DE102022125419A1

DE102022125419A1 - Trainings-domänen-basiertes ai-boosting einer iol-bestimmung

Info

Publication number: DE102022125419A1
Application number: DE102022125419.4A
Authority: DE
Inventors: Hendrik Burwinkel; Michael Trost
Original assignee: Carl Zeiss Meditec AG
Current assignee: Carl Zeiss Meditec AG
Priority date: 2022-09-30
Filing date: 2022-09-30
Publication date: 2024-04-04
Also published as: US20240112799A1; CN117809834A

Abstract

Es wird ein Computer-implementiertes Verfahren zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse beschrieben. Das Verfahren weist auf: Messen von ophthalmologischen Patientendaten, Empfangen eines Zielrefraktionswertes, Bestimmen eines ersten Brechkraftwertes einer einzusetzenden Intraokularlinse mittels eines physikalischen Modells, wobei die gemessenen ophthalmologischen Patientendaten und der Zielrefraktionswert als Eingangsdaten verwendet werden, Bestimmen eines zweiten Brechkraftwertes der einzusetzenden Intraokularlinse mittels eines trainierten maschinellen Lernsystems, wobei die gemessenen ophthalmologischen Patientendaten und der empfangene Zielrefraktionswert als Eingangsdaten für das trainierte maschinelle Lernsystem verwendet werden, und Bestimmen des finalen Brechkraftwertes der einzusetzenden Intraokularlinse aus dem ersten Brechkraftwert und dem zweiten Brechkraftwert mittels eines individuellen Boosting-Faktor-Wertes, wobei der Boosting-Faktor indikativ dafür ist, wie gut ein Patientenvektor, dessen Komponenten durch die gemessenen ophthalmologischen Eingangsdaten bestimmt ist, zu einer Domäne der Trainingsdaten, mit denen das maschinelle Lernsystem trainiert wurde, passt.

Description

Gebiet der Erfindung
Die Erfindung bezieht sich auf ein Computer-implementiertes Verfahren zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse. Die Erfindung bezieht sich ferner auf ein System zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse, und ein entsprechendes Computerprogrammprodukt.
Technischer Hintergrund
Der Einsatz von künstlicher Intelligenz (KI bzw. AI = artificial intelligence) beflügelt dieser Tage eine Vielzahl von unterschiedlichen wissenschaftlichen Gebieten. KI und Systeme des maschinellen Lernens (ML), bei denen Vorhersagemodelle (prediction models) zum Einsatz kommen, haben sich zu leistungsfähigen Werkzeugen entwickelt. Dies gilt auch für einen breiten Einsatz in verschiedenen medizinischen Gebieten. Ein Arzt oder Assistent kann diese Werkzeuge inzwischen weitgehend mühelos einsetzen, um gute Vorhersagen und Empfehlungen für eine bevorstehende medizinische Aufgabe zu erhalten. Dabei ist die richtige Auswahl der Parameter - bzw. Hyperparameter - für das zugrundeliegende Vorhersagemodell, aber auch die Menge und Qualität der Trainingsdaten von entscheidender Bedeutung. Die Trainingsdaten müssen also den Bereich, in dem eine Vorhersage gemacht werden soll, möglichst gut abdecken.
Außerhalb dieser Abdeckung bzw. dieser Domäne und der Eigenschaft von maschinellen Lernmodellen, die oft einen hochgradig nichtlinearen Charakter aufweisen, sind diese anfällig für unvorhergesehene Vorhersagewerte, die der eigentlichen Aufgabe nicht gerecht werden. In einzelnen medizinischen Bereichen steht oft nur eine vergleichsweise geringe Anzahl von brauchbaren Trainingsdaten für eine Domäne zur Verfügung. Auch ist es möglich, dass für verschiedene Domänen - d.h. für einen Einsatzbereich mit einer anderen medizinischen Ausgangsvoraussetzung - jeweils vergleichsweise wenig brauchbare Trainingsdaten verfügbar sind.
Trotzdem bleibt für Mediziner der Wunsch, in der Lage zu sein, die verfügbaren maschinellen Lernmodelle auch für jene Bereiche einzusetzen, die nicht unmittelbar durch die verfügbaren Trainingsdaten abgedeckt sind. Dies gilt auch im Bereich der Augenheilkunde beispielsweise bei Kataraktoperationen, bei denen die natürliche Linse des Auges durch eine einzusetzende Intraokularlinse ausgetauscht wird. Ein wichtiger Parameter für derartige Operationen ist eine Empfehlung bzw. Vorhersage der Brechkraft für die Intraokularlinse, die eingesetzt werden soll, durch das trainierte maschinelle Lernsystem.
Aufgrund der unterschiedlichen Typen und unterschiedlicher Hersteller für Intraokularlinsen stehen nun für einzelne Typen bzw. für Linsen unterschiedlicher Hersteller häufig nur wenige Trainingsdaten zur Verfügung, sodass die Vorhersagen der maschinellen Lernsysteme nur in relativ eng begrenzten Bereichen vertrauenswürdige Vorhersagewerte liefern. Auf der einen Seite setzen die Mediziner diese so trainierten Systeme gerne direkt für den eng begrenzten Bereich ein, haben aber grundsätzlich auch das Bedürfnis die trainierten Modelle in Bereichen einzusetzen, die nicht direkt bzw. schlecht durch die Trainingsdaten abgedeckt sind.
Es besteht also ein Bedarf dafür, ein Verfahren und ein System vorzuschlagen, welches genau die beschriebenen Anforderungen erfüllt, nämlich die Möglichkeit ein maschinelles Lernsystem für eine Vorhersage im medizinischen Bereich, insbesondere der Ophthalmologie, zu nutzen, welches sowohl innerhalb der Domäne der vorhandenen Trainingsdaten als auch außerhalb verlässliche Vorhersagewerte - zum Beispiel für die Brechkraft einer einzusetzenden Intraokularlinse - liefert.
Übersicht über die Erfindung
Diese Aufgabe wird durch das hier vorgeschlagene Verfahren, das entsprechende System und das zugehörige Computerprogrammprodukt entsprechend den unabhängigen Ansprüchen gelöst. Weitere Ausgestaltungen werden durch die jeweils abhängigen Ansprüche beschrieben.
Entsprechend einem ersten Aspekt der vorliegenden Erfindung wird ein Computer-implementiertes Verfahren zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse vorgestellt. Das Verfahren weist dabei ein Messen von ophthalmologischen Patientendaten und ein Empfangen eines Zielrefraktionswertes auf.
Weiterhin weist das Verfahren ein Bestimmen eines ersten Brechkraftwertes einer einzusetzenden Intraokularlinse mittels eines physikalischen Modells, wobei die gemessenen ophthalmologischen Patientendaten und der Zielrefraktionswert als Eingangsdaten verwendet werden, und ein Bestimmen eines zweiten Brechkraftwertes der einzusetzenden Intraokularlinse mittels eines trainierten maschinellen Lernsystems, welches mit ophthalmologischen Trainingsdaten, jeweils zugehörigen Zielrefraktionswerten und jeweils zugehörigen Brechkraftwerten einer einzusetzenden Intraokularlinse trainiert wurde, wobei die jeweils zugehörigen Brechkraftwerte einer einzusetzenden Intraokularlinse als Ground-Truth-Daten zur Bestimmung eines entsprechenden maschinellen Lernmodells für das maschinelle Lernsystem dienen, wobei außerdem die gemessenen ophthalmologischen Patientendaten und der empfangene Zielrefraktionswert als Eingangsdaten für das trainierte maschinelle Lernsystem verwendet werden.
Schließlich weist das Verfahren ein Bestimmen des finalen Brechkraftwertes der einzusetzenden Intraokularlinse aus dem ersten Brechkraftwert und dem zweiten Brechkraftwert mittels eines individuellen Boosting-Faktor-Wertes auf, wobei der Boosting-Faktor indikativ dafür ist, wie gut ein Patientenvektor, dessen Komponenten durch die gemessenen ophthalmologischen Eingangsdaten bestimmt ist, zu einer Domäne der Trainingsdaten, mit denen das maschinelle Lernsystem trainiert wurde, passt.
Entsprechend einem zweiten Aspekt der vorliegenden Erfindung wird ein Computer-implementiertes Verfahren zum Bestimmen eines Zielrefraktionswertes basierend auf einer Brechkraft einer einzusetzenden Intraokularlinse vorgestellt. Das Verfahren weist ein Messen von ophthalmologischen Patientendaten und ein Empfangen eines Brechkraftwertes der einzusetzenden Intraokularlinse auf.
Weiterhin weist das Verfahren ein Bestimmen eines ersten Zielrefraktionswertes mittels eines physikalischen Modells auf, wobei die gemessenen ophthalmologischen Patientendaten und der Brechkraftwert der einzusetzenden Intraokularlinse als Eingangsdaten verwendet werden und ein Bestimmen eines zweiten Zielrefraktionswertes mittels eines trainierten maschinellen Lernsystems auf. Dabei wurde das maschinelle Lernsystem mit ophthalmologischen Trainingsdaten, jeweils zugehörigen Brechkraftwerten der einzusetzenden Intraokularlinse und jeweils zugehörigen Zielrefraktionswerten - bzw. refraktiven Ergebnissen für das Patientenauge mit der eingesetzten Intraokularlinse - trainiert. Die jeweils zugehörigen Zielrefraktionswerte - bzw. die refraktiven Ergebnisse für das Patientenauge mit der eingesetzten Intraokularlinse - dienen als Ground-Truth-Daten zur Bestimmung eines entsprechenden maschinellen Lernmodells für das maschinelle Lernsystem.
Die gemessenen ophthalmologischen Patientendaten und der empfangene Brechkraftwert können dann als Eingangsdaten für das trainierte maschinelle Lernsystem verwendet werden.
Schließlich weist das Verfahren auch ein Bestimmen eines finalen Zielrefraktionswertes aus dem ersten Zielrefraktionswert und dem zweiten Zielrefraktionswert mittels eines individuellen Boosting-Faktor-Wertes auf, wobei der Boosting-Faktor indikativ dafür ist, wie gut ein Patientenvektor, dessen Komponenten durch die gemessenen ophthalmologischen Eingangsdaten bestimmt ist, zu einer Domäne der Trainingsdaten, mit denen das maschinelle Lernsystem trainiert wurde, passt.
Entsprechend einem dritten Aspekt der vorliegenden Erfindung, wird ein System zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse vorgestellt, welche als dem Verfahren des ersten Aspektes zugeordnet betrachten werden kann. Dieses System weist einen Prozessor, einen mit dem Prozessor operativ zusammenwirkenden Speicher zum Speichern von Instruktionen, die, wenn sie von dem Prozessor ausgeführt werden, den Prozessor zum Messen - insbesondere mittels einer Messeinheit - von ophthalmologischen Patientendaten veranlassen und zum Empfangen - beispielsweise mit einer Empfangseinheit - eines postoperativen Zielrefraktionswertes, der durch die eingesetzte Intraokularlinse erreicht werden kann.
Der Prozessor kann weiterhin veranlasst werden zum Bestimmen eines erstes Brechkraftwertes mittels eines physikalischen Modells - insbesondere mittels einer Bestimmungseinheit für ein physikalisches Modell - wobei die gemessenen ophthalmologischen Patientendaten und der Zielrefraktionswert als Eingangsdaten verwendet werden.
Der Prozessor kann außerdem veranlasst werden zum Bestimmen eines zweiten Brechkraftwertes mittels eines trainierten maschinellen Lernsystems, welches mit ophthalmologischen Trainingsdaten, jeweils zugehörigen Zielrefraktionswerten und jeweils zugehörige Brechkraftwerten der einzusetzenden Intraokularlinse trainiert wurde, wobei die jeweils zugehörigen Brechkraftwerte als Ground-Truth-Daten zur Bestimmung eines entsprechenden maschinellen Lernmodells für das maschinelle Lernsystem dienen.
Dabei können die gemessenen ophthalmologischen Patientendaten und der empfangene Zielrefraktionswert als Eingangsdaten für das trainierte maschinelle Lernsystem verwendet werden.
Schließlich kann der Prozessor auch veranlasst werden zum Bestimmen eines finalen Brechkraftwertes - z.B. mittels einer Bestimmungseinheit für den finalen Brechkraftwert - aus dem ersten Brechkraftwert und dem zweiten Brechkraftwert mittels eines individuellen Boosting-Faktor-Wertes, wobei der Boosting-Faktor indikativ dafür ist, wie gut ein Patientenvektor, dessen Komponenten durch die gemessene ophthalmologischen Eingangsdaten bestimmt sind, zu einer Domäne der Trainingsdaten, mit denen das maschinelle Lernsystem trainiert wurde, passt.
Entsprechend einem vierten Aspekt der vorliegenden Erfindung, wird ein System zum Bestimmen eines Zielrefraktionswertes basierend auf einer Brechkraft einer einzusetzenden Intraokularlinse vorgestellt, welche als dem Verfahren des zweiten Aspektes zugeordnet betrachtet werden kann. Dieses System weist einen Prozessor, einen mit dem Prozessor operativ zusammenwirkenden Speicher zum Speichern von Instruktionen auf, die, wenn sie von dem Prozessor ausgeführt werden, den Prozessor veranlassen zum Messen - insbesondere mittels einer Messeinheit von ophthalmologischen Patientendaten und zum Empfangen - insbesondere mittels einer Empfangseinheit - eines Brechkraftwertes der einzusetzenden Intraokularlinse.
Der Prozessor kann weiter veranlasst werden zum Bestimmen eines ersten Zielrefraktionswertes mittels eines physikalischen Modells, wobei die gemessenen ophthalmologischen Patientendaten und der Brechkraftwert der einzusetzenden Intraokularlinse als Eingangsdaten verwendet werden, und zum Bestimmen eines zweiten Zielrefraktionswertes mittels eines trainierten maschinellen Lernsystems, welches mit ophthalmologischen Trainingsdaten, jeweils zugehörigen Brechkraftwerten der einzusetzenden Intraokularlinse und jeweils zugehörigen Zielrefraktionswerten trainiert wurde, wobei die jeweils zugehörigen Zielrefraktionswerte als Ground-Truth-Daten zur Bestimmung eines entsprechenden maschinellen Lernmodells für das maschinelle Lernsystem dienen, wobei die gemessenen ophthalmologischen Patientendaten und der empfangene Brechkraftwert als Eingangsdaten für das trainierte maschinelle Lernsystem verwendet werden.
Schließlich kann der Prozessor auch veranlasst werden zum Bestimmen eines finalen Zielrefraktionswertes - oder auch Ergebnisrefraktionswert insbesondere durch eine Bestimmungseinheit für einen finalen Zielrefraktionswert - aus dem ersten Zielrefraktionswert und dem zweiten Zielrefraktionswert mittels eines individuellen Boosting-Faktor-Wertes, wobei der Boosting-Faktor indikativ dafür ist, wie gut ein Patientenvektor, dessen Komponenten durch die gemessenen ophthalmologischen Eingangsdaten bestimmt ist, zu einer Domäne der Trainingsdaten, mit denen das maschinelle Lernsystem trainiert wurde, passt.
Das vorgeschlagene Computer-implementierte Verfahren zum Bestimmen eines Brechkraftwertes - bzw. auch zum Bestimmen eines Ergebnisrefraktionswertes - einer einzusetzenden Intraokularlinse weist mehrere Vorteile und technische Effekte auf, die auch entsprechend für die zugehörigen Systeme gelten können:
Die oben beschriebene Aufgabe wird durch das hier vorgeschlagene Verfahren und System vorteilhafter Weise dadurch gelöst, dass sowohl ein klassisches Verfahren für die Vorhersage der Brechkraft (bzw. des Zielrefraktionswertes) zusammen mit einem maschinellen Lernsystem eingesetzt wird, wobei außerdem ein Boosting-Faktor-Wert ermittelt wird, der ausdrückt, wie gut gemessene Patientendaten zu der Domäne der Trainingsdaten für das maschinelle Lernsystem passen.
Vereinfacht ausgedrückt kann man sagen, dass bei einer schlechten Übereinstimmung der gemessenen Patientendaten mit dem ursprünglichen Satz von Trainingsdaten für das maschinelle Lernsystem für die Vorhersage der Brechkraft/des Ergebnisrefraktionswertes der einzusetzenden Intraokularlinse dem Vorhersagewert des maschinellen Lernsystems eine geringere Bedeutung beigemessen wird. Je höher die Übereinstimmung gemessener Patientendaten - insbesondere der gemessenen ophthalmologischen Daten - mit der Domäne der Trainingsdaten ist desto höher wird der Vorhersagewert des maschinellen Lernsystems bewertet und auch berücksichtigt.
Auf diese Weise lässt sich ein trainiertes maschinelles Lernsystem für eine Vorhersage der Brechkraft (bzw. des Ergebnisrefraktionswertes) einer einzusetzenden Intraokularlinse sowohl in solchen Bereichen einsetzen, in denen die ophthalmologischen Patientendaten mit dem Bereich der Trainingsdaten gut übereinstimmen, als auch in anderen Bereichen, in denen die ophthalmologischen Patientendaten mit dem Bereich der Trainingsdaten weniger gut übereinstimmen. In so einem Fall wird einem eingesetzten klassischen Verfahren zur Ermittlung einer Brechkraft einer einzusetzenden Intraokularlinse eine höhere Bewertung zugeordnet.
Damit lässt sich ein derartiges System auch in solchen Fällen einsetzen, in denen die gemessenen Daten eines Patienten nicht direkt in die Trainingsdomäne des maschinellen Lernsystems fallen. Der beschriebene Ansatz ermöglicht, dass immer eine stabile Prädiktion durchgeführt werden kann, da das klassische Verfahren graduell übernimmt, sobald vom maschinellen Lernsystem wenig bis kein Mehrwert zu erwarten ist. Für gut trainierte Bereiche kann das maschinelle Lernsystem seine Vorteile immer noch voll und ohne Beeinträchtigung ausführen. Der genutzte Boosting Faktor erlaubt damit eine unbeeinträchtigte Performance bei gleichzeitig hoher Stabilität der Vorhersage.
Das vorgeschlagene Verfahren bzw. System überwindet also die Limitationen, die bestehen, wenn nur eine geringe Menge an Trainingsdaten für einzelne Linsentypen zur Verfügung stehen, und so die Vorhersagegenauigkeit des maschinellen Lernsystems insbesondere dann begrenzt ist, wenn die gemessenen ophthalmologischen Patientendaten nicht mit dem Bereich des ursprünglichen Trainingsdatensatzes für das maschinelle Lernsystem übereinstimmen.
Auf diese Weise wird der Mediziner von einer Nutzung unterschiedlicher maschineller Lernsysteme mit potenziell unterschiedlichen Benutzeroberflächen, die jeweils eine Abweichung einer Operationsroutine bedeuten würden, geschützt. Er kann jeweils das gleiche maschinelle Lernsystem einsetzen, obwohl keine ideale Übereinstimmung zwischen ophthalmologischen Patientendaten und einem ursprünglichen Trainingsdatensatz besteht.
Dabei können außerdem unterschiedliche klassische Verfahren eingesetzt werden, die eine Bestimmung der Brechkraft der Intraokularlinse auf unterschiedlichen Herangehensweisen ermöglichen, wie beispielsweise physikalische Modelle, Regressionsmodelle oder regelbasierende Entscheidungsunterstützungssysteme (rule-based decision support system).
Diese Integration von klassischen Verfahren und einem maschinellen Lernsystembasierenden Ansatzes, bei dem nur eine kleine Trainingsdatenmenge für einzelne Bereiche zur Verfügung steht, ist bisher genutzten Ansätzen durch seine implizite Integration deutlich überlegen. Bei klassischen Ansätzen wurde beispielsweise vor dem Einsatz des maschinellen Lernsystems „manuell“ entschieden, ob das maschinelle Lernsystem eingesetzt werden kann, weil es mit den „richtigen“ Trainingsdaten trainiert wurde, d.h. mit solchen Trainingsdaten, in denen auch die gemessenen ophthalmologischen Patientendaten liegen. Ist das nicht der Fall, wird auf ein anderes klassisches Verfahren oder ein anderes maschinelles Lernsystem umgeschwenkt. Dies wäre aber ein fehleranfälliges Vorgehen, das mittels des vorgeschlagenen Konzeptes überwunden werden kann.
Ein alternatives Verfahren könnte darin bestehen, der Trainingsdatenmenge künstlich erzeugte Datenpunkte hinzuzufügen, die durch klassische Bestimmungsmodelle erzeugt wurden. Allerdings würde hierdurch die Vorhersagegenauigkeit des maschinellen Lernsystems in seinem Kernbereich, nämlich in dem Bereich der gemessenen Patienten-basierenden Trainingsdaten, geschwächt bzw. herabgesetzt.
Somit sind beide bisher eingesetzten alternativen Verfahren dem hier vorgeschlagenen Konzept signifikant unterlegen. Das automatische Fein-Tuning zwischen der Bestimmung der Brechkraft der Intraokularlinse einerseits basierend auf klassischen Verfahren und andererseits auf der Basis des trainierten maschinellen Lernsystems in Abhängigkeit von den gemessenen Patientendaten kann von den bekannten Herangehensweisen nicht geleistet werden. Insbesondere der graduelle und automatisierte Übergang des Nutzens der Vorhersagewerte des maschinellen Lernsystems für die Brechkraft der einzusetzenden Intraokularlinse zu klassischen Verfahren zur Bestimmung der Brechkraft durch den Einsatz des Boosting-Faktor-Wertes kann von bisher bekannten Verfahren und Systemen nicht geleistet werden.
Darüber hinaus kann dem Mediziner auch deutlich angezeigt werden, in welchem Verhältnis die Ergebnisse des maschinellen Lernsystems und eines klassischen Ansatzes gewichtet worden sind, um eine Vorhersage für eine Brechkraft der einzusetzenden Intraokularlinse zu machen. Dieser Wert kann dabei in einem Bereich von 0 % bis 100 % variieren.
Darüber hinaus kann das vorgeschlagene Konzept auch inhaltlich umgekehrt werden. Wenn der Operateur dann eine real existierende Intraokularlinse auswählt, kann er den erwarteten Ergebnisrefraktionswert vorhersagen lassen und bekommt so eine Hilfestellung bei der Auswahl der richtigen Intraokularlinse, wenn das Ergebnis der Vorhersage einen Brechkraftwert vorschlägt, der real für eine bestimmte Linse nicht existiert (z.B. 20,555 Dioptrien).
Im Folgenden werden weitere Ausführungsbeispiele vorgestellt, die sowohl im Zusammenhang mit dem Verfahren, wie auch mit dem entsprechenden System, Gültigkeit haben können.
Gemäß einer vorteilhaften Ausführungsform des Verfahrens für eine Vorhersage einer Brechkraft einer IOL (Intraokularlinse) kann das Bestimmen des finalen Brechkraftwertes der einzusetzenden Intraokularlinse aus der ersten Brechkraft und der zweiten Brechkraft mittels des individuellen Boosting-Faktor-Wertes gemäß Folgendem erfolgen: $PowerOL = BF * zweiter Brechkraftwert + (1 - BF) * erster Brechkraftwert .$
Dabei ist PowerlOL = finaler Brechkraftwert der einzusetzenden Intraokularlinse und BF = Boosting-Faktor-Wert. Auf diese Weise kann elegant sichergestellt werden, dass entweder die erste Brechkraft aus dem physikalischen Modell oder die zweite Brechkraft aus dem maschinellen Lernsystem mehr gewichtet werden kann. Wenn der Boosting-Faktor-Wert z.B. klein ist, würde das physikalische Modell für die Berechnung der finalen Brechkraft deutlich stärker genutzt als das Ergebnis des maschinellen Lernsystems, und umgekehrt. Da der Boosting-Faktor grundsätzlich ein Maß dafür ist, wie die gemessenen Patientendaten zur Trainingsdatenmenge passen - d.h., zur gleichen Domäne gehören - erfolgt die Gewichtung der beiden Anteile der obigen Formel automatisch im richtigen Maße.
Gemäß einer zusätzlichen Ausführungsform des Verfahrens für eine Vorhersage einer Brechkraft einer IOL kann eine Bestimmung des individuellen Boosting-Faktor-Wertes ein Anwenden eines statischen Analyseverfahrens auf die ophthalmologischen Trainingsdaten aufweisen; und darauf basierend kann dann ein Bestimmen eines Durchschnittvektors aus der Trainingsdatenmenge - d.h. der Mittelwert jeder einzelnen Vektorkomponente - und ein Bestimmen einer Kovarianz-Matrix erfolgen. Dies kann dann die Grundlage für den Vergleich mit den gemessenen Patientendaten darstellen.
Gemäß einer weiter detaillierten Ausführungsform des Verfahrens für eine Vorhersage einer Brechkraft einer IOL kann die Bestimmung des individuellen Boosting-Faktor-Wertes ein Nutzen einer multivarianten Gauss-Funktion, die unter Nutzung der ophthalmologischen Trainingsdaten - die als Vektor darstellbar sind - das sind Vektoren, die bestimmt wurden - erfolgen. Die Nutzung der Multivariaten-Gauss-Funktion ist eine der möglichen Optionen, die sich aufgrund der Annahme anbietet, dass eine Symmetrie hinsichtlich des Mittelwertes besteht.
Gemäß einer erweiterten Ausführungsform des Verfahrens für eine Vorhersage einer Brechkraft einer IOL kann die Bestimmung des individuellen Boosting-Faktor-Wertes auch ein Skalieren eines Verteilungsdichtewertes (distribution density value; ∈ ℝ), der sich als Ergebnis des Nutzens der Multivariaten-Gauss-Funktion ergibt, auf ein Intervall von [0, 1] genutzt werden. Dies ist unter anderem deshalb hilfreich, weil der Verteilungsdichtewert typischerweise in einer Größenordnung von 10^-2 ... 10^-3 mit sehr schnellem Abfall auf 10^-6, ...10^-8 liegt. Für die oben angegebene Formel zur Berechnung der finalen Brechkraft ist aber ein Boosting-Faktor-Wert im Intervall [0, 1] nicht nur sehr hilfreich, sondern stellt eine auch mathematisch sinnvolle und handhabbare Größenordnung dar.
Gemäß einer weiteren Ausführungsform kann das Verfahren für eine Vorhersage einer Brechkraft einer IOL ein Senden des finalen Brechkraftwertes und/oder des individuellen Boosting-Faktor-Wertes an mindestens ein Ausgabegerät - z.B. auf einen Bildschirm, eine Digitalanzeige, ein Head-Up-Display, in eine Operationsmikroskop-Anzeige, etc. - aufweisen. Damit kann der Operateur durch das visuelle Wahrnehmen des individuellen Boosting-Faktor-Wertes ein Gefühl dafür entwickeln, wie gut die Vorhersage-Qualität des Systems ist. Daneben können natürlich auch noch die Ergebnisse der ersten und der zweiten Brechkraftbestimmung der finalen Brechkraftbestimmung sowie des Zielrefraktionswertes angezeigt werden.
An dieser Stelle sei zusätzlich darauf hingewiesen, dass die beiden vorgeschlagenen Verfahren - und äquivalent auch die beiden entsprechenden Systeme - einander äquivalent sind. Entweder wird ein Zielrefraktionswert als Eingangsdatum genutzt, wodurch dann - zusammen mit den Patientendaten - eine finale Brechkraftbestimmung für eine Intraokularlinse erfolgt. Andererseits kann die Brechkraft einer einzusetzenden Intraokularlinse als Eingangsdatum genutzt werden, woraus das entsprechende System dann den Zielrefraktionswert - in diesem Falle also den tatsächlichen Refraktionswert (d.h. folglich den Ergebnisrefraktionswert) nach der Operation - ermittelt.
Dies kann aus mindestens einem Grunde eine große Hilfe für den Operateur sein. Zum Beispiel: Für gegebene ophthalmologische Patientendaten und einen gegebenen Zielrefraktionswert wurde ein idealer Brechkraftwert von z.B. 20,256 ermittelt, zu dem es keine reale Entsprechung im Sortiment der nutzbaren Intraokularlinsen gibt. Der Operateur müsste sich also wahrscheinlich in diesem Fall für 20,25 oder 20,26 entscheiden. Natürlich hätte er dann auch das Bedürfnis, zu wissen, welcher finale Refraktionswert sich dann nach der Operation für diesen speziellen Linsentyp ergeben würde. Da bei normalen ophthalmologischen Operationen ein bestimmter Zielrefraktionswert angestrebt wird (zum Beispiel leicht kurzsichtig), würde der Operateur das vorgeschlagene Verfahren gemäß dem zweiten Aspekt anwenden.
Aus diesem Grunde sollten mindestens sämtliche abhängigen Ansprüche sowohl für das Verfahren des ersten Aspektes als auch das Verfahren des zweiten Aspektes angewendet werden. Entsprechendes gilt sowohl für das System gemäß dem dritten Aspekt, wie auch das System gemäß dem vierten Aspekt, welches weiter oben vorgeschlagen wurde. Voraussetzung dabei ist, dass unterschiedliche Trainingsdaten genutzt werden: Im ersten Fall also die Patientendaten, der Zielrefraktionswert und schließlich die ermittelte finale IOL-Brechkraft als Ground-Truth-Daten und im zweiten Fall die Patientendaten, die geplante finale IOL-Brechkraft und schließlich der Ergebnisrefraktionswert als Ground-Truth-Daten.
Die Formel zur Bestimmung des finalen Ergebnisrefraktionswertes würde folglich also lauten: $Ergebnisrefraktionswert = BF * zweiter Refraktionswert + (1 - BF) * erster Refraktionswert .$
Darüber hinaus können sich Ausführungsformen auf Computerprogrammprodukte beziehen, auf welche von einem Computer-verwendbaren oder Computer-lesbaren Medium zugegriffen werden kann, das Programm-Code zur Nutzung durch, oder in Verbindung mit, einem Computer oder anderen Instruktionsverarbeitungssystemen aufweist. Im Kontext dieser Beschreibung kann ein Computer-verwendbares oder Computer-lesbares Medium jede Vorrichtung sein, die zur Speicherung, zum Kommunizieren, zur Weiterleitung oder zum Transport des Programm-Codes geeignet ist.
Übersicht über die Figuren
Es sei darauf hingewiesen, dass Ausführungsbeispiele der Erfindung mit Bezug auf unterschiedliche Implementierungskategorien beschrieben sein können. Insbesondere sind einige Ausführungsbeispiele in Bezug auf ein Verfahren beschrieben, während andere Ausführungsbeispiele im Kontext von entsprechenden Vorrichtungen beschrieben sein können. Unabhängig davon ist es einem Fachmann möglich, aus der hier vorstehenden und nachfolgenden Beschreibung - wenn nicht anderweitig darauf hingewiesen - mögliche Kombinationen der Merkmale des Verfahrens sowie mögliche Merkmalskombinationen mit dem entsprechenden System zu erkennen und zu kombinieren, auch, wenn sie zu unterschiedlichen Anspruchskategorien gehören.
Bereits oben beschriebene Aspekte sowie zusätzliche Aspekte der vorliegenden Erfindung ergeben sich unter anderem aus den beschriebenen Ausführungsbeispielen und aus den zusätzlichen weiteren, durch Bezug auf die Figuren beschriebenen, konkreten Ausgestaltungen.
Bevorzugte Ausführungsbeispiele der vorliegenden Erfindung werden beispielhaft und mit Bezug auf die folgenden Figuren beschrieben:

1 stellt eine flussdiagrammartige Darstellung eines Ausführungsbeispiels des erfindungsgemäßen Computer-implementierten Verfahrens zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse dar.
2 zeigt ein Auge mit potenziellen Parametermesswerten.
3 zeigt ein praxisnäheres Ausführungsbeispiel des Verfahrens zur Brech kraftbesti m m u ng.
4 zeigt einen ersten Teil eines Flussdiagrammes eines Ausführungsbeispiels des Verfahrens zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse.
5 zeigt einen zweiten Teil eines Flussdiagrammes eines Ausführungsbeispiels des Verfahrens zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse.
6 zeigt einen anderen zweiten Teil eines Flussdiagrammes eines Ausführungsbeispiels des Verfahrens zum Bestimmen eines Zielrefraktionswertes - bzw. Ergebnisrefraktionswertes - einer einzusetzenden Intraokularlinse.
7 zeigt ein Diagramm eines Systems zur Brechkraftbestimmung.
8 stellt ein Ausführungsbeispiel eines Computersystems, welches das System entsprechend 7 aufweist.

Detaillierte Figurenbeschreibung
Im Kontext dieser Beschreibung sollen Konventionen, Begriffe und/oder Ausdrücke folgendermaßen verstanden werden:
Der Begriff 'Intraokularlinse' (IOL) beschreibt hier eine künstliche Linse, die beispielsweise im Rahmen einer Kataraktoperation in ein Auge eingesetzt wird, wodurch die natürliche Linse des Auges ersetzt wird.
Der Begriff ‘ophthalmologischen Patientendaten‘ oder einfach ‚Patientendaten‘ kann hier patientenspezifische Messdaten eines Patientenauges beschreiben, die vorzugsweise direkt oder in zwischengespeicherter Form - z.B. in einem Patienten-Messdatenspeichervorliegen.
Der Begriff ‘Zielrefraktionswert‘ kann hier den postoperativ erwünschten Refraktionswert beschreiben.
Der Begriff ‘Ergebnisrefraktionswert‘ kann hier den, durch eine bestimmte tatsächlich einzusetzende IOL, postoperativ erzielten Refraktionswert beschreiben, wenn u.a. als Eingangsdaten die Brechkraft der real genutzten IOL genutzt wird.
Der Begriff 'physikalisches Modell' bzw. ‚physikalisch-optisches Modell‘ kann bekannte Abhängigkeiten einer Brechkraft einer einzusetzenden IOL von ophthalmologischen Daten mittels einer Formel oder Relation beschreiben. Es sind verschiedene Modelle bekannt.
Der Begriff 'maschinelles Lernsystem' kann ein nichtprozedurales System beschreiben, dessen Verhalten in Bezug auf Eingangsdaten und daraus erzeugte Ausgangsdaten (oder jeweils Vektoren) durch einen Lernprozess konditioniert wird, bei dem Beispieldaten - d.h. sowohl Eingangsdaten als auch Ausgangsdaten - verwendet werden. Während des Lernprozesses werden Parameterwerte des Lernsystems optimiert (in der Regel durch eine Minimierung einer Loss-Funktion), sodass nach dem Abschluss des Lernens oder Trainings ein maschinelles Lernmodell zum Vorhersagen von Ausgangsdaten auf der Basis von unbekannten Eingangsdaten zur Verfügung steht. Der Optimierungsprozess kann beispielsweise über eine Backpropagation-Funktion von Differenzen zwischen erzeugten Ausgangsdaten auf gewünschten Ausgangsdaten erfolgen. Es sind verschiedene Architekturen für maschinelle Lernsysteme bekannt. Ein Beispiel ist ein neuronales Netzwerk (neural network) oder ein tiefes neuronales Netzwerk (deep neural network).
Der Begriff 'Ground-Truth-Daten' beschreibt im Allgemeinen Zieldaten bzw. erwünschte Vorhersageergebnisse einer Vorhersage des maschinellen Lernsystems, die während des Trainings des maschinellen Lernsystems genutzt werden, um das maschinelle Lernsystem zu konditionieren, d.h. die Parameterwerte zu bestimmen.
Der Begriff ‚maschinellen Lernmodells‘ beschreibt üblicherweise einen Satz von Parametern, die das maschinelle Lernmodell ausmachen. Dieses wird im maschinellen Lernsystem genutzt. Optional können auch zusätzlich Konfigurationsparameter des maschinellen Lernsystems (d.h. Hyperparameter) in dem Lernmodell enthalten sein.
Der Begriff ‚finaler Brechkraftwert‘ beschreibt hier die tatsächliche Brechkraft der IOL, die von dem vorgeschlagenen Verfahren als Ergebnis - bestehend aus einer Kombination aus einem klassischen und einem ML-basierenden Ansatz - geliefert wird.
Der Begriff ‚Boosting-Faktor‘ beschreibt einen dezimal darstellbaren Wert, welcher Indikativ dafür ist, wie gut ein bestimmter Satz von (gemessenen) Patientendaten zu den Trainingsdaten passt, die für das Training des maschinellen Lernsystems genutzt wurde. „Passt“ soll hier bedeuten, dass die Patientendaten durchaus auch innerhalb der Menge der Trainingsdaten hätte liegen können. Wenn die gemessenen Patientendaten allerdings außerhalb einer Begrenzung der Trainingsdatenmenge liegen, würde dies darauf hindeuten, dass der Patientendatensatz nicht unmittelbar zu den Trainingsdaten passt. Im Ergebnis würde - entsprechend des hier vorgestellten Konzeptes - der ermittelte Brechkraftwert aus dem physikalischen Modell übergewichtet werden.
Der Begriff ‚Domäne der Trainingsdaten‘ beschreibt hier insbesondere eine Menge von Trainingsdaten, die gemeinsam bestimmte Eigenschaften aufweisen, sich beispielsweise um einen Mittelwert herum gruppieren und dabei keinen größeren als einen vorher bestimmten Abstand zu diesem aufweisen. „Ausreißerdaten“ sollten nicht in der Trainingsdatenmenge enthalten sein.
Im Folgenden wird eine detaillierte Beschreibung der Figuren angegeben. Dabei versteht es sich, dass alle Details und Anweisungen in den Figuren schematisch dargestellt sind. Zunächst wird eine flussdiagrammartige Darstellung eines Ausführungsbeispiels des erfindungsgemäßen Computer-implementierten Verfahrens zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse dargestellt. Nachfolgend werden weitere Ausführungsbeispiele, bzw. Ausführungsbeispiele für das entsprechende System beschrieben:
1 stellt eine flussdiagrammartige Darstellung eines bevorzugten Ausführungsbeispiels des Computer-implementierten Verfahrens 100 zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse dar. Das Verfahren 100 weist dazu ein Messen, 102, von ophthalmologischen Patientendaten und ein Empfangen, 104, eines Zielrefraktionswertes auf. Dies ist der Refraktionswert, den das Auge nach der Operation - d.h., nach dem Einsetzen der Intraokularlinse - haben soll. Dabei kann eine leichte Myopie beabsichtigt sein, damit der Patient nach der Operation z.B. ohne Brille lesen kann. Der Wert des Zielrefraktionswertes kann allerdings auch mit Null angegeben sein.
Weiterhin weist das Verfahren 100 ein Bestimmen, 106, eines ersten Brechkraftwertes einer einzusetzenden Intraokularlinse mittels eines physikalischen oder physikalisch-optischen Modells auf. Hierfür eignen sich nach dem Stand der Technik bekannte Formeln. Beispielsweise können empirische Formeln, Regressionsformen, Look-Up-Tabellen oder auch ein zweites maschinelles Lernsystem (z.B. eine Support-vektor-Maschine eingesetzt werden. In jedem Fall werden die gemessenen ophthalmologischen Patientendaten - oder ein Teilsatz der Daten - und der Zielrefraktionswert als Eingangsdaten verwendet.
Außerdem weist das Verfahren ein Bestimmen, 108, eines zweiten Brechkraftwertes der einzusetzenden Intraokularlinse mittels eines trainierten maschinellen Lernsystems auf. Dieses wurde vorher mit ophthalmologischen Trainingsdaten - also einem Satz von Trainingsvektoren -jeweils zugehörigen Zielrefraktionswerten und jeweils zugehörigen Brechkraftwerten einer einzusetzenden Intraokularlinse trainiert. Dabei dienen die jeweils zugehörigen Brechkraftwerte der einzusetzenden Intraokularlinse als Ground-Truth-Daten zur Bestimmung eines entsprechenden maschinellen Lernmodells für das maschinelle Lernsystem. Um zum gewünschten Ergebnis zu kommen, ist es dann erforderlich, die gemessenen ophthalmologischen Patientendaten und den empfangenen Zielrefraktionswert als Eingangsdaten für das trainierte maschinelle Lernsystem zu verwenden. In einem Ausführungsbeispiel ist es auch möglich, mehrere physikalische Modelle bzw. auch mehrere maschinelle Lernsysteme mit jeweils unterschiedlichen Lernmodellen zu nutzen. Die jeweils ermittelten Boosting-Faktor-Werte würden als zusätzliche Zwischenergebnisse für die finale Brechkraft der einzusetzenden Intraokularlinse genutzt.
Schließlich weist das Verfahren 100 zusätzlich ein Bestimmen, 110, des finalen Brechkraftwertes der einzusetzenden Intraokularlinse aus dem ersten Brechkraftwert und dem zweiten Brechkraftwert mittels eines individuellen Boosting-Faktor-Wertes auf. Dabei ist der Boosting-Faktor grundsätzlich indikativ dafür, wie gut ein Patientenvektor, dessen Komponenten durch die gemessenen ophthalmologischen Eingangsdaten bestimmt ist, zu der Domäne der Trainingsdaten passt, mit denen das maschinelle Lernsystem trainiert wurde.
Wie bereits oben erwähnt, kann ein äquivalentes Verfahren bzw. System dafür eingesetzt werden, nicht die finale Brechkraft der einzusetzenden Intraokularlinse zu ermitteln, sondern ausgehend von der tatsächlich genutzten Brechkraft der einzusetzenden Intraokularlinse den Ergebnisrefraktionswert (m.a.W. den Zielrefraktionswert) zu ermitteln.
Optional kann an das jeweilige System ein Transport- oder Robotersystem angeschlossen sein, welches eine einzusetzende Intraokularlinse mit der bestimmten Brechkraft aus einem Magazin entnimmt.
2 stellt ein Auge 200 mit verschiedenen biometrischen Parametern des Auges dar. Insbesondere sind folgende Parameter dargestellt: axiale Länge 202 (AL, axial length), vordere Kammerdicke 204 (ACD, anterior chamber depth), Keratometriewert 206 (K, Radius), Brechkraft der Linse, Linsendicke 208 (LT, lense thickness), zentrale Korneadicke 210 (CCT, central cornea thickness), Weiß-zu-Weiß-Abstand 212 (WTW, white-towhite distance), Pupillengröße 214 (PS, pupil size), hintere Kammertiefe 216 (PCD, posterior chamber depth), Retinadicke 218 (RT, retina thickness).
3 zeigt ein praxisnäheres Ausführungsbeispiel 300 des Verfahrens zur Brechkraftbestimmung. Zunächst wird die Menge der biometrischen Trainingsdaten 302 zur Verfügung gestellt. Zum anderen werden biometrische, auf ophthalmologischen Patientendaten 304 basierende Daten - z.B. durch eine Messung - ermittelt.
Als nächstes erfolgt die Bestimmung 306 der Übereinstimmung der biometrischen Patientendaten mit der Menge der Trainingsdaten, woraufhin sich eine Bestimmung 308 einer Gewichtung (Boosting-Faktor-Wert) anschließt.
Die biometrischen Patientendaten 304 gehen sowohl in die Berechnung der klassischen IOL-Brechkraftwertbestimmung 310 wie auch in die IOL-Brechkraftwertbestimmung 312 durch das maschinelle Lernsystem direkt ein. In einem weiteren Schritt dieser Übersicht des Verfahrens kommt es dann zur Anwendung 314 der Gewichtung (individueller Boosting-Faktor-Wert) aus dem klassischen ermittelten IOL-Brechkraftwert und dem IOL-Brechkraftwert, der mit dem maschinellen Lernsystem ermittelt wurde, um schließlich die endgültige, finale IOL-Brechkraftwertbestimmung vorzunehmen.
4 zeigt einen ersten Teil eines Flussdiagrammes eines Ausführungsbeispiels 400 des Verfahrens zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse (bzw. auch für die Bestimmung des Ergebnisrefraktionswertes). Hierbei handelt es sich um eine relativ implementierungsnahe Darstellung der Vorgehensweise. Auch hier sind die mindestens teilweise biometrischen Trainingsdaten 302 und biometrischen Patientendaten 304 Ausgangspunkte für das Verfahren.
Zunächst erfolgt eine statistische Analyse 402 der Trainingsdaten. Diese kann mit klassischen statistischen Verfahren, Regressionsanalysen oder auch einem regelbasierten Vorgehen erfolgen. Die statistische Analyse 402 liefert zwei Ergebnisse, nämlich den Mittelwertvektor 404 (wie oben bereits beschrieben) und die Kovarianz-Matrix 408. Aus diesen beiden Ergebnissen lässt sich die Multivarianten-Gauss-Funktion 410 ermitteln, und daraus Verteilungsdichtewerte 412. Auf dieser Basis kann nun der individuelle Boosting-Faktor-Wert - entsprechend der bereits oben genannten Formel - ermittelt werden. Der bis hier beschriebene Teil der relativ implementierungsnahen Darstellung steht also im Zeichen der Analyse und des Vergleiches der gemessenen Patientendaten mit den ursprünglich eingesetzten Trainingsdaten für das zu verwendende maschinelle Lernsystem zur Vorhersage der Brechkraft (bzw. des Ergebnisrefraktionswertes). Die Beschreibung des Verfahrens wird mit der nächsten Figur fortgesetzt.
5 zeigt einen zweiten Teil 500 eines Flussdiagrammes eines Ausführungsbeispiels des Verfahrens zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse.
Auch dieser Teil beginnt mit den biometrischen Patientendaten 304. Dazu wird dem System, auf dem das Verfahren ausgeführt wird, über eine Eingabemöglichkeit ein Zielrefraktionswert 506 zur Verfügung gestellt. Auch hier wird mit einem klassischen Modell 502 zur Bestimmung der Brechkraft ein erster Brechkraftwert 504 ermittelt. Parallel oder nachgelagert kann auf der Basis der biometrischen Patientendaten 304 mittels des trainierten maschinellen Lernsystems 508 (basierend auf einem entsprechenden Lernmodell) der zweite Brechkraftwert 510 ermittelt werden.
Unter Verwendung des im ersten Teil des Verfahrens gemäß 4 bestimmten individuellen Boosting-Faktor-Wertes 414 wird dann gemäß der angegebenen Formel der finale IOL-Brechkraftwert 512 ermittelt.
Für das parallele Verfahren, gemäß dem, ausgehend von einem Brechkraftwert, ein potenzieller Zielrefraktionswert/Ergebnisrefraktionswert ermittelt werden kann, ist der Teil des Verfahrens, der im Kontext der 4 beschrieben wurde, identisch.
Allerdings zeigt 6 einen anderen zweiten Teil eines Flussdiagrammes 600 eines Ausführungsbeispiels des Verfahrens zum Bestimmen eines Zielrefraktionswertes des Patientenauges mit der eingesetzten Intraokularlinse. Dazu wird dem System der Brechkraftwert 606 einer real existierenden IOL bekannt gegeben. Das entsprechende trainierte maschinelle Lernsystem 508 könnte die gleichen Hyperparameterwerte aufweisen wie das trainierte maschinelle Lernsystem gemäß 5. Allerdings würden natürlich andere Trainingsdaten eingesetzt werden (s.o.), sodass durch das Training ein anderes Lernmodell (also andere Parameterwerte) erzeugt werden würde.
Hier würde das trainierte maschinelle Lernsystem 508 einen zweiten Zielrefraktionswert 602 bestimmen bzw. vorhersagen, welcher dann zusammen mit dem klassisch bestimmten ersten Zielrefraktionswert 604 und dem individuellen Boosting-Faktor-Wert 414 zur Bestimmung des finalen Ergebnisrefraktionswertes 604 entsprechend der dort angegebenen Formel genutzt wird.
7 zeigt ein Diagramm eines Systems 700 zur Brechkraftwertbestimmung einer einzusetzenden Intraokularlinse. Es sei darauf hingewiesen, dass ein sehr ähnliches bzw. vergleichbares System für die Bestimmung des postoperativen Refraktionswertes herangezogen werden kann. Das maschinelle Lernsystem würde mit anderen Trainingsdaten trainiert werden, wie es bereits oben skizziert wurde.
Das System 700 zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse weist dazu Folgendes auf: einen Prozessor 702 und einen mit dem Prozessor 702 operativ zusammenwirkenden Speicher 704 zum Speichern von Instruktionen, die, wenn sie von dem Prozessor 702 ausgeführt werden, den Prozessor 704 zu Folgendem veranlassen: Messen - insbesondere mittels einer Messeinheit 706 - von ophthalmologischen Patientendaten und zum Empfangen - beispielsweise mittels einer Empfangseinheit 708 - eines Zielrefraktionswertes. Hier kann wahlweise der Zielrefraktionswert oder der Brechkraftwert eingegeben werden. Diese Alternativen sind bereits oben beschrieben worden.
Außerdem wird der Prozessor veranlasst zum Bestimmen des Brechkraftwertes mittels des physikalischen Modells einerseits und des trainierten maschinellen Lernsystem andererseits; hierfür können beispielsweise eine Brechkraftwert-Bestimmungseinheit 710 für das physikalische Modell und ein entsprechendes trainiertes maschinelles Lernsystem 712 (entweder zur Vorhersage des Brechkraftwertes der IOL oder ausgehend von der IOL zur Vorhersage des Zielrefraktionswert) zum Einsatz kommen. Die finale Brechkraftwert-Bestimmung (bzw. der Ergebnisrefraktionswert) wird dann mittels der Bestimmungseinheit 714 für den finalen Brechkraftwert unter Nutzung des Boosting-Faktor-Wertes ermittelt.
Es sei ausdrücklich darauf hingewiesen, dass die Module und Einheiten - insbesondere der Prozessor 702, der Speicher 704, die Messeeinheit 706, die Empfangseinheit 708, die Bestimmungseinheit 710 für das physikalische Modell, das trainierte maschinelle Lernsystem 712 für die Brechkraftwert-Bestimmung (bzw. den Ergebnisrefraktionswert) und die Bestimmungseinheit 714 für den finalen Brechkraftwert (bzw. den Ergebnisrefraktionswert) - mit elektrischen Signalleitungen oder über ein systeminternes Bussystem 716 zum Zwecke des Signal- oder Datenaustausches verbunden sein können.
8 stellt ein Ausführungsbeispiel eines Computersystems 800 dar, welches auch das System entsprechend 7 aufweist. Das Computersystem 800 weist eine Mehrzahl von allgemein nutzbaren Funktionen (general purpose functions) auf. Dabei kann das Computersystem ein Tablet-Computer, ein Laptop-/Notebook-Computer, ein anderes tragbares oder mobiles elektronisches Gerät, ein Mikroprozessorsystem, ein Mikroprozessor - basiertes System, ein Smartphone, ein Computersystem mit speziell eingerichteten Sonderfunktionen, oder auch ein Bestandteil von einem Mikroskopsystem sein. Das Computersystem 800 kann eingerichtet sein zur Ausführung vom Computersystem ausführbaren Anweisungen - wie beispielsweise Programmmodulen - die ausgeführt werden können, um Funktionen der hier vorgeschlagenen Konzepte umzusetzen. Dazu können die Programmmodule Routinen, Programme, Objekte, Komponenten, Logik, Datenstrukturen usw. aufweisen, um bestimmte Aufgaben oder bestimmte abstrakte Datentypen zu implementieren.
Die Komponenten des Computersystems können Folgendes aufweisen: einen oder mehrere Prozessoren oder Verarbeitungseinheiten 802, ein Speichersystem 804 und ein Bussystem 806, welches verschiedene Systemkomponenten, inklusive des Speichersystems 804, mit dem Prozessor 802 verbindet. Typischerweise weist das Computersystem 800 eine Mehrzahl von durch das Computersystem 800, zugreifbaren flüchtigen oder nicht-flüchtigen Speichermedien auf. Im Speichersystem 804 können die Daten und/oder Instruktionen (Befehle) der Speichermedien in flüchtiger Form - wie beispielsweise in einem RAM (random access memory) 808 - gespeichert sein, um von dem Prozessor 802 ausgeführt zu werden. Diese Daten und Instruktionen realisieren einzelne oder mehrere Funktionen bzw. Schritte des hier vorgestellten Konzeptes. Weitere Komponenten des Speichersystems 804 können ein Permanentspeicher (ROM) 810 und ein Langzeitspeicher 812 sein, in dem die Programmodule und Daten (Bezugszeichen 816), wie auch Workflows, gespeichert sein können.
Das Computersystem weist zur Kommunikation eine Reihe von dedizierten Vorrichtungen (Tastatur 818, Maus/Pointing Device [nicht dargestellt], Bildschirm 820, usw.) auf. Diese dedizierten Vorrichtungen können auch in einem berührungsempfindlichen Display vereint sein. Ein separat vorgesehener I/O-Controller 814 sorgt für einen reibungslosen Datenaustausch zu externen Geräten. Zur Kommunikation über ein lokales oder globales Netzwerk (LAN, WAN, beispielsweise über das Internet) steht ein Netzwerkadapter 822 zur Verfügung. Auf dem Netzwerkadapter kann durch andere Komponenten des Computersystems 800 über das Bussystem 806 zugegriffen werden. Dabei versteht es sich, dass - obwohl nicht dargestellt - auch andere Vorrichtungen an das Computersystem 800 angeschlossen sein können.
Zusätzlich können mindestens Teile des Systems 700 zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse (vgl. 7) an das Bussystem 806 angeschlossen sein. Das System 700 und das Computersystem 800 können ggfs. die Speicher und/oder den/die Prozessoren gemeinsam nutzen. Dies gilt analog ebenso für das System zum Bestimmen des Ergebnisrefraktionswertes (auch bezeichnet als Bestimmung des Zielrefraktionswertes).
Die Beschreibung der verschiedenen Ausführungsbeispiele der vorliegenden Erfindung wurde zum besseren Verständnis dargestellt, dient aber nicht einer unmittelbaren Einschränkung der erfinderischen Idee auf diese Ausführungsbeispiele. Weitere Modifikationen und Variationen erschließt sich der Fachmann selbst. Die hier genutzte Terminologie wurde so gewählt, um die grundsätzlichen Prinzipien der Ausführungsbeispiele am besten zu beschreiben und sie dem Fachmann leicht zugänglich zu machen.
Das hier vorgestellte Prinzip kann sowohl als System, als Verfahren, Kombinationen davon und / oder auch als Computerprogrammprodukt verkörpert sein. Dabei kann das Computerprogrammprodukt ein (oder mehrere) Computer-lesbare/s Speichermedium/-medien aufweisen, welches Computer-lesbare Programminstruktionen aufweist, um einen Prozessor oder ein Steuerungssystem dazu zu veranlassen, verschiedene Aspekte der vorliegenden Erfindung auszuführen.
Als Medien kommen elektronische, magnetische, optische, elektromagnetische, Infrarot-Medien oder Halbleitersysteme als Weiterleitungsmedium zum Einsatz; beispielsweise SSDs (solid state device/drive als Festkörperspeicher), RAM (Random Access Memory) und/oder ROM (Read-Only Memory), EEPROM (Electrically Eraseable ROM) oder eine beliebige Kombination davon. Als Weiterleitungsmedien kommen auch sich ausbreitende elektromagnetische Wellen, elektromagnetische Wellen in Wellenleitern oder anderen Übertragungsmedien (z.B. Lichtimpulse in optischen Kabeln) oder elektrische Signale, die in Drähten übertragen werden, in Frage.
Das Computer-lesbare Speichermedium kann eine verkörpernde Vorrichtung sein, welche Instruktionen für eine Nutzung durch ein Instruktionsausführungsgerät vorhält bzw. speichert. Die Computer-lesbaren Programminstruktionen, die hier beschrieben sind, können auch auf ein entsprechendes Computersystem heruntergeladen werden, beispielsweise als(Smartphone-)App von einem Service-Provider über eine kabelbasierte Verbindung oder ein Mobilfunknetzwerk.
Die Computer-lesbaren Programminstruktionen zur Ausführung von Operationen der hier beschriebenen Erfindung können maschinenabhängig sein oder maschinenunabhängige Instruktionen, Microcode, Firmware, Status-definierende Daten oder jeglicher Source-Code oder Objektcode sein, der beispielsweise in C++, Java oder ähnlichen bzw.in konventionellen prozeduralen Programmiersprachen, wie beispielsweise der Programmiersprache „C“ oder ähnlichen Programmiersprachen geschrieben sein. Die Computer-lesbaren Programminstruktionen können komplett durch ein Computersystem ausgeführt werden. In einigen Ausführungsbeispielen können es auch elektronische Schaltkreise, wie beispielsweise programmierbare Logikschaltkreise, Feld-programmierbare Gate Arrays(FPGA) oder programmierbare Logik-Arrays(PLA), sein, die die Computer-lesbaren Programminstruktionen durch Nutzung von Statusinformationen der Computer-lesbaren Programminstruktionen ausführen, um die elektronischen Schaltkreise entsprechend Aspekten der vorliegenden Erfindung zu konfigurieren bzw. zu individualisieren.
Darüber hinaus ist die hier vorgestellte Erfindung mit Bezug auf Flussdiagramme und/oder Blockdiagramme von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten entsprechend Ausführungsbeispielen der Erfindung dargestellt. Es sei darauf hingewiesen, dass praktisch jeder Block der Flussdiagramme und/oder Blockdiagramme als Computer-lesbare Programminstruktionen ausgestaltet sein kann.
Die Computer-lesbaren Programminstruktionen können einem General-Purpose-Computer, einem Spezialcomputer oder einem anderweitig programmierbaren Datenverarbeitungssystem zur Verfügung gestellt werden, um eine Maschine herzustellen, so dass die Instruktionen, welche durch den Prozessor oder den Computer oder andere programmierbare Datenverarbeitungsvorrichtungen ausgeführt werden, Mittel erzeugen, um die Funktionen oder Vorgänge, die in dem Flussdiagramm und/oder Blockdiagrammen dargestellt sind, zu implementieren. Diese Computerlesbaren Programminstruktionen können entsprechend auch auf einem Computer-lesbaren Speichermedium gespeichert werden.
In diesem Sinne kann jeder Block in dem dargestellten Flussdiagramm oder den Blockdiagrammen ein Modul, ein Segment oder Anteile an Instruktionen darstellen, welche mehrere ausführbare Instruktionen zur Implementierung der spezifischen Logikfunktion darstellt. In einigen Ausführungsbeispielen können die Funktionen, die in den einzelnen Blöcken dargestellt sind, in einer anderen Reihenfolge - gegebenenfalls auch parallel - ausgeführt werden.
Die dargestellten Strukturen, Materialien, Abläufe und Äquivalente aller Mittel und/oder Schritte mit zugehörigen Funktionen in den untenstehenden Ansprüchen sind dazu gedacht, alle Strukturen, Materialien oder Abläufe anzuwenden, wie es durch die Ansprüche ausgedrückt ist.

Claims

Ein Computer-implementiertes Verfahren zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse, das Verfahren aufweisend: - Messen von ophthalmologischen Patientendaten, - Empfangen eines Zielrefraktionswertes, - Bestimmen eines ersten Brechkraftwertes einer einzusetzenden Intraokularlinse mittels eines physikalischen Modells, wobei die gemessenen ophthalmologischen Patientendaten und der Zielrefraktionswert als Eingangsdaten verwendet werden, - Bestimmen eines zweiten Brechkraftwertes der einzusetzenden Intraokularlinse mittels eines trainierten maschinellen Lernsystems, welches mit ophthalmologischen Trainingsdaten, jeweils zugehörigen Zielrefraktionswerten und jeweils zugehörigen Brechkraftwerten einer einzusetzenden Intraokularlinse trainiert wurde, wobei die jeweils zugehörigen Brechkraftwerte einer einzusetzenden Intraokularlinse als Ground-Truth-Daten zur Bestimmung eines entsprechenden maschinellen Lernmodells für das maschinelle Lernsystem dienen, wobei die gemessenen ophthalmologischen Patientendaten und der empfangene Zielrefraktionswert als Eingangsdaten für das trainierte maschinelle Lernsystems verwendet werden, und - Bestimmen des finalen Brechkraftwertes der einzusetzenden Intraokularlinse aus dem ersten Brechkraftwert und dem zweiten Brechkraftwert mittels eines individuellen Boosting-Faktor-Wertes, wobei der Boosting-Faktor indikativ dafür ist, wie gut ein Patientenvektor, dessen Komponenten durch die gemessenen ophthalmologischen Eingangsdaten bestimmt ist, zu einer Domäne der Trainingsdaten, mit denen das maschinelle Lernsystem trainiert wurde, passt.
Das Verfahren gemäß Anspruch 1, wobei das Bestimmen des finalen Brechkraftwertes der einzusetzenden Intraokularlinse aus dem ersten Brechkraftwert und dem zweiten Brechkraftwert mittels des individuellen Boosting-Faktor-Wertes gemäß Folgendem erfolgt: $PowerlOL = BF * zweiter Brechkraftwert + (1 - BF) * erster Brechkraftwert,$
wobei PowerlOL = finaler Brechkraftwert der einzusetzenden Intraokularlinse, BF = Boosting-Faktor-Wert.
Das Verfahren gemäß Anspruch 1 oder 2, wobei eine Bestimmung des individuellen Boosting-Faktor-Wertes aufweist - Anwenden eines statischen Analyseverfahrens auf die ophthalmologischen Trainingsdaten und darauf basierend - Bestimmen eines Durchschnittsvektors, und - Bestimmen einer Kovarianz-Matrix.
Das Verfahren gemäß Anspruch 3, wobei die Bestimmung des individuellen Boosting-Faktor-Wertes aufweist: - Nutzen einer Multivariaten-Gauss-Funktion, die unter Nutzung der ophthalmologischen Trainingsdaten bestimmt wurde.
Das Verfahren gemäß Anspruch 4, wobei die Bestimmung des individuellen Boosting-Faktor-Wertes aufweist: - Skalieren eines Verteilungsdichtewertes, der sich als Ergebnis des Nutzens der Multivariaten-Gauss-Funktion ergibt, auf ein Intervall von [0, 1].
Das Verfahren gemäß einem der vorangegangenen Ansprüche, zusätzlich ausweisend: - Senden des finalen Brechkraftwertes und/oder des individuellen Boosting-Faktor-Wertes an mindestens ein Ausgabegerät.
Ein Computer-implementiertes Verfahren zum Bestimmen eines Zielrefraktionswertes basierend auf einer Brechkraft einer einzusetzenden Intraokularlinse, das Verfahren aufweisend - Messen von ophthalmologischen Patientendaten, - Empfangen eines Brechkraftwertes der einzusetzenden Intraokularlinse, - Bestimmen eines ersten Zielrefraktionswertes mittels eines physikalischen Modells, wobei die gemessenen ophthalmologischen Patientendaten und der Brechkraftwert der einzusetzenden Intraokularlinse als Eingangsdaten verwendet werden, - Bestimmen eines zweiten Zielrefraktionswertes mittels eines trainierten maschinellen Lernsystems, welches mit ophthalmologischen Trainingsdaten, jeweils zugehörigen Brechkraftwerten der einzusetzenden Intraokularlinse und jeweils zugehörigen Zielrefraktionswerten trainiert wurde, wobei die jeweils zugehörigen Zielrefraktionswerte als Ground-Truth-Daten zur Bestimmung eines entsprechenden maschinellen Lernmodells für das maschinelle Lernsystem dienen, wobei die gemessenen ophthalmologischen Patientendaten und der empfangene Brechkraftwert als Eingangsdaten für das trainierte maschinelle Lernsystems verwendet werden, und - Bestimmen eines finalen Zielrefraktionswertes aus dem ersten Zielrefraktionswert und dem zweiten Zielrefraktionswert mittels eines individuellen Boosting-Faktor-Wertes, wobei der Boosting-Faktor indikativ dafür ist, wie gut ein Patientenvektor, dessen Komponenten durch die gemessenen ophthalmologischen Eingangsdaten bestimmt ist, zu einer Domäne der Trainingsdaten, mit denen das maschinelle Lernsystem trainiert wurde, passt.
Ein System zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse, das System aufweisend - einen Prozessor, - einen mit dem Prozessor operativ zusammenwirkenden Speicher zum Speichern von Instruktionen, die, wenn sie von dem Prozessor ausgeführt werden, den Prozessor veranlassen zum - Messen von ophthalmologischen Patientendaten, - Empfangen eines Zielrefraktionswertes, - Bestimmen eines ersten Brechkraftwertes einer einzusetzenden Intraokularlinse mittels eines physikalischen Modells, wobei die gemessenen ophthalmologischen Patientendaten und der Zielrefraktionswert als Eingangsdaten verwendet werden, - Bestimmen eines zweiten Brechkraftwertes der einzusetzenden Intraokularlinse mittels eines trainierten maschinellen Lernsystems, welches mit ophthalmologischen Trainingsdaten, jeweils zugehörigen Zielrefraktionswerten und jeweils zugehörigen Brechkraftwerten einer einzusetzenden Intraokularlinse trainiert wurde, wobei die jeweils zugehörigen Brechkraftwerte einer einzusetzenden Intraokularlinse als Ground-Truth-Daten zur Bestimmung eines entsprechenden maschinellen Lernmodells für das maschinelle Lernsystem dienen, wobei die gemessenen ophthalmologischen Patientendaten und der empfangene Zielrefraktionswert als Eingangsdaten für das trainierte maschinelle Lernsystem verwendet werden, und - Bestimmen des finalen Brechkraftwertes der einzusetzenden Intraokularlinse aus dem ersten Brechkraftwert und dem zweiten Brechkraftwert mittels eines individuellen Boosting-Faktor-Wertes, wobei der Boosting-Faktor indikativ dafür ist, wie gut ein Patientenvektor, dessen Komponenten durch die gemessenen ophthalmologischen Eingangsdaten bestimmt ist, zu einer Domäne der Trainingsdaten, mit denen das maschinelle Lernsystem trainiert wurde, passt.
Ein System zum Bestimmen eines Zielrefraktionswertes basierend auf einer Brechkraft einer einzusetzenden Intraokularlinse, das System aufweisend - einen Prozessor, - einen mit dem Prozessor operativ zusammenwirkenden Speicher zum Speichern von Instruktionen, die, wenn sie von dem Prozessor ausgeführt werden, den Prozessor veranlassen zum Bestimmen eines Zielrefraktionswertes basierend auf einer Brechkraft einer einzusetzenden Intraokularlinse, das Verfahren aufweisend - Messen von ophthalmologischen Patientendaten, - Empfangen eines Brechkraftwertes der einzusetzenden Intraokularlinse, - Bestimmen eines ersten Zielrefraktionswertes mittels eines physikalischen Modells, wobei die gemessenen ophthalmologischen Patientendaten und der Brechkraftwert der einzusetzenden Intraokularlinse als Eingangsdaten verwendet werden, - Bestimmen eines zweiten Zielrefraktionswertes mittels eines trainierten maschinellen Lernsystems, welches mit ophthalmologischen Trainingsdaten, jeweils zugehörigen Brechkraftwerten der einzusetzenden Intraokularlinse und jeweils zugehörigen Zielrefraktionswerten trainiert wurde, wobei die jeweils zugehörigen Zielrefraktionswerte als Ground-Truth-Daten zur Bestimmung eines entsprechenden maschinellen Lernmodells für das maschinelle Lernsystem dienen, wobei die gemessenen ophthalmologischen Patientendaten und der empfangene Brechkraftwert als Eingangsdaten für das trainierte maschinelle Lernsystem verwendet werden, und - Bestimmen eines finalen Zielrefraktionswertes aus dem ersten Zielrefraktionswert und dem zweiten Zielrefraktionswert mittels eines individuellen Boosting-Faktor-Wertes, wobei der Boosting-Faktor indikativ dafür ist, wie gut ein Patientenvektor, dessen Komponenten durch die gemessenen ophthalmologischen Eingangsdaten bestimmt ist, zu einer Domäne der Trainingsdaten, mit denen das maschinelle Lernsystem trainiert wurde, passt.
Ein Computerprogrammprodukt zum Bestimmen eines Brechkraftwertes einer einzusetzenden Intraokularlinse, wobei das Computerprogrammprodukt ein Computer-lesbares Speichermedium aufweist, welches darauf gespeicherte Programminstruktionen aufweist, wobei die Programminstruktionen durch einen oder mehrere Computer oder Steuereinheiten ausführbar sind und den einen oder die mehreren Computer oder Steuereinheiten dazu veranlasst, das Verfahren entsprechend einem der Ansprüche 1 bis 6 auszuführen.
Ein Computerprogrammprodukt zum Bestimmen eines Zielrefraktionswertes basierend auf einer Brechkraft einer einzusetzenden Intraokularlinse, wobei das Computerprogrammprodukt ein Computer-lesbares Speichermedium aufweist, welches darauf gespeicherte Programminstruktionen aufweist, wobei die Programminstruktionen durch einen oder mehrere Computer oder Steuereinheiten ausführbar sind und den einen oder die mehreren Computer oder Steuereinheiten dazu veranlasst, das Verfahren entsprechend Anspruch 7 auszuführen.