CN118120019A - 用于玻璃体疾病严重程度测量的系统和方法 - Google Patents

Abstract

本文呈现的某些方面提供了利用一个或多个机器学习模型来确定玻璃体疾病并且特别是玻璃体混浊的严重程度的系统和方法。基于历史患者数据来训练此类机器学习模型，以确定困扰当前患者的玻璃体混浊的严重程度。严重程度的确定随后可用于告知用于该当前患者的治疗决策，包括患者对某些类型的治疗的适合性。

Description

用于玻璃体疾病严重程度测量的系统和方法

背景技术

玻璃体是位于晶状体与视网膜之间的亲水性凝胶体，其构成人眼体积最大的组分。健康的玻璃体是光学透明的，主要由水构成，具有低浓度的大分子(胶原蛋白、可溶性蛋白和透明质酸)，这些大分子在快速眼球运动和剧烈体力活动中为眼球提供结构支撑和稳定性。玻璃体的光学透明性是这些分子组分组织的结果。除了为眼睛提供结构支撑和促进光传输，玻璃体在眼部生理学中作为抗氧化物的储存库和晶状体、睫状体和视网膜所利用的营养物质的途径也是重要的。

随着年龄的增长，玻璃体会经历纤维变性和凝胶体液化，在某些情况下，这可能导致玻璃体在称为玻璃体后脱离(PVD)的过程中从视网膜脱离。纤维玻璃体液化是由于分子变化导致胶原蛋白与透明质酸解离，形成液体玻璃体，并导致胶原原纤维交联为可见纤维。其他可能加速此类分子变化发生的状况包括近视(近视眼)、眼外伤和先前的白内障手术。

液化囊的形成、胶原原纤维聚集成更大的纤维以及玻璃体从视网膜的脱离导致玻璃体中的混浊(也称为“飞蚊症(floater)”)。玻璃体混浊会使得进入眼睛的光散射，从而显现为斑点、阴影、蛛网或其他各种形状，看起来在患者的视野中四处飞舞。玻璃体混浊是最常见但治疗最少的眼部病症之一。尽管大多数患者的症状很轻微并且不需要治疗，但在某些情况下，玻璃体混浊会导致显著视力干扰，从而损害一些患者的视力相关生活质量(QOL)。当视力干扰的严重程度显著时，可采用例如激光玻璃体消融术和小规格玻璃体切割术来治疗玻璃体混浊。

目前，除了患者自我报告，还利用各种光学技术对玻璃体混浊进行临床表征和分级。此类光学技术包括利用手持透镜与例如裂隙灯组合来光学地观察玻璃体混浊。然而，这些技术提供了很小和可变的结果，并且没有提供对由玻璃体混浊引起的视觉损伤程度的客观定量，导致其表征和分级不一致。此外，患者的自我报告是主观的，并且在一些情况下，无法表明视觉损伤的真实程度。因此，通常很难确定患者发生的玻璃体混浊是否适合治疗。

因此，本领域需要改善的系统和方法来确定玻璃体疾病的严重程度，以告知患者是否适合治疗。

发明内容

根据某些实施例，提供了一种确定玻璃体混浊状况的严重程度的方法。该方法包括使用一个或多个诊断装置生成与当前患者的玻璃体混浊状况的物理参数的测量结果相关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，至少部分地基于与该当前患者的玻璃体混浊状况的物理参数的测量结果相关的该一个或多个数据点，生成包括该玻璃体混浊状况的严重程度得分的一个或者多个诊断确定，其中：基于至少一个历史数据集来训练该一个或多个经训练的机器学习模型，其中该历史数据集中的每个条目包括与一名历史患者的玻璃体混浊状况的物理参数的测量结果相关的一个或多个数据点，所述一个或多个数据点映射到与该历史患者相关的诊断确定，其中：与该历史患者相关的该诊断确定包括该历史患者的玻璃体混浊状况的严重程度得分，并且该历史患者的玻璃体混浊状况的这些物理参数包括一种或多种玻璃体混浊的数量、大小、形状、表面积、相对透明度、移动、位置以及到视网膜和/或晶状体的距离中的一个或者多个。

附图说明

为了能够详细理解本披露内容的上述特征的方式，可以通过参照实施例对本披露内容(上面简要概括)进行更具体的描述，在附图中展示了其中一些实施例。然而，应当注意，附图仅展示了示例性实施例，因此不应被视为限制其范围，并且可以允许其他同等有效的实施例。

