JP7348918B2

JP7348918B2 - 眼内レンズ選択のためのシステム及び方法

Info

Publication number: JP7348918B2
Application number: JP2020570506A
Authority: JP
Inventors: ヘゲダスイムレ; ボージョルト
Original assignee: アルコンインコーポレイティド
Priority date: 2018-07-12
Filing date: 2019-07-12
Publication date: 2023-09-21
Anticipated expiration: 2039-07-12
Also published as: US20230389990A1; WO2020012434A3; CN112384125A; US10888380B2; US20210000542A1; EP3787473A2; AU2019301290A1; JP2021531071A; CA3101306A1; CN112384125B; WO2020012434A2; JP7525712B2; US11766293B2; US20200015894A1; JP2023168357A

Description

関連出願の相互参照
本出願は参照のため本明細書にその全体を援用する２０１８年７月１２日出願の米国仮特許出願第６２／６９７，３６７号明細書、題名“ＯＰＴＨＡＬＭＩＣＩＭＡＧＩＮＧＳＹＳＴＥＭＦＯＲＩＮＴＲＡＯＣＵＬＡＲＬＥＮＳＰＯＷＥＲＰＲＥＤＩＣＴＩＯＮ”からの利益を主張する。

本開示は、移植されるべき眼内レンズの選択を支援するために眼の多次元画像を使用するシステム及び方法に関する。

白内障手術は、眼の天然水晶体を除去することと、ほとんどの場合天然水晶体を人工眼内レンズ（ＩＯＬ：ａｒｔｉｆｉｃｉａｌｉｎｔｒａｏｃｕｌａｒｌｅｎｓ）で置換することとに関与する。最適な手術後視覚結果を実現するためには、良い手術前手術計画が極めて重要である。重要な手術前計画判断のうちのいくつかは、患者の眼の解剖学的及び光学的特徴に関して採取され１つ又は複数のＩＯＬ度数算出式において使用される測定結果に従って判断される適切なＩＯＬ度数の選択及び実効レンズ位置（ＥＬＰ：ｅｆｆｅｃｔｉｖｅｌｅｎｓｐｏｓｉｔｉｏｎ）の推定である。例えば、それぞれその全体を参照により本明細書に援用する下記非特許文献を参照されたい：Ｃｏｏｋｅ，ｅｔａｌ．，“Ｃｏｍｐａｒｉｓｏｎｏｆ９ＩｎｔｒａｏｃｕｌａｒＬｅｎｓＰｏｗｅｒＣａｌｃｕｌａｔｉｏｎＦｏｒｍｕｌａｓ，”Ｊ．ＣａｔａｒａｃｔＲｅｆｒａｃｔ．Ｓｕｒｇ．Ｖｏｌ．４２，ｐｐ．１１５７－６４，２０１６；Ｇｏｔｏ，ｅｔａｌ．，“ＰｒｅｄｉｃｔｉｏｎｏｆＰｏｓｔｏｐｅｒａｔｉｖｅＩｎｔｒａｏｃｕｌａｒＬｅｎｓＰｏｓｉｔｉｏｎｗｉｔｈＡｎｇｌｅ－ｔｏ－ＡｎｇｌｅＤｅｐｔｈＵｓｉｎｇＡｎｔｅｒｉｏｒＳｅｇｍｅｎｔＯｐｔｉｃａｌＣｏｈｅｒｅｎｃｅＴｏｍｏｇｒａｐｈｙ，”ＯｐｈｔｈａｌｍｏｌｏｇｙＶｏｌ．１２３，ｐｐ．２４７４－８０，２０１６；Ｋａｎｅ，ｅｔａｌ．，“ＩｎｔｒａｏｃｕｌａｒＬｅｎｓＰｏｗｅｒＦｏｒｍｕｌａＡｃｃｕｒａｃｙ：Ｃｏｍｐａｒｉｓｏｎｏｆ７Ｆｏｒｍｕｌａｓ，”Ｊ．ＣａｔａｒａｃｔＲｅｆｒａｃｔ．Ｓｕｒｇ．Ｖｏｌ．４２，ｐｐ．１４９０－１５００，２０１６；Ｍａｒｔｉｎｅｚ－Ｅｎｒｉｑｕｅｚ，ｅｔａｌ．“ＥｓｔｉｍａｔｉｏｎｏｆＩｎｔｒａｏｃｕｌａｒＬｅｎｓＰｏｓｉｔｉｏｎｆｒｏｍＦｕｌｌＣｒｙｓｔａｌｌｉｎｅＬｅｎｓＧｅｏｍｅｔｒｙ：ＴｏｗａｒｄｓａＮｅｗＧｅｎｅｒａｔｉｏｎｏｆＩｎｔｒａｏｃｕｌａｒＬｅｎｓＰｏｗｅｒＣａｌｃｕｌａｔｉｏｎＦｏｒｍｕｌａｓ，”ＮａｔｕｒｅＳｃｉｅｎｔｉｆｉｃＲｅｐｏｒｔｓＶｏｌ．８：９８２９，２０１８；Ｍｅｌｌｅｓ，ｅｔａｌ．“ＡｃｃｕｒａｃｙｏｆＩｎｔｒａｏｃｕｌａｒＬｅｎｓＣａｌｃｕｌａｔｉｏｎＦｏｒｍｕｌａｓ，”ＯｐｈｔｈａｌｍｏｌｏｇｙＶｏｌ．１２５（２），ｐｐ．１－１０；Ｎｏｒｒｂｙ，ｅｔａｌ．“ＰｒｅｄｉｃｔｉｏｎｏｆｔｈｅＴｒｕｅＩＯＬＰｏｓｉｔｉｏｎ，”ＯｐｈｔｈａｌｍｏｌｏｇｙＶｏｌ．１０１，ｐｐ．１４４０－４６，２０１７；Ｏｌｓｅｎ，“ＣａｌｃｕｌａｔｉｏｎｏｆＩｎｔｒａｏｃｕｌａｒＬｅｎｓＰｏｗｅｒ：ＡＲｅｖｉｅｗ，”ＡｃｔａＯｐｈｔｈａｌｍｏｌＳｃａｎｄ，Ｖｏｌ．８５，ｐｐ．４７２－８５，２００７。

