述的,将使用不同的训练数据来训练机器学习系统。
为此,用于确定要植入的人工晶状体的屈光力值的系统700包括以下各项:处理器702和存储器704,该存储器操作性地与处理器702协作以存储指令,这些指令在由处理器702执行时使处理器702进行以下操作:测量(特别是使用测量单元706)眼科患者数据,并且接收(例如借助于接收器单元708)目标屈光值。为此,可以可选地输入目标屈光值或屈光力值。上文已经描述了这些替代方案。
此外,使该处理器一方面借助于物理模型并且另一方面借助于经训练的机器学习系统来确定屈光力值;为此,可以使用例如用于物理模型的屈光力值确定单元710和相应地训练的机器学习系统712(用于预测IOL的屈光力值或用于使用IOL作为起点来预测目标屈光值)。然后,借助于确定单元714使用提升系数值来为最终屈光力值确定最终屈光力值确定(或所得屈光值)。
明确提及的事实是,模块和单元——特别是处理器702、存储器704、测量单元706、接收器单元708、用于物理模型的确定单元710、用于屈光力值确定(或所得屈光值)的经训练的机器学习系统712和用于最终屈光力值(或所得屈光值)的确定单元714——可以通过电信号线或者通过系统内部总线系统716的方式连接,以用于交换信号或数据。
图8展示了也包括根据图7的系统的计算机系统800的示例性实施例。计算机系统800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、一些其他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800可以被配置为执行计算机系统可执行指令(例如程序模块),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、部件、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。
计算机系统的部件可以包括以下各项:一个或多个处理器或处理单元802、存储系统804以及将包括存储系统804在内的各种系统部件连接到处理器802的总线系统806。计算机系统800通常包括可由计算机系统800访问的多个易失性或非易失性存储介质。存储系统804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)808等中,以便由处理器802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804的其他部件可以是永久性存储器(ROM)810和长期存储器812,其中可以存储程序模块和数据(附图标记816)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818、鼠标/定点设备(未展示)、屏幕820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814确保了与外部设备的无摩擦数据交换。网络适配器822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800的其他部件可以通过总线系统806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800。
另外,用于确定要植入的人工晶状体的屈光力值的系统700(参见图7)的至少一些部分也可以连接到总线系统806。系统700和计算机系统800可以可选地一起使用存储器和/或(多个)处理器。这同样类似地适用于用于确定所得屈光值(也称为确定目标屈光值)的系统。
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。
将电子介质、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。
此外,这里提出的发明是参考根据本发明的示例性实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来说明的。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另一种方式编程的通用计算机、专用计算机或数据处理系统,以便创建机器,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。
权利要求中所展示的结构、材料、顺序和具有相关联的功能的所有装置和/或步骤的等效物旨在应用权利要求所表达的所有结构、材料或顺序。
Claims (11)
1.一种用于确定要植入的人工晶状体的屈光力值的计算机实施的方法(100),该方法包括:
-测量(102)眼科患者数据(304),
-接收(104)目标屈光值(506),
-借助于物理模型(502)确定(106)要植入的人工晶状体的第一屈光力值(504),其中,测得的眼科患者数据(304)和该目标屈光值(506)被用作输入数据,
-借助于经训练的机器学习系统(508)确定(108)该要植入的人工晶状体的第二屈光力值,
该机器学习系统是使用眼科训练数据、分别相关联的目标屈光值和要植入的人工晶状体的分别相关联的屈光力值来训练的,要植入的人工晶状体的这些分别相关联的屈光力值用作用于确定该机器学习系统的对应机器学习模型的基本事实数据,
该测得的眼科患者数据(304)和接收到的目标屈光值(506)被用作该经训练的机器学习系统(508)的输入数据,以及
-借助于单独的提升系数值(414)根据该第一屈光力值(504)和该第二屈光力值(510)来确定(110)该要植入的人工晶状体的最终屈光力值(512),该提升系数(414)指示分量由测得的眼科输入数据确定的患者向量与用于训练该机器学习系统的训练数据的域的拟合程度。
2.根据权利要求1所述的方法,其中,该要植入的人工晶状体的最终屈光力值(512)是借助于该单独的提升系数值根据该第一屈光力值(504)和该第二屈光力值(510)根据以下公式来确定的:
PowerIOL=BF*第二屈光力值+(1-BF)*第一屈光力值,
其中:
PowerIOL=该要植入的人工晶状体的最终屈光力值,
BF=提升系数值。
3.根据权利要求1或2所述的方法,其中,该单独的提升系数值(414)的确定包括:
-对该眼科训练数据应用统计分析方法(402),并且基于此,
-确定平均向量(404),以及
-确定协方差矩阵(408)。
4.根据权利要求3所述的方法,其中,确定该单独的提升系数值(414)包括:
-使用多元高斯函数(410),该多元高斯函数是使用该眼科训练数据确定的。
5.根据权利要求4所述的方法,其中,确定该单独的提升系数值(414)包括:
-将由于使用该多元高斯函数(410)而产生的分布密度值(412)缩放到区间[0,1]。
6.根据前述权利要求中任一项所述的方法,另外包括:
-将该最终屈光力值(512)和/或该单独的提升系数值(414)传输到至少一个输出设备。
7.一种用于基于要植入的人工晶状体的屈光力来确定目标屈光值的计算机实施的方法,该方法包括:
-测量眼科患者数据,
-接收该要植入的人工晶状体的屈光力值,
-借助于物理模型确定第一目标屈光值,其中,测得的眼科患者数据和该要植入的人工晶状体的屈光力值被用作输入数据,
-借助于经训练的机器学习系统确定第二目标屈光值,
该机器学习系统是使用眼科训练数据、该要植入的人工晶状体的分别相关联的屈光力值和分别相关联的目标屈光值来训练的,该分别相关联的目标屈光值用作用于确定该机器学习系统的对应机器学习模型的基本事实数据,
该测得的眼科患者数据和接收到的屈光力值被用作该经训练的机器学习系统的输入数据,以及
-借助于单独的提升系数值根据该第一目标屈光值和该第二目标屈光值来确定最终目标屈光值,该提升系数指示分量由测得的眼科输入数据确定的患者向量与用于训练该机器学习系统的训练数据的域的拟合程度。
8.一种用于确定要植入的人工晶状体的屈光力值的系统(700),该系统(700)包括:
-处理器(702),
-存储器,该存储器操作性地与该处理器(702)协作以存储(704)指令,这些指令在由该处理器(702)执行时使该处理器(702)
-测量眼科患者数据,
-接收目标屈光值,
-借助于物理模型确定要植入的人工晶状体的第一屈光力值,其中,测得的眼科患者数据和该目标屈光值被用作输入数据,
-借助于经训练的机器学习系统确定该要植入的人工晶状体的第二屈光力值,
该机器学习系统是使用眼科训练数据、分别相关联的目标屈光值和要植入的人工晶状体的分别相关联的屈光力值来训练的,要植入的人工晶状体的这些分别相关联的屈光力值用作用于确定该机器学习系统的对应机器学习模型的基本事实数据,
该测得的眼科患者数据和接收到的目标屈光值被用作该经训练的机器学习系统的输入数据,并且
-借助于单独的提升系数值根据该第一屈光力值和该第二屈光力值来确定该要植入的人工晶状体的最终屈光力值,该提升系数指示分量由测得的眼科输入数据确定的患者向量与用于训练该机器学习系统的训练数据的域的拟合程度。
9.一种用于基于要植入的人工晶状体的屈光力来确定目标屈光值的系统,该系统包括:
-处理器,
-存储器,该存储器操作性地与该处理器协作以存储指令,这些指令在由该处理器执行时使该处理器
基于要植入的人工晶状体的屈光力来确定目标屈光值,方法包括:
-测量眼科患者数据,
-接收该要植入的人工晶状体的屈光力值,
-借助于物理模型确定第一目标屈光值,其中,测得的眼科患者数据和该要植入的人工晶状体的屈光力值被用作输入数据,
-借助于经训练的机器学习系统确定第二目标屈光值,
该机器学习系统是使用眼科训练数据、该要植入的人工晶状体的分别相关联的屈光力值和分别相关联的目标屈光值来训练的,该分别相关联的目标屈光值用作用于确定该机器学习系统的对应机器学习模型的基本事实数据,
该测得的眼科患者数据和接收到的屈光力值被用作该经训练的机器学习系统的输入数据,以及
-借助于单独的提升系数值根据该第一目标屈光值和该第二目标屈光值来确定最终目标屈光值,该提升系数指示分量由测得的眼科输入数据确定的患者向量与用于训练该机器学习系统的训练数据的域的拟合程度。
10.一种用于确定要植入的人工晶状体的屈光力值的计算机程序产品,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。
11.一种用于基于要植入的人工晶状体的屈光力来确定目标屈光值的计算机程序产品,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7所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022125419.4A DE102022125419A1 (de) | 2022-09-30 | 2022-09-30 | Trainings-domänen-basiertes ai-boosting einer iol-bestimmung |
DE102022125419.4 | 2022-09-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117809834A true CN117809834A (zh) | 2024-04-02 |
Family
ID=90246585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311279439.8A Pending CN117809834A (zh) | 2022-09-30 | 2023-09-28 | Iol确定的基于训练域的ai提升 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240112799A1 (zh) |
CN (1) | CN117809834A (zh) |
DE (1) | DE102022125419A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020101763A1 (de) | 2020-01-24 | 2021-07-29 | Carl Zeiss Meditec Ag | Machine-learning gestützte pipeline zur dimensionierung einer intraokularlinse |
DE102020101762A1 (de) | 2020-01-24 | 2021-07-29 | Carl Zeiss Meditec Ag | Physikalisch motiviertes machine-learning-system für optimierte intraokularlinsen-kalkulation |
DE102021102142A1 (de) | 2021-01-29 | 2022-08-04 | Carl Zeiss Meditec Ag | Theorie-motivierte Domänenkontrolle für ophthalmologische Machine-Learning-basierte Vorhersagemethode |
-
2022
- 2022-09-30 DE DE102022125419.4A patent/DE102022125419A1/de active Pending