图1A至1C描绘了根据本文所描述的某些方面的示例环境，其中训练和部署一个或多个机器学习模型以用于确定患者的玻璃体混浊状况的严重程度。

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一个或多个计算系统执行，以训练一个或多个机器学习模型来确定患者的玻璃体混浊的发生的严重程度。

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，以确定患者的玻璃体混浊状况的严重程度。

图4展示了可以执行本披露内容的实施例的示例系统。

为了便于理解，在可能的情况下已使用相同的附图标记来指代各图所共有的相同元件。可以设想到，一个实施例的要素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

在以下描述中，通过举例的方式来阐述细节以便于理解所披露的主题。然而，对于本领域普通技术人员而言清楚的是，所披露的实施方式是示例性的并且不是对所有可能的实施方式的穷举。因此，应理解的是，提及所描述的示例并不旨在限制本披露内容的范围。本披露内容所涉及的技术领域内的技术人员通常完全能够设想到对所描述的装置、器械、方法的任何改变和进一步修改、以及本披露内容的原理的任何进一步应用。具体而言，完全会设想到，针对一种实施方式描述的特征、部件和/或步骤可以与针对本披露内容的其他实施方式描述的特征、部件和/或步骤相组合。

如本文所用，术语“约”可以指与标称值有+/-10％的变化。应理解的是，在本文提供的任何值中都可以包含这样的变化。

本披露总体上涉及用于确定玻璃体疾病的严重程度的系统和方法，并且更特别地，涉及用于确定玻璃体混浊的严重程度的系统和方法。

如上所讨论，玻璃体混浊的存在是一种常见的眼部病症，通常难以有效表征其严重程度。玻璃体混浊(也称为“飞蚊症”)通常由纤维变性和凝胶体液化引起，随着年龄的增长，这种情况可能会自然发生。在健康的眼睛中，透明质酸(hyaluronan)(即透明质酸(hyaluronic acid))可以防止胶原原纤维在玻璃体腔中聚集，从而保持玻璃体的结构和透明度。然而，随着眼睛老化，透明质酸可能与胶原蛋白解离，引起胶原原纤维交联和聚集，并形成液体玻璃体囊。这些结构使得进入眼睛的光散射，并可能在患者的视野中显现为各种形状和阴影。

目前利用各种光学技术来帮助对玻璃体混浊进行表征和分级，这些技术包括显微术、超声成像和动态光散射(DLS)。然而，此类技术仅促进玻璃体混浊的结构表征，并且不能提供对由此引起的视觉损伤的程度的定量。目前没有能够基于与患者相关的成像数据或其他信息对由患者的玻璃体混浊引起的视觉损伤的程度进行客观定量的眼科系统。而且，如前所讨论，患者的自我报告是主观的，并且在一些情况下，无法表明视觉损伤的真实程度。因此，通常很难确定患者的玻璃体混浊状况是否适合治疗。

本文呈现的方面提供了利用一个或多个机器学习模型来确定困扰患者的玻璃体混浊的严重程度以告知患者治疗的适合性的系统和方法。基于与具有各种严重程度的相同或相似状况的历史患者相关的历史患者数据来训练此类机器学习模型。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确定困扰当前患者的玻璃体混浊的严重程度的更准确或客观的指示。如本文所定义的，当前患者通常是受玻璃体混浊表现困扰的患者，并且这些机器学习模型可用于基于当前患者的信息(例如，成像数据)为该患者提供严重程度测量结果(例如，严重程度得分)。使用严重程度测量结果，医师(例如，眼科外科医生)能够确定患者的病症是否适合治疗，如激光玻璃体消融术和小规格玻璃体切割术。因此，本文的技术改善了现有的眼科系统，使其能够基于与患者相关的成像数据和其他信息，对由患者的玻璃体混浊状况引起的视觉损伤的程度进行客观定量。

用于改善玻璃体疾病诊断的示例计算环境

图1A至1C展示了示例计算环境，其中一个或多个机器学习模型被训练并用于确定患者的玻璃体混浊或玻璃体混浊状况(下文中称为“混浊状况”)的严重程度。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，并且被部署成用于确定患者的玻璃体混浊状况的严重程度。每名历史患者的历史患者数据可以包括患者的人口统计学信息、记录的治疗前患者的混浊状况的物理参数的测量结果、治疗前自我报告的严重程度数据、患者的玻璃体混浊严重程度测量结果、关于治疗的信息(如果有，如治疗类型)、和/或治疗后自我报告的严重程度数据、以及其他治疗后信息(如治疗后患者的混浊状况的物理参数的测量结果)。