通常、ＩＯＬ予測式において使用される測定結果は、光学及び／又は超音波生体測定器を使用して光軸上で採取される一次元測定結果である。これらの伝統的測定慣習は、ＥＬＰの不正確性に至り、延いては患者の準最適視力結果を生じるＩＯＬ度数の選択に至る。

したがって、患者の最適化された視力結果に至る移植のための眼内レンズをより良く選択するために使用され得る解剖学的パラメータを測定するために患者の眼を手術前に評価するための技術の必要性が、当該技術分野において、ある。

いくつかの実施形態によると、方法は、眼の１つ又は複数の手術前多次元画像を、予測エンジンを実装する１つ又は複数のコンピュータ装置により受信すること；眼の１つ又は複数の手術前画像に基づき眼の１つ又は複数の手術前測定結果を予測エンジンにより抽出すること；眼の１つ又は複数の抽出された手術前測定結果に基づき眼内レンズの手術後位置を、機械学習戦略に基づき第１の予測モデルを使用する予測エンジンにより推定すること；眼内レンズの少なくとも推定された手術後位置に基づき眼内レンズの度数を選択すること；及び少なくとも選択された度数に基づき眼内レンズを選択することを含む。

いくつかの実施形態によると、予測エンジンは１つ又は複数のプロセッサを含む。予測エンジンは、診断装置により取得された眼の１つ又は複数の手術前多次元画像を受信し；眼の１つ又は複数の手術前画像に基づき眼の１つ又は複数の手術前測定結果を抽出し；眼の１つ又は複数の抽出された手術前測定結果に基づき眼内レンズの手術後位置を、機械学習戦略に基づき第１の予測モデルを使用して推定し；少なくとも眼内レンズの推定手術後位置に基づき眼内レンズの度数を推奨し；移植のための眼内レンズの選択を容易にするためにユーザへ推奨度数を提供するように構成される。

いくつかの実施形態によると、１つ又は複数のプロセッサにより実行されると１つ又は複数のプロセッサに方法を行わ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。本方法は、眼の１つ又は複数の手術前多次元画像を受信すること；眼の１つ又は複数の手術前画像に基づき眼の１つ又は複数の手術前測定結果を抽出すること；機械学習戦略に基づき予測モデルを使用して、眼の１つ又は複数の手術前測定結果に基づき眼内レンズの手術後位置を推定すること；眼内レンズの少なくとも推定された手術後位置に基づき眼内レンズの度数を推奨すること；及び移植のための眼内レンズの選択を容易にするために推奨された度数をユーザへ提供することを含む。

本技術、その特徴、及びその利点をより完全に理解するために、添付図面と併せて以下の説明が参照される。

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線図である。図２は、いくつかの実施形態による予測エンジンを使用してＩＯＬを移植する方法の線図である。図３は、いくつかの実施形態による眼の特徴を測定する方法の線図である。図４は、いくつかの実施形態による眼の線図及び眼の特徴である。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線図である。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線図である。

添付図面では、同じ標記を有する要素は同じ又は同様な機能を有する。

独創的態様、実施形態、実装又はモジュールを示す本明細書及び添付図面は、保護される発明を定義する特許請求の範囲を制限するものととられるべきでない。様々な機械的、組成的、構造的、電気的、及び運用的変更は本明細書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なされ得る。いくつかの例では、周知の回路、構造、又は技術は本発明を不必要に曖昧にしないために詳細に示されなかったか又は説明されなかった。２つ以上の図における同様な数字は同じ又は同様な要素を表す。

本明細書において、特定の詳細が、本開示と整合するいくつかの実施形態を説明することにより記載される。非常に多くの特定詳細が本実施形態を完全に理解するために記載される。しかし、いくつかの実施形態はこれらの特定の詳細のいくつか又はすべてが無くても実施され得るということは当業者にとって明らかになる。本明細書において開示される特定の実施形態は例示的であるが限定的でないように意図されている。当業者は、特に本明細書において具体的に説明されないが本開示の範囲及び精神に入る他の要素を認識し得る。加えて、不要な反復を避けるために、１つの実施形態に関連して示され説明される１つ又は複数の特徴は、特記しない限り、又は１つ若しくは複数の特徴が実施形態を非機能的にするならば、他の実施形態へ取り込まれ得る。

