JP2023506940A

JP2023506940A - 機械学習モデル及び波面分析に基づく視力品質評価

Info

Publication number: JP2023506940A
Application number: JP2022537196A
Authority: JP
Inventors: サランガパニラメシュ; ボントレスマーク
Original assignee: アルコンインコーポレイティド
Priority date: 2019-12-19
Filing date: 2020-12-18
Publication date: 2023-02-20
Also published as: WO2021124285A1; CA3158689A1; US11931104B2; AU2020409013A1; CN114845626A; EP4076141A1; US20210186323A1

Abstract

眼（Ｅ）の視力品質を評価するシステム（１０）及び方法が提示されており、コントローラ（Ｃ）は、プロセッサ（Ｐ）と、命令が記録されている有形の非一時的メモリ（Ｍ）とを有する。コントローラ（Ｃ）は、少なくとも１つの機械学習モデル（３５、３６、３８）を選択的に実行するよう構成されている。プロセッサ（Ｐ）による命令の実行により、コントローラ（Ｃ）に、眼の波面収差データを受信してゼルニケ多項式のコレクションとして波面収差データを表現する。コントローラ（Ｃ）は、ゼルニケ多項式のコレクションに基づいて複数の入力係数を取得する（１２０）ように構成され、複数の入力係数は、複数の入力係数を分析するように訓練された、少なくとも１つの機械学習モデル（３５、３６、３８）に供給される（１２０）。機械学習モデル（３５、３６、３８）は、複数の入力係数に部分的に基づいて、少なくとも１つの視力補正係数を生成する（１３０）。

Description

本開示は、概して、少なくとも１つの機械学習モデル及び波面分析に基づいて、眼の視力品質を評価するシステム及び方法に関する。

人間は、５つの基本的な感覚、すなわち、視覚、聴覚、嗅覚、味覚、及び触覚を有している。視覚は、我々の周りの世界を視覚化する能力を我々に与え、我々を我々の周囲に結び付けている。幾つかの科学報告書によれば、脳は、他の４つの感覚を合わせたものよりも多くの空間を視覚情報の処理及び記憶に充てており、視覚の重要性を強調している。世界中の多くの人々は、主に屈折異常に起因する、視力品質での問題を抱えている。眼の屈折異常は、一般的に、低次収差及び高次収差に分類され得る。低次収差には、近視、遠視、並びに乱視が含まれる。高次収差には、コマ収差、トレフォイル収差、及び球面収差などの多くの様々な収差が含まれる。従来の眼の検査手順は、眼の低次収差のみを評価する視力品質の評価に終わる。

本明細書で開示されるものは、眼の視力品質を評価するシステム及び方法であり、コントローラは、プロセッサと、命令が記録されている有形の非一時的メモリとを有する。コントローラは、少なくとも１つの機械学習モデルを選択的に実行するように構成されている。プロセッサによる命令の実行により、コントローラに、眼の波面収差データを受信して、ゼルニケ多項式のコレクションとして波面収差データを表現させる。コントローラは、ゼルニケ多項式のコレクションに基づいて、複数の入力係数を取得するように構成されている。複数の入力係数は、複数の入力係数を分析するように訓練された、少なくとも１つの機械学習モデルに供給される。機械学習モデルは、複数の入力係数に部分的に基づいて、少なくとも１つの視力補正係数を生成する。視力補正係数は、視力補正処置／屈折補正手術中に眼を再形成するためのレーザデバイス内にプログラムされ得る。視力補正係数は、眼鏡、コンタクトレンズ、及び／又は眼の眼内レンズの選択を支援するために使用され得る。

複数の入力係数には、焦点ぼけ、一次球面収差、斜め非点収差、及び垂直非点収差に対するそれぞれの波面係数が含まれ得る。視力補正係数は、自覚的屈折検査に基づく等価球面度数（ｍａｎｉｆｅｓｔｒｅｆｒａｃｔｉｏｎｓｐｈｅｒｉｃａｌｅｑｕｉｖａｌｅｎｔ）であり得る。視力補正係数は、ｌｏｇＭＡＲ（最小分解能角度の対数）の未補正視力係数であり得る。少なくとも１つの機械学習モデルは、ニューラルネットワーク及び／又はサポートベクトル回帰モデルを組み込むことができる。

機械学習モデルは、第１の機械学習モデル及び第２の機械学習モデルを含み得る。第１の機械学習モデルの訓練は、それぞれの波面収差測定値、及び第１の患者のセットのそれぞれの測定された自覚的屈折検査に基づく等価球面度数値を有する、第１の訓練データセットを受信することを含み得る。第１の訓練入力値は、それぞれの波面収差測定値に基づいて取得され、第１の機械学習モデルのそれぞれの入力層に適用される。それぞれの測定された自覚的屈折検査に基づく等価球面度数値は、術前データ及び術後データを含み得る。それぞれの測定された自覚的屈折検査に基づく等価球面度数値は、第１の機械学習モデルのそれぞれの出力層に供給され得る。

第１の訓練入力値は、第１の機械学習モデルのそれぞれのノードに関連する第１の複数の重み値を生成するために使用され得る。第１の訓練データセットにおける第１の患者のセットは、第１の事前定義された最大値及び第１の事前定義された最小値内に適合しているそれぞれの健康状態及び／又はそれぞれの生体測定パラメータによって特徴付けられ得る。それぞれの生体測定パラメータは、前房の深さ、レンズの厚さ、レンズの直径、又は他の寸法であり得る。

第２の機械学習モデルの訓練は、それぞれの波面収差測定値、及び第２の患者のセットのそれぞれの測定された自覚的屈折検査に基づく等価球面度数値を有する、第２の訓練データセットを受信することを含み得る。第２の訓練入力値は、それぞれの波面収差測定値に基づいて取得される。第２の訓練入力値は、第２の機械学習モデルのそれぞれの入力層に適用される。それぞれの測定された自覚的屈折検査に基づく等価球面度数値は、第２の機械学習モデルのそれぞれの出力層に供給される。第２の訓練入力値は、第２の機械学習モデルのそれぞれのノードに関連する第２の複数の重み値を生成するために使用され得る。第２の訓練データセットにおける第２の患者のセットは、第２の事前定義された最大値及び第２の事前定義された最小値内に適合しているそれぞれの健康状態及び／又はそれぞれの生体測定パラメータによって特徴付けられ得る。

本開示の上記の特徴及び利点並びに他の特徴及び利点は、本開示を実施するための最良の態様の以下の詳細な説明を添付の図面と併せて読めば容易に明らかとなる。

図１は、コントローラを有する、眼の視力品質を評価するためのシステムの概略図である。図２は、図１のコントローラによって実行可能な方法の概略フローチャートである。図３は、図１のコントローラによって実行可能なニューラルネットワークの概略例である。図４は、図１のコントローラによって実行可能なサポートベクトル回帰（ｓｕｐｐｏｒｔｖｅｃｔｏｒｒｅｇｒｅｓｓｉｏｎ、ＳＶＲ）ネットワークの概略例である。図５は、術前データに対する自覚的屈折検査に基づく等価球面度数の測定値（縦軸）及び予測値（横軸）を示す概略グラフである。図６は、術後データに対する自覚的屈折検査に基づく等価球面度数の測定値（縦軸）及び予測値（横軸）を示す概略グラフである。図７は、術前及び術後のデータに対するｌｏｇＭＡＲ（最小分解能角度の対数）の未補正視力の測定値（縦軸）及び予測値（横軸）を示す概略グラフである。

同様の参照番号が同様の構成要素を指す図面を参照すると、図１は、眼Ｅの視力品質を評価するためのシステム１０を概略的に示している。以下に説明するように、システム１０は、１つ以上の機械学習モデルを利用するロバストなアプローチを採用して、視力品質の評価を最適化し、結果として視力品質の予測の成功率を高める。図１を参照すると、システム１０は、光のビーム１６を眼Ｅに投射するように構成された光源１４を有する屈折デバイス１２を含む。ビーム１６は、網膜Ｒによって反射される。図１を参照すると、反射光２０は、レンズ２２を通過した後、波面２４として眼Ｅを出ていく。波面２４は、眼Ｅの物理的構造に対する特有の歪みによって特徴付けられる。

図１を参照すると、波面２４は、レンズレットアレイ２６によって捕捉され、センサ３０によって検出される。眼Ｅの収差マップは、捕捉された波面２４の形状を、（波面２４が眼Ｅの瞳孔を通過するときに）同じ瞳孔サイズを有する事前にプログラムされた基準波面の形状と比較することによって作成される。例えば、その２つの間の差のポイントが、特定のポイントにおいて取得され得る。屈折デバイス１２は、関連するビームガイド要素（図示せず）、電子構成要素、及び当業者が利用可能な他の構成要素を含み得る。屈折デバイス１２は、多くの異なる形態をとり、且つ複数の及び／又は代替の構成要素を含み得ることが理解される。

図１を参照すると、システム１０は、センサ３０からデータを受信するように構成されたコントローラＣを含む。コントローラＣは、屈折デバイス１２に組み込まれ得る。図１を参照すると、コントローラＣは、短距離ネットワーク３２を介して、屈折デバイス１２及び他のエンティティと通信するように構成され得る。短距離ネットワーク３２は、無線であってもよいし、又は物理的な構成要素を含んでもよい。短距離ネットワーク３２は、例えばローカルエリアネットワークの形態のシリアル通信バスなど、様々な方法で実施されたバスであってもよい。ローカルエリアネットワークは、コントローラエリアネットワーク（ＣＡＮ）、コントローラエリアネットワークウィズフレキシブルデータレート（ＣｏｎｔｒｏｌｌｅｒＡｒｅａＮｅｔｗｏｒｋｗｉｔｈＦｌｅｘｉｂｌｅＤａｔａＲａｔｅ、ＣＡＮ－ＦＤ）、イーサネット、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ、及び他のデータ接続形態を含み得るが、これらに限定されない。短距離ネットワーク３２は、インターネットデバイス間及びデバイスとインターネットとの間の通信を簡素化することを目的とした短距離無線技術（ｒａｄｉｏｔｅｃｈｎｏｌｏｇｙ）（又は無線技術（ｗｉｒｅｌｅｓｓｔｅｃｈｎｏｌｏｇｙ））であると定義される、Ｂｌｕｅｔｏｏｔｈ（登録商標）接続であってもよい。Ｂｌｕｅｔｏｏｔｈ（登録商標）は、固定及びモバイル電子デバイスデータを短距離で伝送し、２．４ＧＨｚ帯で動作するパーソナルネットワークを構築するためのオープン無線技術規格である。他のタイプの接続が採用されてもよい。

図１を参照すると、コントローラＣは、ディスプレイユニットを含み得るユーザインターフェース３４と通信することができる。加えて、コントローラＣは、長距離ネットワーク４４を介して、リモートサーバ４０及び／又はクラウドユニット４２と通信するように構成され得る。リモートサーバ４０は、例えば、研究機関、企業、大学、及び／又は病院などの組織によって維持されている私的又は公的な情報源であってもよい。クラウドユニット４２は、データの格納、管理、及び処理を行うためにインターネット上でホストされる１つ以上のサーバを備えてもよい。長距離ネットワーク４４は、複数のデバイスを無線分散方式で繋ぐ無線ローカルエリアネットワーク（ＬＡＮ）、いくつかの無線ＬＡＮを接続する無線メトロポリタンエリアネットワーク（ＭＡＮ）、又は近隣の市町村などの広い地域をカバーする無線ワイドエリアネットワーク（ＷＡＮ）であってもよい。他のタイプの接続が採用されてもよい。

コントローラＣは、図１に示すモバイルアプリケーション４６を介して、リモートサーバ４０との無線通信を受信及び送信するように構成され得る。モバイルアプリケーション４６は、コントローラＣのデータにアクセスできるように、短距離ネットワーク３２を介してコントローラＣと通信し得る。一例では、モバイルアプリケーション４６は、コントローラＣに物理的に接続（例えば、有線接続）される。別の例では、モバイルアプリケーション４６は、コントローラＣに組み込まれる。当業者が利用できるリモートサーバ４０及びモバイルアプリケーション４６（「アプリ」）の回路及び構成要素が採用されてもよい。

コントローラＣは、少なくとも１つのプロセッサＰと、方法１００を実行するための命令が記録された少なくとも１つのメモリＭ（又は有形の非一時的コンピュータ読取可能記憶媒体）とを有する。方法１００を図２に示し、それを参照して以下に説明する。コントローラＣは、図１に示される第１の機械学習モデル３６及び第２の機械学習３８などの１つ以上の機械学習モデル３５（以降、「１つ以上」は省略される）を選択的に実行するように特にプログラムされている。コントローラＣは、短距離ネットワーク３２、長距離ネットワーク４４、及び／又はモバイルアプリケーション４６を介して、機械学習モデル３５にアクセスすることができる。或いは、機械学習モデル３５は、コントローラＣに組み込まれていてもよい。機械学習モデル３５は、それぞれのコスト関数を最小化するパラメータ、重み、又は構造を見つけ、且つそれぞれの回帰モデルを組み込むことができるように構成され得る。

ここで図２を参照すると、図１のコントローラＣによって実行可能な方法１００のフロー図を示している。方法１００は、本明細書に記載された特定の順序で適用される必要はなく、いくつかのブロックが省略されてもよい。メモリＭは、コントローラ実行可能命令セットを格納することができ、プロセッサＰは、メモリＭに格納されたコントローラ実行可能命令セットを実行することができる。

図２のブロック１１０ごとに、コントローラＣは、眼Ｅの波面収差データを受信し、それをゼルニケ多項式のコレクションに関して変換又は表現するように構成されている。波面収差データ（Ａ）は、

であるように、円上の直交多項式のセットに分解され、ここで、ａ_ｉ，ｊは眼Ｅ上で測定されたそれぞれの波面係数であり、

はゼルニケ多項式を表す。各ゼルニケ多項式は、眼Ｅを通過した後の波面２４上の特定のポイントに存在する収差のタイプ又は種類を表す。

コントローラＣは、ゼルニケ多項式のコレクションに基づいて複数の入力係数を取得するように構成されており、複数の入力係数は、眼Ｅ上で測定されたそれぞれの波面係数の１つ以上である。一例では、コントローラＣは２つの入力係数、すなわち、焦点ぼけに対するそれぞれの波面係数

及び一次球面収差

を使用する。別の例では、コントローラＣは、４つの入力係数、すなわち、焦点ぼけに対するそれぞれの波面係数

、一次球面収差

、斜め非点収差

、及び垂直非点収差

を使用する。

図２のブロック１２０ごとに、方法１００は、複数の入力係数を、複数の入力係数を分析するように訓練された機械学習モデル３５に供給することを含む。図２のブロック１３０ごとに、コントローラＣは、複数の入力係数に部分的に基づいて、機械学習モデル３５を実行することによって少なくとも１つの視力補正係数を生成するように構成されている。視力補正係数には、屈折の成分、すなわち、球面、円柱、及び等価球面度数が含まれてもよく、自覚的屈折検査に基づく等価球面度数（ＭＲＳＥ）として表され得る。視力補正係数は、ｌｏｇＭＡＲ（最小分解能角度の対数）の未補正視力係数として表され得る。視力補正係数は、屈折補正手術のための切除プロファイルを確立するために、並びに眼鏡、コンタクトレンズ、及び／又は眼の眼内レンズの選択を支援するために使用され得る。加えて、コントローラＣは、長距離ネットワーク４４を介して、クラウド４２及び／又はリモートサーバ４０内に（眼Ｅの）患者用の患者プロファイルを作成し、且つ視力補正係数を患者プロファイル内にアップロード又は「記憶」するように構成され得る。

図１の機械学習モデル３５は、ニューラルネットワークを含んでもよく、その例が図３に示されている。図３を参照すると、ニューラルネットワーク２００は、入力層２０１、少なくとも１つの隠れ層２２０、及び出力層２４０を含む、少なくとも３つの層を有するフィードフォワード人工ニューラルネットワークである。各層は、入力の線形和のアフィン変換を実行するように構成されたそれぞれのノードＮで構成されている。それぞれのノードＮは、それぞれのバイアス及びそれぞれの重み付けリンクによって特徴付けられる。それぞれのノードＮのパラメータは、他のものから独立していてもよく、すなわち、重みの一意のセットによって特徴付けられ得る。入力層２０１は、第１の入力ノード２０２、第２の入力ノード２０４、第３の入力ノード２０６、第４の入力ノード２０８、第５の入力ノード２１０、及び第６の入力ノード２１２を含み得る。入力層２０１内のそれぞれのノードＮは、入力を受け取り、それらを正規化し、且つそれらを隠れ層２２０内のそれぞれのノードＮに転送する。

図３を参照すると、隠れ層２２０は、第１の隠れノード２２２、第２の隠れノード２２４、第３の隠れノード２２６、第４の隠れノード２２８、及び第５の隠れノード２３０を含み得る。後続の層のそれぞれのノードＮは、前の層の出力の線形結合を計算する。３層を有するネットワークは、活性化関数ｆ（ｘ）＝ｆ（３）（ｆ（２）（ｆ（１）（ｘ）））を形成する。活性化関数ｆは、出力層２４０内のそれぞれのノードＮに対して線形であり得る。活性化関数ｆは、隠れ層２２０のシグモイドであり得る。出力ベクトルｙを特徴付ける連続関数を近似するために、シグモイドの線形結合が使用され得る。ニューラルネットワーク２００によって認識されたパターンは、数値形式に翻訳又は変換され、ベクトル又は行列に組み込まれ得る。

機械学習モデル３５は、サポートベクトル回帰モデル３００を含むことができ、その例が図４に示されている。サポートベクトル回帰モデル３００は、データポイント３０２がこの関数からのマージン３０６内にあるように、すなわち、第１の境界線３０８及び第２の境界線３１０の内側にあるように、関数（図４の超平面３０４）を見つけるように構成されている。図４を参照すると、超平面３０４は、入力ベクトルｘを出力ベクトルｙにマッチさせる、すなわち目標値を予測する線として定義され得る。超平面３０４は、マージン３０６を最大化し、事前定義された誤差を最小化するように個別化される。マージン３０６の外にあるポイント（外部ポイント３１２など）がある場合、ペナルティがサポートベクトル回帰モデル３００に組み込まれてもよい。超平面３０４を決定する前に、サポートベクトル回帰モデル３００は、低次元のデータセットを高次元のデータセットに対応させるためにカーネル関数を採用してもよい。当業者が利用できる他の機械学習モデルが採用されてもよい。

機械学習モデル３５は、ディープラーニングマップを使用して、ｆ（ｘ）がｙにマッピングされるように活性化関数ｆを学習することによって、入力ベクトルｘを出力ベクトルｙにマッチさせることができる。訓練プロセスにより、機械学習モデル３５は、入力ベクトルｘを出力ベクトルｙに変換するための適切な活性化関数ｆ（ｘ）を相関させることが可能になる。例えば、単純な線形回帰モデルの場合、バイアス及びスロープの、２つのパラメータが学習される。バイアスは、入力ベクトルｘを０としたときの出力ベクトルｙのレベルであり、傾きは、入力ベクトルｘが１単位増加するごとに予測される出力ベクトルｙの増加率又は減少率である。一度機械学習モデル３５がそれぞれ訓練されると、入力ベクトルｘの新しい値により出力ベクトルｙの推定値が計算され得る。

図１を参照すると、コントローラＣは、長距離ネットワーク４４を介して、リモートサーバ４０から１つ以上の訓練データセットを取得するように構成され得る。第１の機械学習モデル３６及び第２の機械学習モデル３８の訓練は、それぞれ、第１の患者のセット及び第２の患者セットのそれぞれの波面収差測定値及びそれぞれの測定された自覚的屈折検査に基づく等価球面度数値を有する、第１の訓練データセット及び第２の訓練データセットを受け取ることを含み得る。訓練データセットは、眼の生体測定パラメータに基づいて階層化され得る。言い換えれば、プロセスは、眼の同様のサイズの寸法又は他の健康状態係数に対する訓練データセットをグループ化する（例えば、緑内障に冒された患者を第１の患者セットに、網膜剥離の病歴に冒された患者を第２の患者のセットにグループ化する）ことによって最適化され得る。

１つの非限定的な例では、第１の訓練データセットにおける第１の患者のセットは、第１の事前定義された最大値及び第１の事前定義された最小値内に適合しているそれぞれの生体測定パラメータによって特徴付けられ得る。それぞれの生体測定パラメータは、前房の深さ、レンズの厚さ、レンズの直径、又は眼の他の物理的寸法であり得る。第２の訓練データセットにおける第２の患者のセットは、第２の事前定義された最大値及び第２の事前定義された最小値内に適合しているそれぞれの生体測定パラメータによって特徴付けられ得る。

第１及び第２の訓練入力値は、それぞれの波面収差測定値に基づいてそれぞれ取得され、第１の機械学習モデル３６及び第２の機械学習モデル３８のそれぞれの入力層に適用され得る。それぞれの測定された自覚的屈折検査に基づく等価球面度数値は、術前データ及び術後データを含み得る。それぞれの測定された自覚的屈折検査に基づく等価球面度数値は、第１の機械学習モデル３６及び第２の機械学習モデル３８のそれぞれの出力層に供給され得る。第１及び第２の訓練入力値は、それぞれ、第１の機械学習モデル３６及び第２の機械学習モデル３８のそれぞれのノードに関連する第１の複数の重み値及び第２の複数の重み値を生成するために使用され得る。これは、屈折デバイス１２及び／又はコントローラＣとは別の訓練プログラムによって行うことができる。

ここで、図５、図６、及び図７を参照すると、トポグラフィックガイドレーザ屈折補正研究を使用した適合モデルの様々な例を表す概略グラフが示されている。図５は、術前データのモデル適合線４００を示しており、縦軸Ｙ１は、測定された自覚的屈折検査に基づく等価球面度数（ＭＲＳＥ）値を示し、横軸Ｘ１は、予測されたＭＲＳＥ値を示している。図６は、術後データのモデル適合線５００を示しており、縦軸Ｙ２は、測定されたＭＲＳＥ値を示し、横軸Ｘ２は、予測されたＭＲＳＥ値を示している。図５及び図６ではスケールが異なっており、図６はそれぞれの範囲がより小さいことに留意されたい。

図７は、術前及び術後データの両方に対するモデル適合線６００及びそれぞれの輪郭６１０を示し、縦軸Ｙ３は、測定されたｌｏｇＭＡＲ（最小分解能角度の対数）の未補正視力値を示し、横軸Ｘ３は、予測されたｌｏｇＭＡＲ（最小分解能角度の対数）の未補正視力値を示している。以下の表１及び表２は、図５及び図６の適合モデルの比較を示しており、それぞれ、２次ゼルニケ多項式及び４次ゼルニケ多項式の線形和である。

上記の表１及び表２に示されるように、機械学習モデル３５は、視力品質を評価するための平均絶対予測誤差及び予測成功率の両方を改善する。加えて、システム１０は、遠くにある物体を観察する際に瞳孔径を再スケーリングする必要性を排除する。

図１のコントローラＣは、コンピュータによって（例えば、コンピュータのプロセッサによって）読み取られてもよいデータ（例えば、命令）を提供することに関係する非一時的（例えば、有形）媒体を含む、コンピュータ読取可能媒体（プロセッサ読取可能媒体とも称する）を含んでいる。このような媒体は、不揮発性媒体及び揮発性媒体を含むが限定されない多くの形態をとっていてもよい。不揮発性媒体としては、例えば、光ディスク又は磁気ディスク及び他の永続的メモリが挙げられ得る。揮発性媒体としては、例えば、主記憶デバイスを構成し得るダイナミックランダムアクセスメモリ（ＤＲＡＭ）が挙げられ得る。このような命令は、コンピュータのプロセッサに結合されたシステムバスを備える配線を含む、同軸ケーブル、銅線、及び光ファイバを含む１つ以上の伝送媒体によって伝送され得る。コンピュータ読取可能媒体のいくつかの形態としては、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、他の磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤ、他の光媒体、パンチカード、紙テープ、他の孔のパターンを有する物理媒体、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、フラッシュＥＥＰＲＯＭ、他のメモリチップ又はカートリッジ、又は他のコンピュータが読み取り可能な媒体が挙げられる。

本明細書に記載されるルックアップテーブル、データベース、データリポジトリ、又は他のデータストアは、階層型データベース、ファイルシステム内の一式のファイル、独自形式のアプリケーションデータベース、リレーショナルデータベース管理システム（ＲＤＢＭＳ）などを含む、様々な種類のデータを格納、アクセス、及び取得するための様々な種類の機構を含み得る。それぞれのそのようなデータストアは、上述したようなコンピュータオペレーティングシステムを採用するコンピューティングデバイス内に含まれてもよく、様々な方法のうちの１つ以上でネットワークを介してアクセスされてもよい。ファイルシステムは、コンピュータオペレーティングシステムからアクセス可能であり、様々な形式で格納されたファイルを含むことができる。ＲＤＢＭＳは、上述のＰＬ／ＳＱＬ言語などのストアドプロシージャを作成、保存、編集、及び実行するための言語に加えて、構造化照会言語（ＳｔｒｕｃｔｕｒｅｄＱｕｅｒｙＬａｎｇｕａｇｅ、ＳＱＬ）を採用してもよい。

詳細な説明及び図面又は各図は、本開示をサポートし、説明するものであるが、本開示の範囲は、特許請求の範囲によってのみ定義される。特許請求の範囲に記載された開示を実施するための最良の態様及び他の実施形態のいくつかを詳細に説明したが、添付の特許請求の範囲において定義された開示を実施するための様々な代替的な設計及び実施形態が存在する。さらに、図面に示された実施形態又は本明細書で言及された様々な実施形態の特徴は、必ずしも互いに独立した実施形態として理解されるべきではない。むしろ、ある実施形態の例のうちの１つにおいて説明された特性のそれぞれは、他の実施形態からの１つ又は複数の他の望ましい特性と組み合わせることが可能であり、その結果、言葉で説明されていない、又は図面を参照することによって説明されていない、他の実施形態を得ることができる。したがって、このような他の実施形態は、添付の特許請求の範囲の枠組み内に含まれる。

Claims

眼の視力品質を評価するためのシステムであって、
プロセッサと、命令が記録された有形の非一時的メモリとを有するコントローラであって、少なくとも１つの機械学習モデルを選択的に実行するよう構成されている、コントローラと、を備え、
前記プロセッサによって前記命令が実行されることにより、前記コントローラが、
前記眼の波面収差データを受信して、ゼルニケ多項式のコレクションとして前記波面収差データを表現させ、
前記ゼルニケ多項式のコレクションに基づいて、複数の入力係数を取得させ、
前記複数の入力係数を、前記複数の入力係数を分析するように訓練された、少なくとも１つの前記機械学習モデルに供給させ、
少なくとも１つの前記機械学習モデルを介して、前記複数の入力係数に部分的に基づいて少なくとも１つの視力補正係数を生成させる、システム。
前記複数の入力係数には、焦点ぼけ、一次球面収差、斜め非点収差、及び垂直非点収差に対するそれぞれの波面係数が含まれる、請求項１に記載のシステム。
少なくとも１つの前記視力補正係数が、自覚的屈折検査に基づく等価球面係数である、請求項１に記載のシステム。
少なくとも１つの前記視力補正係数が、ｌｏｇＭＡＲ（最小分解能角度の対数）の未補正視力係数である、請求項１に記載のシステム。
少なくとも１つの前記機械学習モデルが、ニューラルネットワークを組み込んでいる、請求項１に記載のシステム。
少なくとも１つの前記機械学習モデルが、サポートベクトル回帰モデルを組み込んでいる、請求項１に記載のシステム。
少なくとも１つの前記機械学習モデルが、第１の機械学習モデルを含み、前記第１の機械学習モデルを訓練することが、
それぞれの波面収差測定値、及び第１の患者のセットのそれぞれの測定された自覚的屈折検査に基づく等価球面度数値を有する、第１の訓練データセットを受信することと、
前記それぞれの波面収差測定値に基づいて第１の訓練入力値を取得し、前記訓練入力値を前記第１の機械学習モデルのそれぞれの入力層に適用することと、
前記それぞれの測定された自覚的屈折検査に基づく等価球面度数値を、前記第１の機械学習モデルのそれぞれの出力層に供給することと、
前記第１の訓練入力値に部分的に基づいて、前記第１の機械学習モデルのそれぞれのノードに関連する第１の複数の重み値を生成することと、を含む、請求項１に記載のシステム。
前記それぞれの測定された自覚的屈折検査に基づく等価球面度数値が、それぞれの術前データ及びそれぞれの術後データを含む、請求項７に記載のシステム。
前記第１の訓練データセットにおける前記第１の患者のセットが、それぞれの生体測定パラメータ及び／又はそれぞれの健康状態によって特徴付けられ、前記それぞれの生体測定パラメータが、第１の事前定義された最大値及び第１の事前定義された最小値内に適合している、請求項７に記載のシステム。
少なくとも１つの前記機械学習モデルが、第２の機械学習モデルを含み、前記第２の機械学習モデルを訓練することが、
前記それぞれの波面収差測定値、及び第２の患者のセットの前記それぞれの測定された自覚的屈折検査に基づく等価球面度数値を有する、第２の訓練データセットを受信することと、
前記それぞれの波面収差測定値に基づいて第２の訓練入力値を取得し、前記第２の訓練入力値を前記第２の機械学習モデルの前記それぞれの入力層に適用することと、
前記それぞれの測定された自覚的屈折検査に基づく等価球面度数値を、前記第２の機械学習モデルの前記それぞれの出力層に供給することと、
前記第２の訓練入力値に部分的に基づいて、前記第２の機械学習モデルのそれぞれのノードに関連する第２の複数の重み値を生成することと、を含む、請求項７に記載のシステム。
前記第２の訓練データセットにおける前記第２の患者のセットが、それぞれの生体測定パラメータ及び／又はそれぞれの健康状態によって特徴付けられ、前記それぞれの生体測定パラメータが、第２の事前定義された最大値及び第２の事前定義された最小値内に適合している、請求項１０に記載のシステム。
眼の視力品質を評価する方法であって、
プロセッサと、有形の非一時的メモリとを有するコントローラを介して、前記眼の波面収差データを受信することであって、前記コントローラが、少なくとも１つの機械学習モデルを選択的に実行するように構成されている、ことと、
ゼルニケ多項式のコレクションとして前記波面収差データを表現することと、
前記ゼルニケ多項式のコレクションに基づいて、複数の入力係数を取得することと、
前記複数の入力係数を、前記複数の入力係数を分析するように訓練された、少なくとも１つの前記機械学習モデルに供給することと、
少なくとも１つの前記機械学習モデルを介して、前記複数の入力係数に部分的に基づいて少なくとも１つの視力補正係数を生成することと、を含む、方法。
少なくとも１つの前記機械学習モデルが、第１の機械学習モデルを含み、前記第１の機械学習モデルを訓練することが、
それぞれの波面収差測定値、及び第１の患者のセットのそれぞれの測定された自覚的屈折検査に基づく等価球面度数値を有する、第１の訓練データセットを受信することと、
前記それぞれの波面収差測定値に基づいて第１の訓練入力値を取得し、前記訓練入力値を前記第１の機械学習モデルのそれぞれの入力層に適用することと、
前記それぞれの測定された自覚的屈折検査に基づく等価球面度数値を、前記第１の機械学習モデルのそれぞれの出力層に供給することと、
前記第１の訓練入力値に部分的に基づいて、前記第１の機械学習モデルのそれぞれのノードに関連する第１の複数の重み値を生成することと、を含む、請求項１２に記載の方法。
前記それぞれの測定された自覚的屈折検査に基づく等価球面度数値に、それぞれの術前データ及びそれぞれの術後データを含めること、を更に含む、請求項１３に記載の方法。
前記第１の訓練データセットにおける前記第１の患者のセットを、それぞれの生体測定パラメータ及び／又はそれぞれの健康状態によって特徴付けることであって、前記それぞれの生体測定パラメータが、第１の事前定義された最大値及び第１の事前定義された最小値内に適合している、こと、を更に含む、請求項１３に記載の方法。
少なくとも１つの前記機械学習モデルが、第２の機械学習モデルを含み、前記第２の機械学習モデルを訓練することが、
前記それぞれの波面収差測定値、及び第２の患者のセットの前記それぞれの測定された自覚的屈折検査に基づく等価球面度数値を有する、第２の訓練データセットを受信することと、
前記それぞれの波面収差測定値に基づいて第２の訓練入力値を取得し、前記第２の訓練入力値を前記第２の機械学習モデルの前記それぞれの入力層に適用することと、
前記それぞれの測定された自覚的屈折検査に基づく等価球面度数値を、前記第２の機械学習モデルの前記それぞれの出力層に供給することと、
前記第２の訓練入力値に部分的に基づいて、前記第２の機械学習モデルのそれぞれのノードに関連する第２の複数の重み値を生成することと、を含む、請求項１３に記載の方法。
前記第２の訓練データセットにおける前記第２の患者のセットを、それぞれの生体測定パラメータ及び／又はそれぞれの健康状態によって特徴付けることであって、前記それぞれの生体測定パラメータが、第２の事前定義された最大値及び第２の事前定義された最小値内に適合していること、を更に含む、請求項１６に記載の方法。