如下面进一步详细讨论的，这些机器学习模型可以被配置成至少使用当前患者的混浊状况的物理参数的测量结果作为输入，并生成一个或多个玻璃体混浊严重程度测量结果(以下为“混浊严重程度测量结果”)(包括当前患者的混浊状况的严重程度得分)作为输出。在本文中，严重程度是指如由混浊状况引起的视觉损伤(例如，对患者视觉功能的负面影响)的程度或级别。玻璃体混浊的更严重情形与其不太严重的情形相比，会引起更大的视觉损伤，并且可能需要更强烈的治疗形式来纠正。在某些实施例中，严重程度得分是对应于1-100范围内的值的量表得分，1是最不严重的(即，最低严重程度)并且100是最严重的(即，最高严重程度)。

因此，可以向外科医生提供对当前患者的混浊状况的严重程度的客观且更准确的确定。使用此信息，外科医生能够确定用于当前患者的最佳治疗形式。应注意，如下面进一步详细描述的，这些机器学习模型的输入可以包括另外的信息，如与当前患者的人口统计学信息相关的数据点、治疗前自我报告的严重程度数据、以及关于当前患者的混浊状况的其他信息等。

可以使用各种技术来训练和部署生成当前患者的混浊严重程度测量结果的机器学习模型。图1A至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被部署到外科医生在患者检查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被部署到与诊断装置(例如，成像装置)成一体的计算系统的部署。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混浊严重程度测量结果的机器学习模型的各种其他技术，并且图1A至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，其中诊断装置110、服务器120和用户控制台130经由网络连接，以训练一个或多个机器学习模型，用于至少部分地基于如由诊断装置110提供的当前患者的混浊状况的物理参数的测量结果生成当前患者的混浊严重程度测量结果。出于可读性，一个或多个机器学习模型在本文中称为“ML模型”，其覆盖单个ML模型和多个ML模型二者。

诊断装置110通常代表可以生成或促进生成关于玻璃体的信息(如困扰当前患者的玻璃体混浊的物理参数的测量结果)的任何合适的装置。在本文中，玻璃体混浊的物理参数是指单独(例如，单一混浊或多个中的单独混浊)或集合性(例如，集合性多个)参数，如数量、大小、形状(例如，Weiss环、蛛网或云)、表面积、密度或相对透明度、移动、位置(例如，沿视轴或在其外围)、到视网膜和/或晶状体的距离等。在一些实施例中，测量结果可以包括例如对应物理参数的测量值。在某些实施例中，测量结果包括与困扰当前患者的玻璃体混浊的物理参数的一个或多个测量结果相关的数据点。

在某些实施例中，诊断装置110可以生成原始数据，从该原始数据可以得到测量结果。在这种情况下，原始数据可以包括例如眼睛的二维截面图像；眼睛的二维广角图像；眼睛的三维图像；眼睛的二维外观形貌图；或可以从中得到物理参数的测量结果的其他数据。通常，任何数量的诊断装置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，这些数据可以用作向生成混浊严重程度测量结果的ML模型的输入。计算环境100A中的每个诊断装置110可以生成患者的混浊状况和更一般地患者的眼睛的一个或多个物理参数的测量结果或相关的数据点，并且向用户控制台130、服务器120和/或存储库140提供测量结果或相关的数据点。

在一个示例中，诊断装置110中的一个可以包括光学相干断层扫描(OCT)装置，如时域或频域OCT装置、傅里叶OCT装置等。例如，诊断装置110可以包括OCT装置，该OCT装置可以生成当前患者的眼睛的一维(例如，从中心点)、二维和/或三维数据(例如，成像数据)，从这些数据可以得到当前患者的混浊状况的各种单独或集合性物理参数的测量结果。根据数据，OCT装置可以得到用于表征当前患者的混浊状况的严重程度的各种相关测量结果，包括数量、大小、形状(例如，Weiss环、蛛网或云)、表面积、密度或相对透明度、移动、位置(例如，沿视轴或在其外围)、到视网膜和/或晶状体的距离等。

诊断装置110中的另一个可以包括可以实时生成当前患者眼底的高质量和广角二维图像的扫描激光检眼镜检查(SLO)装置。类似于OCT，SLO装置可以得到用于表征当前患者的混浊状况的严重程度的各种相关测量结果，包括数量、大小、形状、表面积、密度或相对透明度、移动、位置和其到视网膜和/或晶状体的距离。在此类实施例中，可以通过宽的二维SLO图像中未聚焦结构的存在来指示当前患者的眼睛中玻璃体混浊的存在。

诊断装置110的又其他示例可以包括暗场显微镜、超声装置和多光谱成像系统(如8波段或10波段多光谱视网膜成像系统)。通常，可以单独或组合使用任何合适的诊断装置110，以得到当前患者的混浊状况的各种物理参数的测量结果。

服务器120通常代表单个计算装置或计算装置集群，在其上可以生成训练数据集并将这些训练数据集用于训练用于生成混浊严重程度测量结果的ML模型。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/或诊断装置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。

在某些方面中，存储库140中的每个患者记录包括如以下的信息：患者的人口统计学信息、记录的治疗前患者的混浊状况的物理参数的测量结果、治疗前自我报告的严重程度数据、患者的混浊严重程度测量结果、关于治疗的信息(如果有，如治疗类型)、和/或治疗后自我报告的严重程度数据、以及其他治疗后信息(如治疗后患者的混浊状况的物理参数的测量结果)。例如，每名患者的人口统计学信息可以包括患者年龄、性别、种族等。如上所讨论，患者的混浊状况的物理参数的测量结果可以包括由OCT装置、SLO装置、暗场显微镜、多光谱成像系统等生成或提供的原始数据或测量结果。每个患者记录还可以包括治疗前自我报告的严重程度数据，这些数据包括指示患者自己对其混浊状况引起的视觉损伤的评估的一个或多个数据点。例如，在某些实施例中，自我报告的严重程度数据包括如上所述的“轻度”、“中度”或“重度”三级范围或1-100范围内的主观严重程度得分。在某些情况下，自我报告的严重程度数据基于患者在视觉功能问卷(VFQ)中提供的回答，该问卷可以评价患者对其视觉特定生活质量(QOL)的评估。与治疗前自我报告的严重程度数据类似，治疗后自我报告的严重程度数据包括指示患者自己在治疗后对其视觉损伤的评估的一个或多个数据点。例如，在某些实施例中，治疗后严重程度数据可以是主观严重程度得分(例如，轻度、中度、重度)，和/或可以基于患者在治疗其混浊状况后提供的VFQ回答。存储库140中的其他治疗后信息可以包括混浊状况治疗后患者的混浊状况的物理参数的测量结果。

服务器120使用历史患者的这些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提供混浊严重程度测量结果以告知当前患者的适当治疗策略。更具体地，如图1A所展示的，服务器120包括训练数据生成器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混浊严重程度测量结果。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经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。下面提供了对经标记数据集的描述。

一旦经训练和部署，基于与当前患者相关的某一组输入(包括患者的混浊状况的物理参数的测量结果、人口统计学信息和治疗前自我报告的严重程度数据)，ML模型125能够生成或预测当前患者的混浊严重程度测量结果作为输出。在某些方面中，模型训练器124训练ML模型125，该ML模型被配置成获取与当前患者相关的一组输入，并向外科医生提供混浊严重程度测量结果(包括客观玻璃体混浊严重程度得分)。外科医生然后可以利用严重程度测量结果来为当前患者选择适当的治疗策略。为了训练ML模型125，模型训练器124可以利用由TDG 122提供的包括多个特征化的数据样本的经标记数据集，该多个特征化的数据样本包括与人口统计学信息、由多个诊断装置(例如，OCT装置、SLO装置、暗场显微镜和/或多光谱成像系统)生成的混浊状况的物理参数的测量结果、治疗前和治疗后自我报告的严重程度数据、改善得分(例如，治疗前和治疗后自我报告的严重程度数据之间的差异)等相关的多个特征。

可以基于此经标记数据集来训练各种ML模型。在一个示例中，可以训练ML模型125来预测客观的治疗前严重程度评估。在这种示例中，为了训练这种模型，模型训练器124可以通过ML模型125运行来自与历史患者相关的数据集中的每个样本的某些或所有特征。这些特征可以包括：历史患者的人口统计学信息(例如，年龄、性别、民族、种族等)；与患者的混浊状况相关的治疗前信息(例如，如由多个诊断装置生成的历史患者的单独或集合性玻璃体混浊的数量、大小、形状、表面积、密度或相对透明度、移动、位置、到视网膜和/或晶状体的距离等)；由历史患者在视觉功能问卷或类似测试中提供的治疗前自我报告的严重程度数据等。通过ML模型125运行每个样本导致对客观严重程度得分的预测，然后将该客观严重程度得分与患者的自我报告的严重程度得分进行比较。在通过ML模型125运行大量样本并在某个时间点继续基于此调整权重之后，ML模型125开始预测客观严重程度得分，这些客观严重程度得分与数据集中非异常患者提供的主观严重程度得分更一致。

在另一个示例中，不同的ML模型125可以由模型训练器124通过首先在数据集中选择与接受治疗并且在治疗后发现他们的视觉损伤改善(如基于每名患者的治疗前和治疗后自我报告的严重程度评估之间的比较，由他们的改善得分所指示的)的患者相关的样本来训练。应注意，接受治疗并在治疗后发现他们的视觉损伤改善的患者可能是治疗前自我报告的其视力损伤评估与其混浊状况的相关性较高的患者。另一方面，接受治疗并发现他们的视觉损伤改善或恶化的患者可能是治疗前自我报告的其视力损伤评估与其混浊状况的相关性较低的患者。因此，为了训练能够预测更客观的严重程度评估的ML模型125，选择与在治疗后发现他们的视觉损伤改善(例如，由高于某个阈值的改善得分指示)的患者相关的样本。

在选择了正确的样本后，模型训练器124然后可以通过ML模型125运行来自每个样本的某些特征，其中这些特征可以包括：历史患者的人口统计学信息；与患者的混浊状况相关的信息；以及由历史患者在视觉功能问卷或类似测试中提供的治疗前自我报告的严重程度数据。

通过ML模型125运行每个样本得到客观严重程度评估的预测，然后将该客观严重程度评估与历史患者提供的实际治疗前自我报告的严重程度得分进行比较。两者之间的任何差异都将被视为误差，模型训练器124可以通过调整与ML模型125中的不同特征或变量相关的权重来减少该误差。通过经由ML模型125运行大量样本并在某一点之后继续基于此调整权重，ML模型125开始对客观严重程度得分进行准确的确定。

在另一个示例中，可以训练ML模型125来预测改善得分，该改善得分指示通过进行特定治疗来改善当前患者的视觉损伤的可能性。对于这种模型，模型训练器124可以首先在与用所选择的治疗进行治疗的历史患者相关的数据集中选择样本，然后通过ML模型125运行来自每个样本的某些特征，其中这些特征可以包括：历史患者的人口统计学信息；与患者的混浊状况相关的信息；由历史患者在视觉功能问卷或类似测试中提供的治疗前自我报告的严重程度数据；改善得分等。通过ML模型125运行每个样本得到改善的预测，然后将该改善与历史患者的实际改善得分进行比较。两者之间的任何差异都将被视为误差，模型训练器124可以通过调整与ML模型125中的不同特征或变量相关的权重来减少该误差。

还可以训练和利用各种其他ML模型。一旦训练了ML模型125，它就准备好被部署用于获取关于当前患者的一组输入并生成混浊严重程度测量结果(例如，客观严重程度评估、改善得分预测等，这些可用于告知用于当前患者的治疗策略)。在图1A的示例中，经训练的ML模型125然后可以被部署成在用户控制台130处使用以生成当前患者的混浊严重程度测量结果，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混浊严重程度测量结果的深度学习模型。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，可以使用由诊断装置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玻璃体混浊的物理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。然后可以将这些神经元映射到表示混浊严重程度测量结果的输出，如上所讨论。

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，以用于生成当前患者的混浊严重程度测量结果。诊断装置110生成当前患者的混浊状况的物理参数的测量结果，并将这些测量结果传输到服务器120、用户控制台130和/或存储库140。应注意，在诊断装置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。

用户控制台130然后(从存储库140和/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学信息、自我报告的严重程度数据等)输入ML模型125中。用户控制台130然后输出由ML模型125生成的严重程度测量结果。存储库140中的记录(包括当前患者的混浊状况的一个或多个物理参数的测量结果，其被映射到由ML模型125生成的严重程度测量结果)然后被转换为训练数据集中的用于重新训练ML模型125的新样本。更一般地，每当检查新的(即，当前)患者时，关于新患者的信息可以保存在存储库140中以补充一个或多个训练数据集，并且经补充的一个或多个训练数据集可以用于重新训练ML模型125。

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为其提供了混浊严重程度测量结果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使用所部署的ML模型125生成新患者的混浊严重程度测量结果(例如，包括玻璃体混浊预测的客观严重程度评估、预测的改善得分等)。在该示例中，如上所述，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，包括人口统计学信息、患者的混浊状况的物理参数的测量结果、自我报告的严重程度数据和/或与患者的混浊状况相关的其他信息(如治疗后信息)。然后，TDG122扩充一个或多个数据集，用于重新训练ML模型125。在某些方面，每当关于新(即，当前)患者的信息变得可用时，TDG 122就扩充一个或多个数据集。在某些其他方面，TDG 122用一批新患者记录来扩充一个或多个数据集，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个新患者记录相关的信息来扩充一个或多个数据集。在这种示例中，然后有100个新样本可供模型训练器124重新训练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/或诊断装置110的计算装置或系统。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、智能手机或一种或多种其他计算装置。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可以是外科医生在检查室中为当前患者执行检查所使用的装置控制台。例如，用户控制台可以是用于一个或多个诊断装置110的控制台。在又另一个示例中，用户控制台130可以是能够进行激光玻璃体消融术和小规格玻璃体切割术的手术控制台。

在图1A的示例中，服务器120将经训练的ML模型125部署到用户控制台130，以用于生成当前患者的混浊严重程度测量结果，这些混浊严重程度测量结果可由例如外科医生使用，以告知用于当前患者的治疗策略的确定。如所展示的，用户控制台130包括患者数据记录器(“PDR”)132和严重程度测量结果生成器(“SMG”)134。SMG 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混浊严重程度测量结果作为输出。在某些实施例中，SMG 134被配置成从存储库140、诊断装置110、用户控制台130的用户接口或一些其他部件以及医学从业者/医疗办公室可以用来记录关于当前患者的信息的其他计算装置中的至少一者接收该组输入。在某些实施例中，SMG 134将混浊严重程度测量结果输出到与用户控制台130通信地耦接的显示装置，打印严重程度测量结果，生成一个或多个电子消息(包括严重程度测量结果)并将其传输到目标装置(例如，连接的装置，如平板计算机、智能手机、可穿戴装置等)等。

用户控制台130还包括PDR 132，其接收或生成关于当前患者的混浊状况的数据以及当前患者的其他患者数据。如上所述，患者数据可以包括当前患者的自我报告的严重程度数据、人口统计学数据以及任何另外的相关信息(如治疗后信息)。在图1A的实施例中，PDR 132将当前患者数据传输到存储库140和/或服务器120，其中当前患者数据可以由TDG122转换为训练数据集中的用于重新训练ML模型125的新样本。

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混浊严重程度测量结果。如所展示的，计算环境100B包括一个或多个诊断装置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、PDR 132和SMG 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，诊断装置110可以将当前患者的玻璃体混浊的物理参数的测量结果传输到服务器120和/或存储库140。SMG 134基于与当前患者相关的一组输入生成混浊严重程度测量结果，并将混浊严重程度测量结果传输到用户控制台130。然后，用户控制台130将患者数据传输回PDR 132，该PDR处理对应的信息并将其存储在存储库140中。

图1C展示了示例计算环境100C，其中在诊断装置110上执行生成混浊严重程度测量结果。如所展示的，计算环境100C包括诊断装置110、服务器120和历史患者数据存储库140。在图1C的示例中，PDR 132和SMG 134都在诊断装置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，诊断装置110包括诊断硬件/软件112，该诊断硬件/软件通常是指与OCT装置、SLO装置、多光谱成像系统等相关的硬件及软件部件和模块。诊断装置110还可以包括用户接口和/或显示装置，使得用户能够输入和/或查看与PDR 132和SMG 134的功能相关的信息。

用于使用机器学习模型生成混浊严重程度测量结果的示例方法

图2展示了根据本文所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模型以至少基于当前患者的混浊状况的物理参数的测量结果生成当前患者的混浊状况的混浊严重程度测量结果(包括客观玻璃体混浊严重程度得分)。操作200可以由图1A至1C中展示的用户控制台130、服务器120或诊断装置110中的一者或多者来执行。

如所展示的，操作200可以开始于框210，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，每个记录包括人口统计学信息、治疗前患者的混浊状况的物理参数的测量结果、治疗前自我报告的严重程度数据、与患者的混浊状况相关的其他信息(如治疗和治疗后信息)、以及如为历史患者记录的任何混浊严重程度测量结果。在某些实施例中，与患者的混浊状况相关的其他信息包括治疗类型和/或治疗后自我报告的严重程度数据、以及其他治疗后信息(如治疗后患者的混浊状况的物理参数的测量结果)。

在框220处，系统通过针对多名历史患者中的每名历史患者将患者的人口统计学信息、治疗前记录的患者的混浊状况的物理参数的测量结果、治疗前自我报告的严重程度数据、关于治疗的信息(如果有)以及治疗后数据映射到患者的混浊严重程度测量结果来生成训练数据集。通常，通过将这些历史患者的数据点和参数映射到他们的混浊严重程度测量结果，训练数据集可以允许ML模型被训练成在至少给定未来(即，当前)患者的玻璃体混浊的物理参数的测量结果的输入的情况下生成混浊严重程度测量结果。

在框230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模型可以被训练成生成当前患者的混浊状况的一个或多个严重程度测量结果(包括客观玻璃体混浊严重程度得分)。ML模型可以是MIMO模型或者可以是一组MISO模型。

在框240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、其中集成了计算装置的诊断装置等，例如图1A至1C中展示的，或者甚至是图1A至1C中未示出的计算装置。

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一个或多个计算系统执行，以至少基于当前患者的混浊状况的物理参数的测量结果生成当前患者的混浊状况的混浊严重程度测量结果(包括客观玻璃体混浊严重程度得分)。操作300可以例如由严重程度测量结果生成器(如在图1A至1C中所展示的SMG 134)来执行。

在框310处，系统接收与患者相关的信息，如人口统计学信息、当前患者的混浊状况的物理参数的测量结果、治疗前自我报告的严重程度数据以及与当前患者的混浊状况相关的其他信息。

在框320处，系统使用经训练的ML模型生成一个或多个混浊严重程度测量结果(包括客观严重程度得分)。所生成的混浊严重程度测量结果可以至少部分地基于上述数据点。然后可以将混浊严重程度测量结果连同与当前患者相关的所有其他相关数据点添加到上述训练数据集中以用于重新训练ML模型。

在框330处，系统向指定目标装置传输所生成的混浊严重程度测量结果。指定目标装置可以是通过其执行对眼科治疗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诊断装置通信地耦接，或者与诊断装置成一体)或能够从另一装置接收电子消息的装置。

用于使用机器学习模型生成混浊严重程度测量结果的示例系统

图4展示了示例系统400，该示例系统使用机器学习模型来帮助执行眼科检查和程序。例如，系统400可以包括图1中展示的诊断装置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400包括中央处理单元(CPU)402、可以允许各种I/O装置414(例如，键盘、显示器、鼠标装置、笔输入等)连接到系统400的一个或多个I/O装置接口404、系统400通过其连接到网络490(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406、存储器408、存储装置410和互连件412。

CPU 402可以检索并执行存储在存储器408中的编程指令。类似地，CPU 402可以检索并存储存在于存储器408中的应用数据。互连件412在CPU 402、I/O装置接口404、网络接口406、存储器408和存储装置410之间传输编程指令和应用数据。

包括CPU 402以表示单个CPU、多个CPU、具有多个处理核的单个CPU等。

存储器408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408包括诊断软件或指令420、SMG 430、PDR 440、TDG 450、模型训练器460和存储库470。诊断软件420通常被配置成从作为系统400的一部分的光学硬件(例如，OCT或SLO扫描仪等)或连接的测量装置(例如，OCT装置、SLO装置、暗场显微镜、多光谱成像装置等)接收原始图像或反射率数据，并由此生成与玻璃体混浊的一个或多个物理参数的测量结果相关的数据点。诊断软件420可以将与物理参数的测量结果相关的数据点输出到SMG 430以用于提供严重程度测量结果，包括提供患者的混浊状况的客观严重程度得分。

SMG 430包括或使用由模型训练器460训练的一个或多个经训练和部署的ML模型。SMG 430通常处理与从诊断软件420或从外部来源接收的物理参数的测量结果相关的至少一个或多个数据点、以及患者人口统计学数据、自我报告的患者参数以及其他相关信息，并使用一个或多个ML模型生成一个或多个严重程度测量结果。

如先前所定义的，PDR 440通常允许系统400的用户记录患者数据。PDR 440可以将数据输出到存储库470，以用于存储和在未来生成用于训练一个或多个ML模型(该一个或多个ML模型部署到SMG 430并由其使用)的训练数据集时使用。

如所讨论的，TDG 450通常使用(例如，存储在历史患者数据存储库470中的)历史患者信息来生成训练数据集，模型训练器460可以使用这些训练数据集来训练部署到SMG430并由其使用的一个或多个ML模型。

模型训练器460通常训练由SMG 430在生成当前患者的混浊严重程度测量结果中使用的一个或多个ML模型。如所讨论的，模型训练器460可以使用由训练数据生成器450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SMG 430(或远程系统)以供使用。

如上所述，本披露的实施例提供了利用一个或多个机器学习模型来确定困扰当前患者的玻璃体混浊的严重程度的系统和方法。通过使用本文中的系统和方法，医师(例如，眼科外科医生)能够利用大量的历史患者数据来确定困扰当前患者的玻璃体混浊的更准确的严重程度，这进而可以用于确定用于当前患者的优化治疗策略。因此，本文的技术通过提高玻璃体疾病诊断的准确性来改善医学领域，从而导致对治疗策略的更明智的选择。

如本文所用，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以及与同一要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)。

如本文所用，术语“确定”涵盖多种多样的动作。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。

本文所披露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。

结合本披露内容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要素，除非使用“用于……的装置”的短语明确地叙述这些要素，或者在方法权利要求的情况下，使用“用于……的步骤”的短语叙述这些要素。本领域普通技术人员已知或以后将知道的在整个本披露内容所描述的各个方面的要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披露内容，本文所披露的内容都不旨在致力于公众。

Claims (16)

1.一种用于生成玻璃体混浊严重程度测量结果的系统，所述系统包括：

一个或多个眼科诊断装置，所述一个或多个眼科诊断装置被配置成生成当前患者的玻璃体混浊状况的一个或多个测量结果；

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眼科诊断装置通信地耦接并且与所述存储器处于数据通信，并且被配置成执行所述指令以使用一个或多个经训练的机器学习模型基于所述当前患者的玻璃体混浊状况的所述一个或多个测量结果生成对所述玻璃体混浊状况的严重程度评估，其中：

基于至少一个历史数据集来训练所述一个或多个经训练的机器学习模型，其中所述至少一个历史数据集中的每个条目包括一名历史患者的玻璃体混浊状况的一个或多个测量结果，所述测量结果指示所述历史患者的一种或多种玻璃体混浊的数量、大小、形状、表面积、相对透明度、移动、位置以及到视网膜和/或晶状体的距离中的一个或者多个。

2.如权利要求1所述的系统，其中所述严重程度评估包括1-100范围内的严重程度得分，其中严重程度得分1对应于最低的严重程度，并且严重程度得分100对应于最高的严重程度。

3.如权利要求1所述的系统，其中所述当前患者的玻璃体混浊状况的测量结果源自所述当前患者眼睛的二维截面图像、所述当前患者眼睛的二维广角图像、所述当前患者眼睛的三维图像和所述当前患者眼睛的二维外观形貌图中的一个或多个。

4.如权利要求1所述的系统，其中所述眼科诊断装置包括光学相干断层扫描(OCT)装置、扫描激光检眼镜检查(SLO)装置、暗场显微镜、超声装置和多光谱成像装置中的一个或多个。

5.如权利要求1所述的系统，其中生成所述严重程度评估进一步基于所述当前患者的人口统计学信息。

6.如权利要求5所述的系统，其中所述至少一个历史数据集中的每个条目进一步包括所述历史患者的人口统计学信息。

7.如权利要求1所述的系统，其中生成所述严重程度评估进一步基于自我报告的数据，所述自我报告的数据指示所述当前患者自己对其玻璃体混浊状况的评估。

8.如权利要求7所述的系统，其中指示所述当前患者自己对其玻璃体混浊状况的评估的所述自我报告的数据基于所述当前患者在视觉功能问卷(VFQ)中提供的回答。

9.如权利要求1所述的系统，其中所述至少一个历史数据集中的每个条目进一步包括自我报告的数据，所述自我报告的数据指示所述历史患者自己对其玻璃体混浊状况的评估。

10.如权利要求9所述的系统，其中指示所述历史患者自己对其玻璃体混浊状况的评估的所述自我报告的数据基于所述历史患者在视觉功能问卷(VFQ)中提供的回答。

11.如权利要求1所述的系统，其中所述至少一个历史数据集中的每个条目进一步包括所述历史患者的治疗后信息。

12.如权利要求11所述的系统，其中所述治疗后信息包括治疗后所述历史患者的玻璃体混浊状况的一个或多个测量结果。

13.如权利要求11所述的系统，其中所述治疗后信息包括自我报告的数据，所述自我报告的数据指示所述历史患者在治疗后自己对其玻璃体混浊状况的评估。

14.如权利要求11所述的系统，其中所述治疗后信息包括指示治疗后所述历史患者的玻璃体混浊状况的改善的改善得分。

15.如权利要求14所述的系统，其中所述严重程度评估包括指示治疗后所述当前患者的玻璃体混浊状况的预测改善的改善得分。

16.如权利要求1所述的系统，其中所述存储器被进一步配置成执行所述指令以：

将所述当前患者的玻璃体混浊状况的所述一个或多个测量结果映射到所述严重程度评估；以及

将所述当前患者的玻璃体混浊状况的所述一个或多个测量结果和所述严重程度评估转换为用于重新训练所述一个或多个机器学习模型的样本。