以下に説明される技術は、新しい患者の手術後前房深さ、眼内レンズ（ＩＯＬ）の度数、及び手術後自覚的等価球面屈折率（ＭＲＳＥ：ｍａｎｉｆｅｓｔｒｅｆｒａｃｔｉｏｎｓｐｈｅｒｉｃａｌｅｑｕｉｖａｌｅｎｔ）を予測するために、教師あり機械学習により患者をトレーニングする眼の手術前及び手術後多次元画像の集合を使用する、システム及び方法に関与する。

上に説明したように、ＩＯＬ度数予測は光学及び／又は超音波生体測定器からの測定結果に伝統的に依存してきた。ＩＯＬ度数算出式において使用される眼のより一般的に使用される測定された特徴のうちのいくつかは角膜曲率半径（Ｋ）、軸方向長（ＡＬ）（眼の前房深さ（ＡＣＤ）を含む）、水晶体厚さ、硝子体腔深さ、角膜縁の境界間の水平距離（角膜ホワイト・ツー・ホワイト距離（ｃｏｒｎｅａｌｗｈｉｔｅ－ｔｏ－ｗｈｉｔｅｄｉｓｔａｎｃｅ）としても知られる）などである。

しかし、患者の眼の二次元又は三次元測定結果は、手術後前房深さ（推定レンズ位置（ＥＬＰ）とも呼ばれる）及びＩＯＬ度数をより良く予測するために使用され得る追加解剖学的詳細を提供する。いくつかの例では、より良い予測機構の使用はＭＲＳＥの手術後屈折結果を改善するために使用され得る。

本開示のいくつかの実施形態は、一群の患者の眼の二次元又は三次元画像の形式の手術前及び手術後診断トレーニングデータを取得すること、新しい患者の手術前診断画像から複数の測定結果を取得すること、及び新しい患者の複数の測定結果に基づき新しい患者の手術後前房深さ（ＡＣＤ_ｐｏｓｔ）の推定を計算するための予測モデルを生成するために１つ又は複数の機械学習技術を使用することに関与する。次に、手術後前房深さは移植されるＩＯＬの適切な度数を選択するために使用され得る。

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ためのシステム１００を示す。システム１００は、ネットワーク１１５を介し１つ又は複数の診断トレーニングデータ源１１０と結合されたＩＯＬ選択プラットホーム１０５を含む。いくつかの例では、ネットワーク１１５は１つ又は複数の切り替え装置、ルータ、ローカルエリアネットワーク（例えばイーサーネット）、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。診断トレーニングデータ源１１０のそれぞれは、眼科手術診療所、眼科、医学大学、電子医療記録（ＥＭＲ）レポジトリなどにより利用可能にされるデータベース、データレポジトリなどであり得る。診断トレーニングデータ源１１０のそれぞれは、患者の手術前及び手術後眼の多次元画像、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、患者病歴、患者人口統計データなどのうちの１つ又は複数の形式のトレーニングデータをＩＯＬ選択プラットホーム１０５に提供し得る。ＩＯＬ選択プラットホーム１０５は、トレーニングデータを匿名化する、暗号化する、及び／又はそうでなければ保護するように構成され得るトレーニングデータを、１つ又は複数のデータベース１５５内に格納し得る。

ＩＯＬ選択プラットホーム１０５は、受信されたトレーニングデータを処理し（以下に詳細に説明するように）、多次元画像から測定結果を抽出し、トレーニングデータに対し生データ解析を行い、手術前測定結果に基づきＡＣＤ_ｐｏｓｔを予測するために機械学習アルゴリズム及び／又はモデルをトレーニングし、それらの移植後結果（例えば移植されたＩＯＬによる眼のより良い光学特性）を改善するために将来患者に使用するＡＣＤ_ｐｏｓｔ予測を最適化するために機械学習を反復的に精緻化し得る、予測エンジン１２０を含む。いくつかの例では、予測エンジン１２０は、１つ又は複数の診断トレーニングデータ源１１０から取得される手術前測定結果及び対応手術後結果に基づきトレーニングされる１つ又は複数の予測モデル（例えば、１つ又は複数のニューラルネットワーク）を使用し得る。

ＩＯＬ選択プラットホーム１０５はさらに、ネットワーク１１５を介し眼科診療所１２５の１つ又は複数の装置へ結合される。１つ又は複数の装置は診断装置１３０を含む。診断装置１３０は患者１３５の眼の１つ又は複数の多次元画像を取得するために使用される。診断装置１３０は、眼生体構造の多次元画像を取得するための多くの装置（光コヒーレンストモグラフィ（ＯＣＴ）装置、回転カメラ（例えばシャインプルーフカメラ）、核磁気共鳴撮像（ＭＲＩ）装置など）のうちの任意のものであり得る。

眼科診療所１２５はまた、診断装置１３０から患者１３５の多次元画像を取得し、そしてそれらをＩＯＬ選択プラットホーム１０５へ送信するための１つ又は複数のコンピュータ装置１４０を含み得る。１つ又は複数のコンピュータ装置１４０は、スタンドアロンコンピュータ、タブレット及び／又は他のスマート装置、手術コンソール、診断装置１３０などへ組み込まれたコンピュータ装置などのうちの１つ又は複数であり得る。

ＩＯＬ選択プラットホーム１０５は、患者１３５の多次元画像を受信し、これらの画像から測定結果を抽出し、この測定結果に基づきそして予測エンジン１２０を使用することにより予測ＡＣＤ_ｐｏｓｔを生成し得る。次に、予測エンジンは患者１３５のＩＯＬ度数を選択するために使用され得る。次に、ＩＯＬ選択プラットホーム１０５は眼科診療所１２５に予測ＡＣＤ_ｐｏｓｔ及び／又は選択されたＩＯＬ度数を提供し得る。

診断装置１３０はさらに、患者が白内障除去を受け、そして予測エンジン１２０により提供される選択されたＩＯＬ度数を使用することによりＩＯＬ移植を受けた後に患者１３５の手術後多次元画像を取得するために使用される。次に、１つ又は複数のコンピュータ装置１４０は、患者１３５から将来の患者に使用するための情報を取り込むように反復的にトレーニングする際に及び／又は予測エンジン１２０により使用されるモデルを更新する際に使用するために患者１３５の手術後多次元画像をＩＯＬ選択プラットホーム１０５へ送信し得る。

予測ＡＣＤ_ｐｏｓｔ及び／又は選択されたＩＯＬ度数は、コンピュータ装置１４０及び／又は別のコンピュータ装置、ディスプレイ、手術コンソールなどの上に表示され得る。加えて、ＩＯＬ選択プラットホーム１０５及び／又は１つ又は複数のコンピュータ装置１４０は以下にさらに詳細に説明するように多次元画像内の患者１３５の生体構造の様々な特徴を識別及び／又は測定し得る。さらに、ＩＯＬ選択プラットホーム１０５及び／又は１つ又は複数のコンピュータ装置１４０は、患者生体構造及び／又は測定された特徴を識別、ハイライト、及び／又はそうでなければ描写するグラフィック要素を生成し得る。ＩＯＬ選択プラットホーム１０５及び／又は１つ又は複数のコンピュータ装置１４０はグラフィック要素により多次元画像を補完し得る。いくつかの例では、多次元画像は画像上にオーバレイされるグラフィック要素により表示され得る。

いくつかの実施形態では、ＩＯＬ選択プラットホーム１０５はさらに、予測ＡＣＤ_ｐｏｓｔ及び／又は選択されたＩＯＬ度数を使用する眼科診療所１２５へ１つ又は複数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を含み得る。

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をさらに含み得る及び／又は眼科診療所１２５は１つ又は複数のコンピュータ装置１４０上に手術プランナモジュール１７０をさらに含み得る。

いくつかの実施形態によると、以下にさらに詳細に説明される方法は、光学及び／又は超音波生体測定器からの一次元軸上測定結果及び／又は眼の正面視画像（例えばＰｌａｃｉｄｏ画像）上で採取される角膜ホワイト・ツー・ホワイト距離測定結果を使用する代わりに眼生体構造の多次元画像から抽出され得る測定結果を活用し得る。一次元測定結果は通常、多くの理由のために、ＡＣＤ_ｐｏｓｔを予測しＩＯＬ度数を選択するには準最適である。例えば、角膜ホワイト・ツー・ホワイト距離測定結果は、老人環などの解剖学的要因が存在する場合に角膜ホワイト・ツー・ホワイト距離を測定する間の人為的エラーのためにＩＯＬ選択における不正確性を与え得る。加えて、光学及び／又は超音波生体測定器は、手術前眼が固定点上に凝視される場合に手術前眼の瞳孔軸と手術前眼の視線軸との角度を測定しない。さらに、伝統的ＩＯＬ選択式はレンズ厚さを一次元で単純に測定する。伝統的ＩＯＬ選択式は、典型的光学レンズが水晶体赤道前の水晶体厚さより水晶体赤道後のより長いレンズ厚さを有する場合にレンズがレンズ厚さ測定の中心にその赤道を有すると仮定する。

本明細書においてさらに詳細に説明される実施形態は、ＡＣＤ_ｐｏｓｔを予測しＩＯＬ度数を選択するための光学及び／又は超音波生体測定器から生じる既知の測定結果より優れている多次元診断画像及び多様な新しい測定結果の使用によりこれらの不正確な又は準最適な測定を避ける。いくつかの実施形態によると、ＡＣＤ_ｐｏｓｔの予測及び／又はＩＯＬ度数の選択を改善するために使用される測定結果は以下のうちの１つ又は複数を含み得る：
ｉ．手術前眼の角膜の２つの角状凹部のそれぞれを連結する線の幅を説明するアングル・ツー・アングル（ａｎｇｌｅｔｏａｎｇｌｅ）幅；
ｉｉ．手術前眼の角膜の２つの角状凹部のそれぞれを連結する線上の交点と手術前眼の後角膜表面との間の垂直距離として測定されるアングル・ツー・アングル深さ；
ｉｉｉ．手術前眼が固定点上に凝視されるときの手術前眼の瞳孔軸と手術前眼の視線軸との角度；及び／又は
ｉｖ．前水晶体半径と後水晶体半径との２つの交点のそれぞれの間の赤道線として判断される水晶体赤道の推定位置。