-
2023
- 2023-09-27 US US18/476,261 patent/US20240112799A1/en active Pending
- 2023-09-28 CN CN202311279439.8A patent/CN117809834A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240112799A1 (en) | 2024-04-04 |
DE102022125419A1 (de) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11458011B2 (en) | Apparatus, system and method to account for spherical aberration at the iris plane in the design of an intraocular lens | |
Fernández et al. | Prediction of visual acuity and contrast sensitivity from optical simulations with multifocal intraocular lenses | |
US20240122698A1 (en) | Systems, apparatuses, and methods for intraocular lens selection using artificial intelligence | |
US20180296320A1 (en) | Forecasting cataract surgery effectiveness | |
CN105358096A (zh) | 用于散光治疗的手术指导和计划软件 | |
US20230078161A1 (en) | Machine learning-supported pipeline for dimensioning an intraocular lens | |
US20230057389A1 (en) | Physically motivated machine learning system for an optimized intraocular lens calculation | |
CN117280425A (zh) | 基于机器学习的眼科预测方法的理论驱动域控制 | |
Norrby | Using the lens haptic plane concept and thick-lens ray tracing to calculate intraocular lens power | |
Cabeza-Gil et al. | Customised selection of the haptic design in c-loop intraocular lenses based on deep learning | |
CN109477978A (zh) | 考虑眼睛的高阶像差来确定渐进式镜片的改进设计的方法 | |
US20220208379A1 (en) | Intraocular lenses that improve post-surgical spectacle independent and methods of manufacturing thereof | |
US20230084284A1 (en) | Machine-learning-based determining of refractive power for measures for correcting eyesight from oct images | |
Gatinel et al. | Theoretical relationship among effective lens position, predicted refraction, and corneal and intraocular lens power in a pseudophakic eye model | |
Burwinkel et al. | Physics-aware learning and domain-specific loss design in ophthalmology | |
CN117809834A (zh) | Iol确定的基于训练域的ai提升 | |
Langenbucher et al. | Particle swarm optimisation strategies for IOL formula constant optimisation | |
JP7248347B2 (ja) | レンズ決定方法およびこれを利用する装置 | |
US20240136066A1 (en) | Increasing a training data volume for improving a prediction accuracy of an ai-based iol determination | |
JP2022165915A (ja) | 異常を動的に認識し訂正するための白内障手術のaiベースの映像解析 | |
US20240108413A1 (en) | Physical iol position determination on the basis of different intraocular lens types | |
Burwinkel et al. | Domain-specific loss design for unsupervised physical training: A new approach to modeling medical ML solutions | |
CN114300136A (zh) | 一种人工智能辅助优化的高度近视眼人工晶状体度数计算器 | |
US20240112028A1 (en) | Physical augmentation of patient data for medical applications | |
RU2791204C1 (ru) | Способ определения оптической силы интраокулярной линзы с использованием искусственной нейронной сети |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |