JP2022517312A - 正視域予測を使用した眼内レンズ選択のためのシステム及び方法 - Google Patents

Abstract

正視域予測を使用した眼内レンズ（ＩＯＬ）選択のためのシステム及び方法は、眼の術前測定値を判定することと、術前測定値に基づいて、眼内レンズの術後前房深度（ＡＣＤ）を推定することと、術前測定値、及び推定された術後ＡＣＤに基づいて、ＩＯＬが移植された眼の術後の顕性屈折等価球面度数（ＭＲＳＥ）を推定することと、推定された術後ＭＲＳＥに基づいて、ＩＯＬが移植された眼が正視域にありそうかどうかを判定することと、判定されている正視域に基づいて、正視域予測モデル又は非正視域予測モデルを使用して、ＩＯＬが移植された眼の術後ＭＲＳＥを再推定することと、再推定された術後ＭＲＳＥをユーザに提供して、眼の移植用のＩＯＬの選択を支援することと、を含む。

Description

本開示は、正視域予測を使用して移植される眼内レンズの選択を支援するシステム及び方法に関する。

白内障手術では、眼の自然な水晶体を取り除き、ほとんどの場合、その自然な水晶体を人工の眼内レンズ（ＩＯＬ）と交換する。最適な術後の視力結果を得るために、良好な術前の手術計画が重要である。重要な術前計画の決定事項のうちのいくつかは、適切なＩＯＬタイプ及び度数を選択して、ＩＯＬ移植後の所望の顕性屈折等価球面度数（ＭＲＳＥ）を達成することである。

通常、ＩＯＬ予測式において使用される測定値は、光学及び／又は超音波バイオメータを使用して光軸上で取得される１次元測定値である。これらの従来の測定作業は、ＩＯＬタイプ及び度数の選択中の不正確さにつながり、その結果、患者の視力結果は最適とならない。

したがって、当該技術分野において、患者の視力結果の最適化につながる、移植用眼内レンズをより良好に選択するための技術が必要とされている。

いくつかの実施形態によれば、予測エンジンを実装する１つ以上のコンピューティングデバイスによって実行される方法は、眼の１つ以上の術前測定値を判定することと、眼の１つ以上の術前測定値に基づいて、眼内レンズ（ＩＯＬ）の術後前房深度（ＡＣＤ）を推定することと、眼の１つ以上の術前測定値、及び推定された術後ＡＣＤに基づいて、ＩＯＬが移植された眼の術後の顕性屈折等価球面度数（ＭＲＳＥ）を推定することと、推定された術後ＭＲＳＥに基づいて、ＩＯＬが移植された眼が正視域にありそうかどうかを判定することと、判定されている正視域に基づいて、正視域予測モデル又は非正視域予測モデルを使用して、ＩＯＬが移植された眼の術後ＭＲＳＥを再推定することと、再推定された術後ＭＲＳＥをユーザに提供して、眼の移植用のＩＯＬの選択を支援することと、を含む。

いくつかの実施形態によれば、予測エンジンは、１つ以上のプロセッサを含む。予測エンジンは、眼の１つ以上の術前測定値を判定し、眼の１つ以上の術前測定値に基づいて、眼内レンズ（ＩＯＬ）の術後前房深度（ＡＣＤ）を推定し、眼の１つ以上の術前測定値、及び推定された術後ＡＣＤに基づいて、ＩＯＬが移植された眼の術後の顕性屈折等価球面度数（ＭＲＳＥ）を推定し、推定された術後ＭＲＳＥに基づいて、ＩＯＬが移植された眼が正視域にありそうかどうかを判定し、判定されている正視域に基づいて、正視域予測モデル又は非正視域予測モデルを使用して、ＩＯＬが移植された眼の術後ＭＲＳＥを再推定し、再推定された術後ＭＲＳＥをユーザに提供して、眼の移植用のＩＯＬの選択を支援する、ように構成されている。

いくつかの実施形態によれば、１つ以上のプロセッサによって実行されると、１つ以上のプロセッサに方法を実行させるように適合された、複数の機械可読命令を含む非一時的機械可読媒体。方法は、眼の１つ以上の術前測定値を判定することと、眼の１つ以上の術前測定値に基づいて、眼内レンズ（ＩＯＬ）の術後前房深度（ＡＣＤ）を推定することと、眼の１つ以上の術前測定値、及び推定された術後ＡＣＤに基づいて、ＩＯＬが移植された眼の術後の顕性屈折等価球面度数（ＭＲＳＥ）を推定することと、推定された術後ＭＲＳＥに基づいて、ＩＯＬが移植された眼が正視域にありそうかどうかを判定することと、判定されている正視域に基づいて、正視域予測モデル又は非正視域予測モデルを使用して、ＩＯＬが移植された眼の術後ＭＲＳＥを再推定することと、再推定された術後ＭＲＳＥをユーザに提供して、眼の移植用のＩＯＬの選択を支援することと、を含む。

本技術、本技術の特徴、及び本技術の利点をより完全に理解するために、添付の図面と併せて、以下の説明を参照する。

図１は、いくつかの実施形態による、ＩＯＬ選択のためのシステムの図である。 図２は、いくつかの実施形態による、ＩＯＬを移植する方法の図である。 図３は、いくつかの実施形態による、眼及び眼の特徴の図である。 図４は、いくつかの実施形態による、ＩＯＬ及びＩＯＬ度数を評価する方法の図である。 図５Ａ及び図５Ｂは、いくつかの実施形態による、処理システムの図である。 図６は、いくつかの実施形態による、多層ニューラルネットワークの図である。

図面において、同一符号を有する要素は、同一又は類似の機能を有する。

発明の態様、実施形態、実装形態、又はモジュールを示すこの説明及び添付の図面は、限定するものとして解釈されるべきではなく、特許請求の範囲が、保護された発明を定義する。この説明及び特許請求の範囲の精神及び範囲から逸脱することなく、様々な機械的、構成的、構造的、電気的、及び動作上の変更を行うことができる。場合によっては、本発明をあいまいにしないために、周知の回路、構造、又は技術は、図示又は詳細に説明されていない。２つ以上の図の類似の番号は、同一又は類似の要素を表す。

この説明では、本開示と一致するいくつかの実施形態を説明する特定の詳細が示されている。実施形態の完全な理解を提供するために、多数の特定の詳細が示されている。しかしながら、これらの具体的詳細の一部又は全部なしにいくつかの実施形態が実践され得ることは、当業者には明らかであろう。本明細書に開示された特定の実施形態は、限定的でなく、例示的であるように意図される。当業者であれば、本明細書に具体的に説明されないが、この開示の範囲及び精神の範囲内にある他の要素を実現することができる。加えて、不必要な繰り返しを避けるために、一実施形態に関連して図示されて説明された１つ以上の特徴は、特に別途説明しない限り、又は１つ以上の特徴によって実施形態が機能しなくなる場合を除いて、他の実施形態に組み込まれ得る。

以下に説明する技術には、患者の術後ＭＲＳＥを推定することによって、新しい患者の移植後の視力結果をより良好に推定するためのシステム及び方法が含まれる。システム及び方法は、複数の予測モデルを使用して、それぞれのＩＯＬ及びＩＯＬ度数の術後ＭＲＳＥを推定して、外科医及び患者による、所望の術後の視力結果を提供する可能性が最も高いＩＯＬの選択を支援する。より具体的には、システム及び方法は、１つ以上のモデルを使用して、候補ＩＯＬが正視域内の術後の視力結果（すなわち、患者が眼鏡などの追加の補正レンズでＩＯＬを補う必要がない術後の視力結果）か、又は正視域外の術後の視力結果か、のいずれにつながりそうかを判定し、次いで、別々の予測モデルを使用して、正視域内の視力結果につながると予測されたＩＯＬと、正視域外の視力結果につながると予測されたＩＯＬとに対する術後ＭＲＳＥを推定する。

図１は、いくつかの実施形態による、ＩＯＬ選択のためのシステムのシステム１００を示している。システム１００は、ネットワーク１１５を介して１つ以上の診断訓練データソース１１０に結合されたＩＯＬ選択プラットフォーム１０５を含む。いくつかの実施例では、ネットワーク１１５は、１つ以上のスイッチングデバイス、ルータ、ローカルエリアネットワーク（例えば、イーサネット（登録商標））、広域ネットワーク（例えば、インターネット）などを含み得る。診断訓練データソース１１０のそれぞれは、眼科診療器、眼科クリニック、医科大学、電子医療記録（ＥＭＲ）リポジトリなどによって、利用可能なデータベース、データリポジトリなどであってもよい。診断訓練データソース１１０のそれぞれは、患者の術前及び術後の眼、手術計画データ、手術コンソールパラメータログ、手術合併症ログ、患者の病歴、患者の人口統計データ、移植されたＩＯＬに関する情報など、の多次元画像及び／又は測定値のうちの１つ以上の形態で、訓練データをＩＯＬ選択プラットフォーム１０５に提供することができる。ＩＯＬ選択プラットフォーム１０５は、訓練データを匿名化、暗号化、及び／又は他の方法で保護するように構成され得る１つ以上のデータベース１５５に訓練データを記憶することができる。

ＩＯＬ選択プラットフォーム１０５は、（以下でより詳細に説明するように）受信した訓練データを処理し、眼の測定値を抽出し、訓練データに対して生データ分析を実行し、機械学習アルゴリズム及び／又はモデルを訓練して、術前測定値に基づいて術後ＭＲＳＥを推定し、機械学習を繰り返し改良して、術後ＭＲＳＥを予測するために使用される様々なモデルを最適化し、将来の患者でのそれらの使用を改善して、術後の視力結果（例えば、ＩＯＬが移植された眼のより良好な光学特性）を改善することができる予測エンジン１２０を含む。いくつかの実施例では、予測エンジン１２０は、術前測定値と、１つ以上の診断訓練データソース１１０から得られた対応する術後結果とに基づいて訓練された１つ以上のモデル（例えば、１つ以上のニューラルネットワーク）を使用してもよい。

ＩＯＬ選択プラットフォーム１０５は、ネットワーク１１５を介して、眼科診療器１２５の１つ以上のデバイスに更に結合されている。１つ以上のデバイスには、診断デバイス１３０が含まれる。診断デバイス１３０は、患者１３５の眼の１つ以上の多次元画像及び／又は他の測定値を取得するために使用される。診断デバイス１３０は、光干渉断層計（ＯＣＴ）デバイス、回転カメラ（例えば、シャインプルーフカメラ）、磁気共鳴画像診断デバイス（ＭＲＩ）デバイス、角膜計、検眼器、光バイオメータなどの、眼の解剖学的構造の多次元画像及び／又は測定値を取得するための複数のデバイスのいずれかであってもよい。

眼科診療器１２５にはまた、患者１３５の多次元画像及び／又は測定値を診断デバイス１３０から取得し、それらをＩＯＬ選択プラットフォーム１０５に送信するための、１つ以上のコンピューティングデバイス１４０を含み得る。１つ以上のコンピューティングデバイス１４０は、スタンドアロンコンピュータ、タブレット及び／又は他のスマートデバイス、手術コンソール、診断デバイス１３０に統合されたコンピューティングデバイスなど、のうちの１つ以上であってもよい。

ＩＯＬ選択プラットフォーム１０５は、患者１３５の測定値を受信し、及び／又は測定値から値を計算し、予測エンジン１２０を使用して、様々なＩＯＬ及びＩＯＬ度数に対する術後ＭＲＳＥの推定値を生成することができる。次いで、予測エンジンを使用して、眼科診療器１２５及び／又は外科医若しくは他のユーザに様々なＩＯＬ及びＩＯＬ度数の推定された術後ＭＲＳＥを提供することによって、患者１３５用のＩＯＬ及びＩＯＬ度数の選択を支援することができる。

診断デバイス１３０は更に、選択されたＩＯＬを使用して患者が白内障の除去及びＩＯＬの移植を受けた後に、患者１３５の術後測定値を取得するために使用され得る。次いで、１つ以上のコンピューティングデバイス１４０は、患者１３５及び選択されたＩＯＬの術後多次元画像及び／又は測定値を、将来の患者で使用するために患者１３５からの情報を組み込むように、予測エンジン１２０によって使用されるモデルを反復的に訓練及び／又は更新する際に使用するＩＯＬ選択プラットフォーム１０５に送信することができる。

推定された術後ＭＲＳＥ、選択されたＩＯＬ、及び／又は選択されたＩＯＬ度数は、コンピューティングデバイス１４０、及び／又は別のコンピューティングデバイス、ディスプレイ、手術コンソールなどに表示され得る。加えて、ＩＯＬ選択プラットフォーム１０５及び／又は１つ以上のコンピューティングデバイス１４０は、以下でより詳細に説明するように、測定値で患者１３５の解剖学的構造の様々な特徴を特定することができる。さらに、ＩＯＬ選択プラットフォーム１０５及び／又は１つ以上のコンピューティングデバイス１４０は、患者の解剖学的構造及び／又は測定された特徴を特定、強調、及び／又は描写するグラフィック要素を作成してもよい。ＩＯＬ選択プラットフォーム１０５及び／又は１つ以上のコンピューティングデバイス１４０は、グラフィック要素で測定値を補足することができる。

いくつかの実施形態では、ＩＯＬ選択プラットフォーム１０５は、推定された術後ＭＲＳＥ、選択されたＩＯＬ、及び／又は選択されたＩＯＬ度数を使用する、眼科診療器１２５に対して１つ以上の手術計画を提供するために使用され得る手術プランナ１５０を更に含んでもよい。

いくつかの実施形態では、システム１００は、スタンドアロン手術プランナ１６０を更に含んでもよく、及び／又は眼科診療器１２５は、１つ以上のコンピューティングデバイス１４０上に手術プランナモジュール１７０を更に含んでもよい。

上述され、ここで更に強調されているように、図１は、特許請求の範囲を不当に制限するべきではない単なる例に過ぎない。当業者であれば、多くの変形、代替、及び修正を認識するであろう。いくつかの実施形態によれば、ＩＯＬ選択プラットフォーム１３０、並びに／又はデータベース１５５、予測エンジン１２０、及び／若しくは手術プランナ１５０などのＩＯＬ選択プラットフォーム１３０の１つ以上の構成要素は、眼科診療器１２５の１つ以上のデバイスに統合されてもよい。いくつかの実施例では、コンピューティングデバイス１４０は、ＩＯＬ選択プラットフォーム１０５、データベース１５５、予測エンジン１２０、及び／又は手術プランナ１５０をホストしてもよい。いくつかの実施例では、手術プランナ１５０は、手術プランナ１７０と組み合わされてもよい。

図２は、いくつかの実施形態による、ＩＯＬを移植する方法２００の図である。方法２００のプロセス２１０～２９０のうちの１つ以上は、少なくとも部分的に、非一時的で有形の機械可読媒体に記憶された実行可能コードの形態で実装され、実行可能コードは、１つ以上のプロセッサ（例えば、予測エンジン１２０、ＩＯＬ予測プラットフォーム、診断デバイス１３０、１つ以上のコンピューティングデバイス１４０、並びに／又は１つ以上の外科プランナ１５０、１６０、及び／若しくは１７０、のプロセッサ）によって実行されると、１つ以上のプロセッサに、１つ以上のプロセス２１０～２９０を実行させることができる。いくつかの実施形態によれば、プロセス２８０及び／又は２９０は、任意選択的であり、省略されてもよい。

プロセス２１０において、眼の１つ以上の術前測定値が判定される。いくつかの実施例では、術前測定値のうちの１つ以上は、診断デバイス１３０、ＯＣＴデバイス、回転（例えば、シャインプルーフ）カメラ、ＭＲＩデバイスなどの、診断デバイスを使用して取得された眼の１つ以上の術前画像から抽出することができる。いくつかの実施例では、術前測定値のうちの１つ以上は、診断デバイス１３０、角膜計、検眼器、光学バイオメータなどの、１つ以上の測定デバイスを使用して判定することができる。プロセス２１０は、いくつかの実施形態による、眼３００及び眼の特徴の図である図３のコンテキストで説明される。図３に示されるように、眼３００は、角膜３１０、前房３２０、及び水晶体３３０を含む。

いくつかの実施形態では、眼３００の対象となる１つの測定値は、角膜３１０の白から白までの直径である。いくつかの実施例では、角膜３１０の白から白までの直径は、光学バイオメータを使用して測定することができる。いくつかの実施例では、角膜３１０の白から白までの直径は、眼３００の１つ以上の画像を分析することによって判定することができる。いくつかの実施例では、１つ以上の画像を分析して、前房３２０の鼻角３４０及び側頭角３５０をそれぞれ特定することができる。いくつかの実施例では、前房３２０を特定する構造を特定し（例えば、１つ以上のエッジ検出及び／又は領域検出アルゴリズムを使用して）、前房３２０の側頭及び鼻の範囲に向かって位置する前房３２０のエッジでの鋭角に気付くことによって、前房３２０の鼻角３４０及び側頭角３５０を、１つ以上の画像から特定することができる。いったん特定されると、鼻角３４０と側頭角３５０との間の距離を測定して、角膜３１０の白から白までの直径を判定することができ、これは鼻角３４０と側頭角３５０との間の線３６０の長さに対応する。

いくつかの実施形態では、眼３００の対象となる１つの測定値は、角膜３１０の前面の平均角膜曲率測定値又は真円度である。いくつかの実施例では、角膜３１０の平均角膜曲率測定値は、眼３００の１つ以上の画像、角膜計などを使用して測定され得る。いくつかの実施例では、角膜３１０の平均角膜曲率測定値は、角膜３１０の急勾配の角膜曲率測定値及び浅い角膜曲率測定値の平均に基づき得る。いくつかの実施例では、角膜３１０の平均角膜曲率測定値は、３３７．５を平均角膜曲率測定値で割った、角膜３１０の曲率半径（ｒｃ）として表され得る。

いくつかの実施形態では、眼３００からの対象となる１つの測定値は、眼３００の中心軸３８０に沿って角膜３１０の前面から網膜まで測定された眼３００の軸長３７０である。いくつかの実施例では、軸長３７０は、眼球３００の１つ以上の画像、眼の生体測定値などを使用して判定され得る。

再度図２を参照すると、プロセス２２０において、眼の術前前房深度（ＡＣＤ）が推定される。図３の実施例では、術前ＡＣＤ３９０は、角膜３１０の後面と術前の水晶体３３０の前面との間の距離に対応する。いくつかの実施例では、術前ＡＣＤは、眼の１つ以上の幾何学的モデル、及び第１の補正モデルの組み合わせを使用して、推定することができる。いくつかの実施例では、１つ以上の幾何学的モデルのそれぞれが、角膜の曲率半径（ｒｃ）、眼の軸長、及びプロセス２１０中に測定された角膜の白から白までの直径に基づいて、術前ＡＣＤの初期推定値を提供する。いくつかの実施例では、眼の１つ以上の幾何学的モデルのそれぞれは、例えば、曲率半径、軸長、白から白までの直径、及び前房深度が既知である、以前の患者の眼からのデータに対する最小二乗アプローチを使用して、１つ以上の幾何学的モデルのそれぞれをフィッティングすることによって判定されてもよい。いくつかの実施例では、データは、データソース１１０などのデータソースに記憶されてもよい。術前ＡＣＤ、曲率半径、軸長、白から白までの直径の初期推定値のそれぞれは、次いで、術前ＡＣＤのより正確な見積もりを提供するために、術前ＡＣＤの１つ以上の初期推定値を改良する第１の補正モデルに渡される。いくつかの実施例では、第１の補正モデルは、以前の患者の眼からのデータを使用して訓練されたニューラルネットワークを含み得る。

プロセス２３０において、眼の術後前房深度（ＡＣＤ）が推定される。図３の実施例では、術後ＡＣＤ３９０は、角膜３１０の後面と、眼３００に移植されるＩＯＬの前面との間の距離に対応する。いくつかの実施例では、術後ＡＣＤは、プロセス２２０中に使用される眼の１つ以上の幾何学的モデルと、第１の予測モデルとの組み合わせを使用して推定することができる。プロセス２２０からの術前ＡＣＤの初期推定値、曲率半径、軸長、及び白から白までの直径のそれぞれは、次いで、術後ＡＣＤの推定を生成するために、第１の予測モデルに渡される。いくつかの実施例では、第１の予測モデルは、移植された各ＩＯＬに対する術後ＡＣＤに関する情報を含む、以前の患者の眼からのデータを使用して訓練されたニューラルネットワークを含み得る。

プロセス２４０において、１つ以上の候補眼内レンズ（ＩＯＬ）が特定される。いくつかの実施例では、利用可能なＩＯＬ、過去の経験、好み、患者の現在の視力の問題、患者の予測される視力結果などの１つ以上に基づいて、外科医又は他のユーザが１つ以上の候補ＩＯＬを選択することができる。１つ以上の候補ＩＯＬのそれぞれは、対応するタイプ及びＩＯＬ度数を有する。

プロセス２５０において、プロセス２４０中に特定された候補ＩＯＬのそれぞれに対して、術後の顕性屈折等価球面度数（ＭＲＳＥ）が推定される。ＭＲＳＥは、ジオプター（Ｄ）で示される。いくつかの実施形態によれば、候補ＩＯＬのそれぞれに対するＭＲＳＥは、図４に示される方法４００などの、ＩＯＬ及びＩＯＬ度数を評価する方法を使用して、判定することができる。方法４００のプロセス４１０～４５０のうちの１つ以上は、少なくとも部分的に、非一時的で有形の機械可読媒体に記憶された実行可能コードの形態で実装され、実行可能コードは、１つ以上のプロセッサ（例えば、予測エンジン１２０、ＩＯＬ予測プラットフォームなどのプロセッサ）によって実行されると、１つ以上のプロセッサに、１つ以上のプロセス４１０～４５０を実行させることができる。

プロセス４１０において、術後ＭＲＳＥが推定される。いくつかの実施例では、術後ＭＲＳＥは、プロセス２１０中に判定された白から白への直径、プロセス２１０中に判定された眼の平均角膜曲率測定値、プロセス２１０中に判定された軸長、プロセス２２０中に推定された術前ＡＣＤ、プロセス２３０中に推定された術後ＡＣＤ、評価されているＩＯＬのＩＯＬタイプ、評価されているＩＯＬのＩＯＬ度数などのうちの１つ以上に基づいて推定され得る。いくつかの実施例では、プロセス４１０は、評価されているＩＯＬが移植された偽水晶体眼を表すように構築された近軸モデルの眼を使用する光線追跡アプローチを使用してもよい。光線追跡モデルでは、眼に入射している光線は、角膜の前面、角膜の後面、ＩＯＬの前面、ＩＯＬの後面の順に通過し、その後最終的に網膜の表面に到達する。これらの表面のそれぞれの形状は、プロセス２１０中に判定された眼の測定値からのパラメータ、ＩＯＬの設計プロファイル、推定された術後ＡＣＤ、及び眼の既知のモデルを使用して、双円錐形として定義される。角膜、前房、眼の他の部分における眼の材料又は媒質の屈折率は、眼のモデル及び／又はＩＯＬのモデルから既知である。

いくつかの実施形態では、光線追跡を使用して、近軸モデルの眼から眼全体の波面を「測定」する。光線は網膜の中心（例えば、中心窩）から追跡され、角膜の前面に向かって全方向に放射する。角膜の前面の頂点には、平面が配置されている。眼を出ていくときの光線の平面との交差の軌跡と、対応する光路長とが記録される。いくつかの実施例では、直径３．５ｍの（例えば、入射瞳に対応する）円形アパーチャ内の光線データを使用して、眼全体の波面を計算する。

いくつかの実施例では、推定された術後ＭＲＳＥは、眼全体の波面の表現からゼルニケ多項式を使用して計算することができる。いくつかの実施例では、推定された術後ＭＲＳＥは、評価されているＩＯＬに対応するＩＯＬが移植された眼の球形及び円柱両方の屈折力の組み合わせを含む。光線追跡アプローチについては、Ｃａｎｏｖａｓ，“Ｃｕｓｔｏｍｉｚｅｄ Ｅｙｅ Ｍｏｄｅｌｓ ｆｏｒ Ｄｅｔｅｒｍｉｎｉｎｇ Ｏｐｔｉｍｉｚｅｄ Ｉｎｔｒａｏｃｕｌａｒ Ｌｅｎｓ Ｐｏｗｅｒ，”Ｂｉｏｍｅｄｉｃａｌ Ｏｐｔｉｃｓ Ｅｘｐｒｅｓｓ Ｖｏｌ．２（６），１６４９－１６６３，２０１１により詳細に記載されており、これは参照により本明細書に組み込まれる。

プロセス４２０において、プロセス４１０からの推定された術後ＭＲＳＥが補正される。いくつかの実施例では、推定された術後ＭＲＳＥは、第２の補正モデルを使用して補正され得る。第２の補正モデルは、プロセス２１０中に判定された眼の測定値（例えば、白から白までの直径、平均角膜曲率測定値、及び／若しくは軸長）、プロセス２３０中に推定された術後ＡＣＤ、並びに／又はプロセス４１０中に推定された術後ＭＲＳＥのうちの１つ以上を使用して、プロセス４１０中に推定された術後ＭＲＳＥに対する補正を判定することができる。いくつかの実施例では、第２の補正モデルは、推定された及び実際の術後ＭＲＳＥの両方を含む、以前の患者の眼からのデータを使用して訓練されたニューラルネットワークを含み得る。いくつかの実施例では、第２の補正モデルは、術後ＭＲＳＥの補正された推定値を取得するために、プロセス４１０中に推定された術後ＭＲＳＥに追加される補正値を判定することができる。

プロセス４３０において、評価されているＩＯＬが術後の眼を正視域に置くかどうかが判定される。いくつかの実施例では、術後ＭＲＳＥが眼の所望の術後ＭＲＳＥの半ジオプター以内である場合、術後の眼は正視域にあると見なされ、その結果、術後の眼に追加の補正レンズが必要となる可能性は低くなる。（例えば、所望の術後ＭＲＳＥと実際の術後ＭＲＳＥの絶対差とが、互いの半ジオプター以内である場合。）いくつかの実施例では、評価されているＩＯＬが術後の眼を正視域に置くかどうかは、プロセス４２０中に判定された術後ＭＲＳＥの補正された推定値と、眼の所望の術後ＭＲＳＥとの間で絶対差を取って、それが半ジオプター未満であるかどうかを確認することによって判定することができる。

いくつかの実施例では、術後ＡＣＤの補正された推定値は単なる推定値であるため、評価されているＩＯＬが術後の眼を正視域に置くかどうかのより堅牢なテストが好ましい場合がある。いくつかの実施例では、評価されているＩＯＬが術後の眼を正視域に置くかどうかを判定するためのより堅牢な分類器は、二変量密度分位数及び受信者動作特性（ＲＯＣ）曲線に基づくロジスティック回帰などの統計的手法を使用して開発することができる。いくつかの実施例では、このアプローチは、術後ＭＲＳＥの以前の補正された推定値、及び移植されたＩＯＬからの対応する実際の術後ＭＲＳＥ値を含むデータのペア間で、ロジスティック回帰曲線などの回帰曲線に適合し得る。次いで、二変量分位数を回帰曲線とともに使用して、実際の術後ＭＲＳＥが正視域内（例えば、所望の術後ＭＲＳＥの半ジオプター以内）にある可能性を予測する分類器を提供することができる。次に、ＲＯＣ曲線を使用して、移植されたＩＯＬが術後の眼を正視域に置くことを確実に結論付けるために超えるべきである可能性の閾値を判定することができる。ＲＯＣ曲線の使用は、術後の眼が正視域に入るかどうかに関して偽陽性及び偽陰性の判定をもたらす予測を説明し、それによって、回帰ベースの分類器の感度及び特異性の両方をより良好に最大化する分類アプローチを提供する。したがって、このアプローチを使用することにより、評価されているＩＯＬが術後の眼が正視域に入るかどうかの推定された可能性と、評価されているＩＯＬを使用して術後の眼が正視域に入ると結論付けるために超えるべき閾値の尤度とが提供される。ＲＯＣ曲線については、Ｇｒｅｉｎｅｒ ｅｔ ａｌ．，“Ｐｒｉｎｃｉｐｌｅｓ ａｎｄ Ｐｒａｃｔｉｃａｌ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ Ｒｅｃｅｉｖｅｒ－Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ Ａｎａｌｙｓｉｓ ｆｏｒ Ｄｉａｇｎｏｓｔｉｃ Ｔｅｓｔｓ，”Ｐｒｅｖｅｎｔｉｖｅ Ｖｅｔｅｒｉｎａｒｙ Ｍｅｄｉｃｉｎｅ，ｖ４５，２０００，２３－４１、及びＦａｗｃｅｔｔ，“Ａｎ Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ＲＯＣ Ａｎａｌｙｓｉｓ，”Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ，ｖ２７，２０００，８６１－８７４により詳細に記載されており、これらのいずれもが参照により本明細書に組み込まれる。

評価されているＩＯＬが術後の眼を正視域に置く可能性が高いと判定された場合（例えば、分類器によって予測された可能性がＲＯＣ曲線からの閾値以上である場合）、術後ＭＲＳＥは、プロセス４４０を使用して、正視域予測モデルを用いて再推定される。評価されているＩＯＬが術後の眼を正視域に置く可能性が低いと判定された場合、術後ＭＲＳＥは、プロセス４５０を使用して、非正視域予測モデルを用いて再推定される。

プロセス４４０において、正視域予測モデルを使用して、評価されているＩＯＬの術後ＭＲＳＥが再推定される。いくつかの実施例では、正視域予測モデルは、プロセス２１０中に判定された眼の測定値（例えば、白から白までの直径、平均角膜曲率測定値、及び／若しくは軸長）、並びに／又は術後ＭＲＳＥを再推定するためのプロセス２３０中に推定された術後ＡＣＤのうちの１つ以上を使用してもよい。いくつかの実施例では、正視域予測モデルは、術後の眼が正視域に置かれた場合の推定された及び実際の術後ＭＲＳＥの両方を含む、以前の患者の眼からのデータを使用して訓練されたニューラルネットワークを含み得る。いったん正視域予測モデルを使用して術後のＭＲＳＥが再推定されると、方法４００は終了する。

プロセス４５０おいて、非正視域予測モデルを使用して、評価されているＩＯＬの術後ＭＲＳＥを再推定する。いくつかの実施例では、非正視域予測モデルは、プロセス２１０中に判定された眼の測定値（例えば、白から白までの直径、平均角膜曲率測定値、及び／若しくは軸長）、並びに／又は術後ＭＲＳＥを再推定するためのプロセス２３０中に推定された術後ＡＣＤのうちの１つ以上を使用してもよい。いくつかの実施例では、非正視域予測モデルは、術後の眼が非正視域に置かれた場合の推定された及び実際の術後ＭＲＳＥの両方を含む、以前の患者の眼からのデータを使用して訓練されたニューラルネットワークを含み得る。いったん非正視域予測モデルを使用して術後のＭＲＳＥが再推定されると、方法４００は終了する。

再度図２を参照すると、プロセス２６０において、ＩＯＬが候補ＩＯＬの中から選択される。いくつかの実施例では、プロセス２６０は、移植のために適切なＩＯＬを選択できるように、ユーザインターフェースを介して、外科医、別のユーザ、及び／又は患者に情報を提供することを含み得る。いくつかの実施例では、情報には、プロセス２４０中に特定された候補ＩＯＬのそれぞれに対して、ＩＯＬタイプ、ＩＯＬ度数、プロセス２３０からの推定された術後ＡＣＤ、プロセス４３０からの正視域の判定、プロセス４２０からのＭＲＳＥの補正された術後推定値、プロセス４４０又は４５０からの再推定された術後ＭＲＳＥ（該当する場合）、再推定された術後ＭＲＳＥと所望の術後ＭＲＳＥとの間の差などを含み得る。いくつかの実施例では、候補ＩＯＬは、プロセス４３０からの正視域の判定に基づいてグループに分けられ、及び／又は再推定された術後ＭＲＳＥと所望の術後ＭＲＳＥとの間の実際の差又は絶対差に基づいて分類され得る。いくつかの実施例では、外科医又は他のユーザは、結果のリストから選択すること、リンクをクリックすること、ボタンを押すことなどによって、ＩＯＬを選択することができる。

プロセス２７０において、ＩＯＬが移植される。いくつかの実施例では、プロセス２６０中に選択されたＩＯＬが、外科医によって眼内に移植される。

プロセス２８０において、眼の１つ以上の術後測定値が取得される。いくつかの実施例では、１つ以上の術後測定値には、ＩＯＬの移植後のＩＯＬの実際の術後ＡＣＤ、ＩＯＬの移植後の実際の術後ＭＲＳＥ、実際の術後正視域の判定などを含み得る。いくつかの実施例では、実際の術後ＡＣＤ及び／又は実際の術後ＭＲＳＥは、術後の眼の１つ以上の画像、術後の眼の１つ以上の生理学的及び／又は光学的測定値などに基づいて判定され得る。

プロセス２９０において、方法２００及び／又は４００によって使用される１つ以上のモデルが更新される。いくつかの実施例では、プロセス２１０中に判定された１つ以上の術前測定値、プロセス２８０中に判定された実際の術後ＡＣＤ、実際の術後ＭＲＳＥ、実際の術後正視域の判定などが、プロセス２２０の１つ以上の幾何学的モデル、プロセス２２０の第１の補正モデル、プロセス２３０の第１の予測モデル、プロセス４２０の第２の補正モデル、プロセス４４０の正視域予測モデル、又はプロセス４５０の非正視域予測モデルのうちのいずれかの追加訓練データとして使用され得る。いくつかの実施例では、追加の訓練データは、データソース１１０などのデータソースに追加することができる。いくつかの実施例では、更新には、最小二乗適合の更新、ニューラルネットワークへのフィードバック（例えば、逆伝播を使用して）などのうちの１つ以上を含み得る。いくつかの実施例では、様々な候補ＩＯＬの術後ＭＲＳＥを正しく予測するそれらの能力に基づき、１つ以上の損失関数を使用して、１つ以上のモデルを訓練することができる。いくつかの実施例では、１つ以上の損失関数は、式１に従って判定された平均絶対誤差損失関数（ＭＡＰＥ）、及び／又は式２に従って判定された半ジオプター予測成功損失関数（ＭＡＥ）の確率を含むことができ、ここで、ＭＲＳＥＡｃｔｉ及びＭＲＳＥＥｓｔｉは、ｉ番目の訓練例の実際の及び推定された術後ＭＲＳＥであり、Ｎは訓練サンプルの数である。

図５Ａ及び図５Ｂは、いくつかの実施形態による処理システムの図である。図５Ａ及び５Ｂには２つの実施形態が示されているが、当業者であればまた、他のシステムの実施形態も可能であることを容易に理解するであろう。いくつかの実施形態によれば、図５Ａ及び／又は図５Ｂの処理システムは、ＩＯＬ選択プラットフォーム１０５、眼科診療器１２５、予測エンジン１２０、診断デバイス１３０、１つ以上のコンピューティングデバイス１４０、外科プランナ１５０、１６０、及び／又は１７０のいずれか、などのうちの１つ以上に含まれ得るコンピューティングシステムを代表している。

図５Ａは、システム５００の構成要素がバス５０５を使用して互いに電気通信しているコンピューティングシステム５００を示している。システム５００は、プロセッサ５１０と、読み出し専用メモリ（ＲＯＭ）５２０、ランダムアクセスメモリ（ＲＡＭ）５２５などの形態のメモリ（例えば、ＰＲＯＭ、ＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、及び／又は他のメモリチップ若しくはカートリッジ）を含む様々なシステム構成要素をプロセッサ５１０に結合するシステムバス５０５と、を含む。システム５００は更に、プロセッサ５１０に直接接続されるか、近接しているか、又はプロセッサ５１０の一部として統合されている、高速メモリのキャッシュ５１２を含み得る。システム５００は、プロセッサ５１０による高速アクセスのために、キャッシュ５１２を介してＲＯＭ５２０、ＲＡＭ５２５、及び／又は１つ以上の記憶デバイス５３０に記憶されたデータにアクセスすることができる。いくつかの実施例では、キャッシュ５１２は、メモリ５１５、ＲＯＭ５２０、ＲＡＭ５２５、及び／又はキャッシュ５１２に以前に記憶された１つ以上の記憶デバイス５３０からのデータにプロセッサ５１０がアクセスする際の遅延を回避するパフォーマンスブーストを提供してもよい。いくつかの実施例では、１つ以上の記憶デバイス５３０は、１つ以上のソフトウェアモジュール（例えば、ソフトウェアモジュール５３２、５３４、５３６など）を記憶する。ソフトウェアモジュール５３２、５３４、及び／又は５３６は、方法２００及び／又は３００のプロセスなどの様々なアクションを実行するために、プロセッサ５１０を制御し、及び／又は制御するように構成されてもよい。また、システム５００は１つのプロセッサ５１０のみを示しているが、プロセッサ５１０は、１つ以上の中央処理装置（ＣＰＵ）、マルチコアプロセッサ、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ（ＤＳＰ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、グラフィックス処理ユニット（ＧＰＵ）、テンソル処理ユニット（ＴＰＵ）などを代表し得ることが理解されよう。いくつかの実施例では、システム５００は、スタンドアロンサブシステムとして、及び／又はコンピューティングデバイスに追加されたボードとして、若しくは仮想マシンとして実装されてもよい。

ユーザがシステム５００と対話するのを可能にするために、システム５００は、１つ以上の通信インターフェース５４０及び／又は１つ以上の入出力（Ｉ／Ｏ）デバイス５４５を含む。いくつかの実施例では、１つ以上の通信インターフェース５４０は、１つ以上のネットワーク及び／又は通信バス規格に従って通信を提供するために、１つ以上のネットワークインターフェース、ネットワークインターフェースカードなどを含み得る。いくつかの実施例では、１つ以上の通信インターフェース５４０は、ネットワーク１１５などのネットワークを介してシステム５００と通信するためのインターフェースを含み得る。いくつかの実施例では、１つ以上のＩ／Ｏデバイス５４５には、１つ以上のユーザインターフェースデバイス（例えば、キーボード、ポインティング／選択デバイス（例えば、マウス、タッチパッド、スクロールホイール、トラックボール、タッチスクリーンなど））、オーディオデバイス（例えば、マイクロフォン及び／又はスピーカ）、センサ、アクチュエータ、ディスプレイデバイスなどを含み得る。

１つ以上の記憶装置５３０のそれぞれは、ハードディスク、光学媒体、ソリッドステートドライブなどによって提供されるもののような、非一時的及び不揮発性記憶装置を含み得る。いくつかの実施例では、１つ以上の記憶デバイス５３０のそれぞれは、システム５００（例えば、ローカル記憶デバイス）と同じ場所に配置され、及び／又はシステム５００から離れて配置され得る（例えば、クラウド記憶デバイス）。

図５Ｂは、本明細書に記載される方法（例えば、方法２００及び／又は３００）のいずれかを実行する際に使用され得るチップセットアーキテクチャに基づくコンピューティングシステム５５０を示している。システム５５０は、ソフトウェア、ファームウェア、及び／又は１つ以上のＣＰＵ、マルチコアプロセッサ、マイクロプロセッサ、マイクロコントローラ、ＤＳＰ、ＦＰＧＡ、ＡＳＩＣ、ＧＰＵ、ＴＰＵなどの他の計算を実行することができる、任意の数の物理的及び／又は論理的に別個のリソースを代表するプロセッサ５５５を含み得る。示されるように、プロセッサ５５５は、１つ以上のＣＰＵ、マルチコアプロセッサ、マイクロプロセッサ、マイクロコントローラ、ＤＳＰ、ＦＰＧＡ、ＡＳＩＣ、ＧＰＵ、ＴＰＵ、コプロセッサ、コーダ－デコーダ（ＣＯＤＥＣ）なども含む、１つ以上のチップセット５６０によって支援される。示されるように、１つ以上のチップセット５６０は、１つ以上のＩ／Ｏデバイス５６５、１つ以上の記憶デバイス５７０、メモリ５７５、ブリッジ５８０、及び／又は１つ以上の通信インターフェース５９０のうちの１つ以上と共に、プロセッサ５５５とインターフェースする。いくつかの実施例では、１つ以上のＩ／Ｏデバイス５６５、１つ以上の記憶デバイス５７０、メモリ、及び／又は１つ以上の通信インターフェース５９０は、図５Ａ及びシステム５００の同様に名付けられた対応物に対応し得る。

いくつかの実施例では、ブリッジ５８０は、１つ以上のキーボード、ポインティング／選択デバイス（例えば、マウス、タッチパッド、スクロールホイール、トラックボール、タッチスクリーンなど）、オーディオデバイス（例えば、マイク及び／又はスピーカ）、ディスプレイデバイスなどの、システム５５０に１つ以上のユーザインターフェース（ＵＩ）構成要素へのアクセスを提供するための追加のインターフェースを提供してもよい。

いくつかの実施形態によれば、システム５００及び／又は５６０は、方法２００及び／又は３００のプロセスの実行の際にユーザ（例えば、外科医及び／又は他の医療関係者）を支援するのに適したグラフィックユーザインターフェース（ＧＵＩ）を提供してもよい。ＧＵＩには、実行される次のアクションに関する命令、眼の術前及び／又は術後の画像などの注釈付き及び／又は注釈なしの解剖学的構造の図（例えば、図４に描写するような）、入力要求などを含み得る。いくつかの実施例では、ＧＵＩは、解剖学的構造などのトゥルーカラー画像及び／又はフォルスカラー画像を表示することができる。

図６は、いくつかの実施形態による多層ニューラルネットワーク６００の図である。いくつかの実施形態では、ニューラルネットワーク６００は、プロセス２２０、２３０、４２０、４４０、及び／又は４５０に関して説明され、且つ予測エンジン１２０によって使用される１つ以上のモデルのそれぞれを実装するために使用されるニューラルネットワークを代表し得る。ニューラルネットワーク６００は、入力層６２０を使用して入力データ６１０を処理する。いくつかの実施例では、入力データ６１０は、１つ以上のモデルに提供される入力データ、及び／又は１つ以上のモデルを訓練するために使用されるプロセス２９０中の更新時に１つ以上のモデルに提供される訓練データに対応し得る。入力層６２０は、スケーリング、範囲制限などによって入力データ６１０を調整するために使用される複数のニューロンを含む。入力層６２０の各ニューロンは、隠れ層６３１の入力に供給される出力を生成する。隠れ層６３１には、入力層６２０からの出力を処理する複数のニューロンが含まれる。いくつかの実施例では、隠れ層６３１のニューロンのそれぞれが出力を生成し、次いでその出力が、隠れ層６３９で終わる１つ以上の追加の隠れ層を介して伝播される。隠れ層６３９は、以前の隠れ層からの出力を処理する複数のニューロンを含む。隠れ層６３９の出力は、出力層６４０に供給される。出力層６４０は、スケーリング、範囲制限などによって隠れ層６３９からの出力を調整するために使用される１つ以上のニューロンを含む。ニューラルネットワーク６００のアーキテクチャは代表的なものに過ぎず、１つの隠れ層のみを有するニューラルネットワーク、入力層及び／又は出力層なしのニューラルネットワーク、リカレント層を有するニューラルネットワークなどを含む、他のアーキテクチャが可能であることを理解すべきである。

いくつかの実施例では、入力層６２０、隠れ層６３１～６３９、及び／又は出力層６４０のそれぞれは、１つ以上のニューロンを含む。いくつかの実施例では、入力層６２０、隠れ層６３１～６３９、及び／又は出力層６４０のそれぞれは、同じ数又は異なる数のニューロンを含み得る。いくつかの実施例では、ニューロンのそれぞれは、式３に示されるように、その入力ｘの組み合わせ（例えば、訓練可能な重み行列Ｗを使用した加重和）を取り、任意選択の訓練可能なバイアスｂを加え、活性化関数ｆを適用して、出力ａを生成する。いくつかの実施例では、活性化関数ｆは、線形活性化関数、上限及び／又は下限を有する活性化関数、対数シグモイド関数、双曲線タンジェント関数、整流線形単位関数などであり得る。いくつかの実施例では、ニューロンのそれぞれは、同じ又は異なる活性化関数を有し得る。
ａ＝ｆ（Ｗｘ＋ｂ） 式３

いくつかの実施例では、ニューラルネットワーク６００は、（例えば、プロセス２９０間に）入力データとグラウンドトゥルース（例えば、予期された）出力データとの組み合わせを含む訓練データの組み合わせである、教師あり学習を使用して訓練されてもよい。入力データ６１０用の入力データを使用して生成されたニューラルネットワーク６００の出力と、グラウンドトゥルース出力データと比較したニューラルネットワーク６００によって生成された出力データ６５０との差。生成された出力データ６５０とグラウンドトゥルース出力データとの間の差は、次いで、ニューラルネットワーク６００にフィードバックされて、様々な訓練可能な重み及びバイアスを補正することができる。いくつかの実施例では、確率的勾配降下アルゴリズムなどを使用する逆伝播技術を使用して、その差をフィードバックすることができる。いくつかの実施例では、訓練データの組み合わせの多数のセットが、全体的な損失関数（例えば、各訓練の組み合わせの差に基づく平均二乗誤差）が許容レベルに収束するまで、ニューラルネットワーク６００に複数回提示され得る。

上述の実施形態による方法は、非一時的で有形の機械可読媒体に記憶される実行可能命令として実装され得る。実行可能命令は、１つ以上のプロセッサ（例えば、プロセッサ５１０及び／又はプロセス５５５）によって実行されると、１つ以上のプロセッサに、方法２００及び／又は４００のプロセスのうちの１つ以上を実行させることができる。方法２００及び／又は４００のプロセスを含み得る機械可読媒体のいくつかの一般的な形態は、例えば、フロッピー（登録商標）ディスク、フレキシブルディスク、ハードディスク、磁気テープ、任意の他の磁気媒体、ＣＤ－ＲＯＭ、任意の他の光学媒体、パンチカード、紙テープ、穴のパターンを有する任意の他の物理的媒体、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、任意の他のメモリチップ若しくはカートリッジ、及び／又はプロセッサ若しくはコンピュータが読み取るように適合されている任意の他の媒体である。

これらの開示による方法を実装するデバイスは、ハードウェア、ファームウェア、及び／又はソフトウェアを含むことができ、且つ様々なフォームファクタのいずれかを取ることができる。そのようなフォームファクタの典型的な例としては、ラップトップ、スマートフォン、スモールフォームファクタのパーソナルコンピュータ、携帯情報端末などが挙げられる。本明細書で記載されている機能性の一部はまた、周辺機器及び／又はアドインカードで具体化されてもよい。そのような機能性はまた、更なる例として、単一のデバイスにおいて実行される異なるチップ又は異なるプロセスの中から回路基板上に実装されてもよい。

例示的な実施形態が示され、説明されてきたが、前述の開示では広範囲の修正、変更、及び置換が想定されており、場合によっては、実施形態のいくつかの特徴は、他の特徴の対応する使用なしに利用されてもよい。当業者であれば、多くの変形、代替、及び修正を認識するであろう。したがって、本発明の範囲は、以下の特許請求の範囲によってのみ限定されるべきであり、特許請求の範囲は、本明細書に開示される実施形態の範囲と一致する方法で広く解釈されることが適切である。

Claims (15)

1. 方法であって、
   予測エンジンを実装する１つ以上のコンピューティングデバイスによって、眼の１つ以上の術前測定値を判定することと、
   前記予測エンジンによって、前記眼の前記１つ以上の術前測定値に基づいて、眼内レンズ（ＩＯＬ）の術後前房深度（ＡＣＤ）を推定することと、
   前記予測エンジンによって、前記眼の前記１つ以上の術前測定値、及び前記推定された術後ＡＣＤに基づいて、前記ＩＯＬが移植された前記眼の術後の顕性屈折等価球面度数（ＭＲＳＥ）を推定することと、
   前記予測エンジンによって、前記推定された術後ＭＲＳＥに基づいて、前記ＩＯＬが移植された前記眼が正視域にありそうかどうかを判定することと、
   前記予測エンジンによって、前記判定されている正視域に基づいて、正視域予測モデル又は非正視域予測モデルを使用して、前記ＩＯＬが移植された前記眼の前記術後ＭＲＳＥを再推定することと、
   前記予測エンジンによって、前記再推定された術後ＭＲＳＥをユーザに提供して、前記眼の移植用のＩＯＬの選択を支援することと、を含む、方法。
2. 前記術後ＡＣＤを推定することが、
   前記眼の幾何学的モデルを使用して、第１の推定値を生成することと、
   ニューラルネットワークベースの予測モデルを使用して、前記第１の推定値を更新することと、を含む、請求項１に記載の方法。
3. 前記術後ＭＲＳＥを推定することが、前記眼のモデルを使用する光線追跡アルゴリズムを使用して、前記術後ＭＲＳＥの第１の推定を生成することを含む、請求項１に記載の方法。
4. 前記術後ＭＲＳＥを推定することが、ニューラルネットワークベースの補正モデルを使用して、前記術後ＭＲＳＥの前記第１の推定値を補正することを更に含む、請求項３に記載の方法。
5. 前記ＩＯＬが移植された前記眼が前記正視域にあるかどうかを判定することが、分類器及び受信者動作特性曲線を使用することを含む、請求項１に記載の方法。
6. 前記正視域予測モデルが、ニューラルネットワークを含み、
   前記非正視域予測モデルが、ニューラルネットワークを含む、請求項１に記載の方法。
7. 前記眼の前記術前測定値が、
   前記眼の角膜の白から白までの直径、
   前記角膜の平均角膜曲率測定値、
   及び前記眼の軸長、からなる群のうちの１つ以上を含む、請求項１に記載の方法。
8. 第２のＩＯＬの術後ＭＲＳＥを推定及び再推定することと、
   前記ＩＯＬの前記再推定された術後ＭＲＳＥ、及び前記第２のＩＯＬの前記再推定された術後ＭＲＳＥを前記ユーザに提示して、前記眼の移植用の前記ＩＯＬの前記選択時に前記ユーザを支援することと、を更に含み、
   前記ＩＯＬ及び前記第２のＩＯＬが、異なるＩＯＬ度数を有する、請求項１に記載の方法。
9. 前記ＩＯＬが移植された前記眼の１つ以上の術後測定値を判定することと、
   前記眼の前記１つ以上の術後測定値に基づいて、前記予測エンジンによって使用される１つ以上のモデルを更新することと、を更に含む、請求項１に記載の方法。
10. 前記予測エンジンによって、前記眼の前記１つ以上の術前測定値に基づいて、前記眼の水晶体の術前ＡＣＤを推定することと、
    前記推定された術前ＡＣＤに基づいて、前記術後ＡＣＤを更に推定することと、を更に含む、請求項１に記載の方法。
11. 予測エンジンであって、
    １つ以上のプロセッサを備え、
    前記予測エンジンが、
    眼の１つ以上の術前測定値を判定し、
    前記眼の前記１つ以上の術前測定値に基づいて、眼内レンズ（ＩＯＬ）の術後前房深度（ＡＣＤ）を推定し、
    前記眼の前記１つ以上の術前測定値、及び前記推定された術後ＡＣＤに基づいて、前記ＩＯＬが移植された前記眼の術後の顕性屈折等価球面度数（ＭＲＳＥ）を推定し、
    前記推定された術後ＭＲＳＥに基づいて、前記ＩＯＬが移植された前記眼が正視域にありそうかどうかを判定し、
    前記判定されている正視域に基づいて、正視域予測モデル又は非正視域予測モデルを使用して、前記ＩＯＬが移植された前記眼の前記術後ＭＲＳＥを再推定し、
    前記再推定された術後ＭＲＳＥをユーザに提供して、前記眼の移植用のＩＯＬの選択を支援する、ように構成されている、予測エンジン。
12. 前記術後ＡＣＤを推定するために、前記予測エンジンが、
    前記眼の幾何学的モデルを使用して、第１の推定値を生成し、
    ニューラルネットワークベースの予測モデルを使用して、前記第１の推定値を更新する、ように構成されている、請求項１１に記載の予測エンジン。
13. 前記ＩＯＬが移植された前記眼が前記正視域にあるかどうかを判定するために、前記予測エンジンが、分類器及び受信者動作特性曲線を使用するように構成されている、請求項１１に記載の予測エンジン。
14. 前記正視域予測モデルが、ニューラルネットワークを含み、
    前記非正視域予測モデルが、ニューラルネットワークを含む、請求項１１に記載の予測エンジン。
15. 前記予測エンジンが、
    第２のＩＯＬの術後ＭＲＳＥを推定及び再推定し、
    前記ＩＯＬの前記再推定された術後ＭＲＳＥ、及び前記第２のＩＯＬの前記再推定された術後ＭＲＳＥを前記ユーザに提示して、前記眼の移植用の前記ＩＯＬの前記選択時に前記ユーザを支援する、ように更に構成されており、
    前記ＩＯＬ及び前記第２のＩＯＬが、異なるＩＯＬ度数を有する、請求項１１に記載の予測エンジン。

Images