上に論述したようにそしてここでさらに強調されるように、図１は特許請求の範囲を過度に制限すべきでない一例に過ぎない。当業者は多くの変形、代替及び修正形態を認識するだろう。いくつかの実施形態によると、ＩＯＬ選択プラットホーム１３０及び／又はＩＯＬ選択プラットホームの１つ又は複数の部品（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など）は眼科診療所１２５の１つ又は複数の装置内へ組み込まれ得る。いくつかの例では、コンピュータ装置１４０はＩＯＬ選択プラットホーム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をホストし得る。いくつかの例では、手術プランナ１５０は手術プランナ１７０と組み合わせられ得る。

図２はいくつかの実施形態による予測エンジンを使用してＩＯＬを移植する方法２００の線図である。方法２００の処理２１０～２９０のうちの１つ又は複数は非一時的、有形、且つ機械可読媒体上に格納される実行可能コードの形式で少なくとも部分的に実施され得る。実行可能コードは、１つ又は複数のプロセッサ（例えば予測エンジン１２０のプロセッサ、ＩＯＬ予測プラットホームのプロセッサ、診断装置１４０のプロセッサ、１つ又は複数のコンピュータ装置１４０のプロセッサ、及び／又は手術プランナ１５０、１６０及び／又は１７０のうちの１つ又は複数のプランナのプロセッサ）により実行されると１つ又は複数のプロセッサに処理２１０～２９０のうちの１つ又は複数を行わせ得る。

処理２１０では、１つ又は複数の手術前画像が取得される。いくつかの例では、１つ又は複数の手術前画像は多次元画像を含み得る。いくつかの例では、１つ又は複数の手術前画像は、診断装置１３０、ＯＣＴ装置、回転（例えばシャインプルーフ）カメラ、ＭＲＩ装置などの診断装置を使用して取得され得る。いくつかの例では、１つ又は複数の手術前画像は予測エンジン１２０などの予測エンジンへ提供され得る。

処理２２０では、１つ又は複数の手術前測定結果が１つ又は複数の手術前画像から抽出され得る。いくつかの例では、抽出は予測エンジン１２０などの予測エンジンにより行われ得る。いくつかの実施形態によると、１つ又は複数の手術前測定結果は、図３に示す眼の特徴を測定する方法３００に従って１つ又は複数の手術前画像内で捕捉される眼の生体構造の様々な態様の測定を介し抽出され得る。方法３００の処理３１０～３９０のうちの１つ又は複数は、非一時的、有形、且つ機械可読媒体上に格納される実行可能コードの形式で少なくとも部分的に実施され得る。実行可能コードは１つ又は複数のプロセッサ（例えば予測エンジン１２０のプロセッサ、ＩＯＬ予測プラットホームのプロセッサなど）により実行されると１つ又は複数のプロセッサに処理３１０～３９０のうちの１つ又は複数を行わせ得る。いくつかの実施形態では、処理３４０は任意選択的であり省略され得る。方法３００のアプリケーションが、いくつかの実施形態による眼４００の線図及び眼の特徴である図４に関し説明される。

処理３１０では、眼の前房４８０の鼻及び側頭角度４０５及び４１０がそれぞれ識別される。いくつかの例では、前房４８０の鼻及び側頭角度４０５及び４１０は、眼の前房４８０を識別する構造を識別することにより（例えば、１つ又は複数の縁検出及び／又は領域検出アルゴリズムを使用することにより）、そして前房４８０の側頭及び鼻広がり方向に位置する前房４８０の縁における鋭角に留意することにより眼の１つ又は複数の画像（例えば処理２１０中に取得される１つ又は複数の手術前画像）から識別され得る。

処理３２０では、前房４８０のアングル・ツー・アングル幅が判断される。いくつかの例では、前房４８０のアングル・ツー・アングル幅は、処理３１０中に識別された鼻及び側頭角度４０５及び４１０間の線４１５の長さに対応する。

処理３３０では、眼の後角膜表面４２０が識別される。いくつかの例では、後角膜表面４２０は、眼の角膜４７５及び／又は前房４８０を識別する構造を識別することにより（例えば、１つ又は複数の縁検出及び／又は領域検出アルゴリズムを使用することにより）、そして角膜４７５と前房４８０との遷移に留意することにより眼の１つ又は複数の画像（例えば処理２１０中に取得された１つ又は複数の手術前画像）から識別され得る。

任意選択的処理３４０では、瞳孔面の深さが判断される。いくつかの例では、瞳孔面の深さは後角膜表面４２０からの垂直距離に対応し、角状凹部間の線４１５は、線４１５（処理３２０中に識別された）と、線４１５に対して垂直であり後角膜表面４２０へ到達する前に最長長さを有する後角膜表面４２０（処理３３０中に識別された）との間の線４２５の長さに対応する。

処理３５０では、眼の瞳孔軸４３０及び視線軸４３５が識別される。いくつかの例では、瞳孔軸４３５は、処理３４０中に判断された垂直距離線４２５を延伸することにより形成される軸に対応する。いくつかの例では、視線軸４３５は、眼４００の視野が固定される固定点４４０と窩４４５との間の線を識別することにより判断され得る。

処理３６０では、瞳孔軸４３０と視線軸４３５との角度κが判断される。

処理３７０では、眼の前水晶体表面４５０及び後水晶体表面４５５が識別される。いくつかの例では、前水晶体表面４５０及び／又は後水晶体表面４５５は、眼の水晶体を識別する構造を識別することにより（例えば、１つ又は複数の縁検出及び／又は領域検出アルゴリズムを使用することにより）、そして眼の水晶体と提靭帯、瞳、及び／又は硝子体液との遷移に留意することにより、眼の１つ又は複数の画像（例えば処理２１０中に取得された１つ又は複数の手術前画像）から識別され得る。

処理３８０では、水晶体の赤道の位置が判断される。図４の例では、水晶体の赤道は線４６０に対応する。いくつかの例では、水晶体の位置は、水晶体の赤道（例えば線４６０）と瞳孔軸４３０に沿って測定される後角膜表面４２０との間の垂直距離に対応する。いくつかの例では、水晶体の赤道は通常、水晶体の後部の厚さが水晶体の前部より通常厚いので、前水晶体表面４５０と後水晶体表面４５５との間の中間点（処理３７０中に識別されたように）には位置しない。いくつかの例では、前水晶体表面４５０からの水晶体の赤道（例えば線４６０）の位置は式１に従って推定され得、ここで、ｒは水晶体の径の半分（例えば線４６０の長さの半分）であり、Ｒ１は前水晶体表面４５０の半径である。いくつかの例では、後水晶体表面からの水晶体の赤道の位置は式２に従って推定され得、ここで、Ｒ２は後水晶体表面４５５の半径である。いくつかの例では、式１と２との組み合わせが水晶体の赤道の位置の推定を判断するために使用され得る。いくつかの例では、半径Ｒ１及び／又はＲ２は、前水晶体表面４５０と後水晶体表面４５５それぞれに対する最良適合円弧を発見するために回帰分析を使用することにより判断され得る。

処理３９０では、眼の前房深さ（ＡＣＤ）が判断される。図４の例では、ＡＣＤは、瞳孔軸４３０に沿った後角膜表面４２０と前水晶体表面４５０との間の垂直距離４７０に対応する。

上に論述したように及びここでさらに強調されるように、図３は特許請求の範囲を過度に制限すべきでない一例に過ぎない。当業者は多くの変形、代替及び修正形態を認識するだろう。いくつかの実施形態によると、眼の生体構造の追加測定結果が判断され得る。いくつかの例では、追加測定結果は眼の角膜度数を含み得る。

図２に戻って参照すると、処理２３０では、手術後前房深さ（ＡＣＤ_ｐｏｓｔ）が予測モデルを使用して推定される。いくつかの例では、予測モデルは、以前の水晶体移植手順と処理２９０に関して以下にさらに詳細に説明される対応患者結果とに基づき以前にトレーニングされた予測エンジン１２０により使用される１つ又は複数の予測モデルのうちの１つに対応し得る。いくつかの例では、処理２２０中に判断された眼特徴のうちの１つ又は複数の特徴（例えば、図３、４に関し説明された角膜のアングル・ツー・アングル幅、瞳孔面の深さ、眼の瞳孔軸４３０と視線４３５との角度、水晶体の径、水晶体赤道の位置の推定、手術前前房深さ（ＡＣＤ_ｐｒｅ）、角膜度数などのうちの１つ又は複数）が推定ＡＣＤ_ｐｏｓｔを生成する予測モデルへの入力として提供され得る。

処理２４０では、眼内レンズ（ＩＯＬ）度数が選択される。いくつかの例では、推奨ＩＯＬ度数は予測モデルを使用することにより判断され得る。いくつかの例では、予測モデルは、以前の水晶体移植手順と処理２９０に関して以下にさらに詳細に説明される対応患者結果とに基づき以前にトレーニングされた予測エンジン１２０により使用される１つ又は複数の予測モデルのうちの１つに対応し得る。いくつかの例では、処理２２０中に判断された眼特徴及び／又は処理２３０中に推定されたＡＣＤ_ｐｏｓｔのうちの１つ又は複数が、推奨ＩＯＬ度数を生成する予測モデルへの入力として提供され得る。いくつかの例では、ＩＯＬ度数を推奨するために使用される予測モデルは、ＡＣＤ_ｐｏｓｔを推定するために使用される予測モデルと同じ予測モデルであってもよいし、又は異なる予測モデルであってもよい。いくつかの例では、推奨ＩＯＬ度数は移植すべき水晶体のＩＯＬ度数として選択され得る、又は代替的に、外科医又は他の操作者が推奨ＩＯＬ度数に少なくとも部分的に基づいた異なるＩＯＬ度数を選択し得る。

処理２５０では、手術後ＭＲＳＥ（ＭＲＳＥ_ｐｏｓｔ）が推定される。いくつかの例では、ＭＲＳＥ_ｐｏｓｔは予測モデルを使用して判断され得る。いくつかの例では、予測モデルは、以前の水晶体移植手順と処理２９０に関して以下にさらに詳細に説明される対応患者結果とに基づき以前にトレーニングされた予測エンジン１２０により使用される１つ又は複数の予測モデルのうちの１つに対応し得る。いくつかの例では、処理２２０中に判断された眼特徴、処理２３０中に推定されたＡＣＤ_ｐｏｓｔ及び／又は処理２４０中に選択されたＩＯＬ度数のうちの１つ又は複数が、推定ＭＲＳＥ_ｐｏｓｔを生成する予測モデルへの入力として提供され得る。いくつかの例では、を推奨するために使用される予測モデルは、ＡＣＤ_ｐｏｓｔを推定するために使用される予測モデル及び／又はＩＯＬ度数を推奨するために使用される予測モデルと同じ予測モデルであってもよいし、又は異なる予測モデルであってもよい。

処理２６０では、ＩＯＬが移植される。いくつかの例では、処理２４０中に選択されたＩＯＬ度数及び／又は水晶体の位置及び／又は径などに基づくサイズを有するＩＯＬは処理３８０中に判断される水晶体の赤道の推定位置に対応する位置に移植され得る。

処理２７０では、１つ又は複数の手術後画像が取得され得る。いくつかの例では、１つ又は複数の手術後画像は、処理２１０と同様な処理を使用することにより、しかし処理２６０中にＩＯＬが移植された後に、取得され得る。

処理２８０では、眼の１つ又は複数の手術後測定結果が取得される。いくつかの例では、１つ又は複数の手術後測定結果は、ＩＯＬの移植後のＩＯＬのＡＣＤ_ｐｏｓｔ及び／又はＩＯＬの移植後のＭＲＳＥ_ｐｏｓｔを含み得る。いくつかの例では、ＡＣＤ_ｐｏｓｔは、方法３００の他の処理により支援される処理３９０と同様な処理を使用して抽出され得る。いくつかの例では、ＭＲＳＥ_ｐｏｓｔは眼の光学測定結果に基づき判断され得る。

処理２９０では、１つ又は複数の予測モデルが更新される。いくつかの例では、処理２２０中に抽出された１つ又は複数の手術前測定結果、処理２８０中に抽出されたＡＣＤ_ｐｏｓｔ測定結果、処理２４０中に選択されたＩＯＬ度数、及び処理中に抽出されたＭＲＳＥ_ｐｏｓｔは、新しいトレーニングデータ組み合わせを形成するために組み合わせられ得る。いくつかの例では、新しいトレーニングデータ組み合わせが１つ又は複数の診断トレーニングデータ源１１０へ追加され得る。いくつかの例では、新しいトレーニングデータ組み合わせは、方法２００の次の使用中（例えば方法２００が次の患者へ適用される場合）に、より正確なＡＣＤ_ｐｏｓｔが処理２３０中に推定され得、ＩＯＬ度数のより良い推奨が処理２４０中になされ得、及び／又はより正確なＭＲＳＥ_ｐｏｓｔが処理２５０中に推定され得、したがって次の患者のより良い手術後視覚結果が取得され得るように、予測モデルを反復的に改善するために使用され得る。いくつかの例では、推定ＡＣＤ_ｐｏｓｔと実際のＡＣＤ_ｐｏｓｔとの差、推奨ＩＯＬ度数と選択されたＩＯＬ度数との差、及び／又は推定ＭＲＳＥ_ｐｏｓｔと実際のＭＲＳＥ_ｐｏｓｔとの差はトレーニングフィードバックを１つ又は複数のモデルへ（例えば誤差逆伝播を介して）提供するために使用され得る。

上に論述したようにそしてここでさらに強調されるように、図２は特許請求の範囲を過度に制限すべきでない一例に過ぎない。当業者は多くの変形、代替及び修正形態を認識するだろう。いくつかの実施形態によると、予測エンジンはＡＣＤ_ｐｏｓｔ以外の推定レンズ位置の異なる測度を推定するために使用され得る。いくつかの例では、推定手術後レンズ位置はＩＯＬの赤道に対応し得、ＩＯＬの赤道の推定手術後位置は処理２３０中にＩＯＬ度数を選択するために使用される。

いくつかの実施形態では、他の予測モデル（例えばニューラルネットワークモデル）が、例えば処理２４０中にＩＯＬ度数を選択するための予測モデルを含む方法２００の他の態様を改善するためにトレーニングされ使用され得る。

図５Ａ、５Ｂはいくつかの実施形態による処理システムの線図である。２つの実施形態が図５Ａ、５Ｂに示されるが、当業者はまた、他のシステム実施形態が可能であるということを容易に理解することになる。いくつかの実施形態によると、図５Ａ及び／又は５Ｂの処理システムは、ＩＯＬ選択プラットホーム１０５、眼科診療所１２５、予測エンジン１２０、診断装置１３０、１つ又は複数のコンピュータ装置１４０、手術プランナ１５０、１６０及び／又は１７０のうちの任意の手術プランナなどのうちの１つ又は複数のものに含まれ得るコンピュータシステムを表す。

図５Ａは、システム５００の部品がバス５０５を使用することにより互いに電気的通信状態にあるコンピュータシステム５００を示す。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（例えばＰＲＯＭ、ＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、及び／又は任意の他のメモリチップ又はカートリッジ）の形式のメモリを含む様々なシステム部品をプロセッサ５１０へ結合するシステムバス５０５とを含む。システム５００はさらに、プロセッサ５１０へ直接接続される、その極近傍に接続される、又はその一部として一体化され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のキャッシュ５１２を介し、ＲＯＭ５２０、ＲＡＭ５２５、及び／又は１つ又は複数のストレージ装置５３０内に格納されたデータにアクセスし得る。いくつかの例では、キャッシュ５１２は、キャッシュ５１２内に以前に格納されたデータにメモリ５１５、ＲＯＭ５２０、ＲＡＭ５２５、及び／又は１つ又は複数のストレージ装置５３０からアクセスする際のプロセッサ５１０による遅延を回避するパフォーマンスブーストを提供し得る。いくつかの例では、１つ又は複数のストレージ装置５３０は１つ又は複数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）を格納する。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の処理などの様々な行為を行うためにプロセッサ５１０を制御し得る及び／又は制御するように構成され得る。そしてシステム５００は１つのプロセッサ５１０だけを備えて示されるが、プロセッサ５１０は１つ又は複数の中央処理ユニット（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、デジタルシグナルプロセッサ（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）、グラフィック処理ユニット（ＧＰＵ）、テンソル処理ユニット（ＴＰＵ）などを表し得るということが理解される。いくつかの例では、システム５００はスタンドアロンサブシステムとして及び／又はコンピュータ装置へ追加される基板として又は仮想機械として実装され得る。

システム５００とのユーザ相互作用を可能にするために、システム５００は１つ又は複数の通信インターフェース５４０及び／又は１つ又は複数の入力／出力（Ｉ／Ｏ）装置５４５を含む。いくつかの例では、１つ又は複数の通信インターフェース５４０は、１つ又は複数のネットワーク及び／又は通信バス標準規格に従って通信を提供するために１つ又は複数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。いくつかの例では、１つ又は複数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。いくつかの例では、１つ又は複数のＩ／Ｏ装置５４５は、１つ又は複数のユーザインターフェース装置（例えば、キーボード、ポインティング／選択装置（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）、オーディオ装置（例えば、マイクロホン及び／又はスピーカ）、センサ、アクチュエータ、ディスプレイ装置など）を含み得る。

１つ又は複数のストレージ装置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り提供されるような非一時的且つ不揮発性ストレージを含み得る。いくつかの例では、１つ又は複数のストレージ装置５３０のそれぞれは、システム５００（例えばローカルストレージ装置）と同一場所に配置され得る及び／又はシステム５００（例えばクラウドストレージ装置）から遠く離れ得る。

図５Ｂは、本明細書において説明される方法（例えば方法２００及び／又は３００）のうちの任意の方法を行う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タシステム５５０を示す。システム５５０は、ソフトウェア、ファームウェア及び／又は他の計算を実行することができる任意数の物理的及び／又は論理的個別資源（１つ又は複数の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）を表すプロセッサ５５５を含み得る。示されるように、プロセッサ５５５はまた、１つ又は複数の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、符号器／復号器（ＣＯＤＥＣ）などを含み得る１つ又は複数のチップセット５６０により支援される。示されるように、１つ又は複数のチップセット５６０は、プロセッサ５５５と、１つ又は複数のＩ／Ｏ装置５６５、１つ又は複数のストレージ装置５７０、メモリ５７５、ブリッジ５８０、及び／又は１つ又は複数の通信インターフェース５９０とをインターフェースする。いくつかの例では、１つ又は複数のＩ／Ｏ装置５６５、１つ又は複数のストレージ装置５７０、メモリ、及び／又は１つ又は複数の通信インターフェース５９０は、図５Ａにおいて同様に名付けられたカウンターパートとシステム５００とに対応し得る。

いくつかの例では、ブリッジ５８０はシステム５５０に、１つ又は複数のユーザインターフェース（ＵＩ）部品、例えば、１つ又は複数のキーボード、ポインティング／選択装置（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）、オーディオ装置（例えば、マイクロホン及び／又はスピーカ）、ディスプレイ装置などへのアクセスを提供する追加インターフェースを提供し得る。

いくつかの実施形態によると、システム５００及び／又は５６０は、方法２００及び／又は３００の処理の性能に関しユーザ（例えば、外科医及び／又は他の医療関係者）を支援するのに好適なグラフィックユーザインターフェース（ＧＵＩ）を提供し得る。ＧＵＩは、行われるべき次の行為に関する命令、眼の手術前及び／又は手術後画像（例えば図４に描写されるような）などの注釈付き及び／又は注釈無し生体構造の線図、入力要求などを含み得る。いくつかの例では、ＧＵＩは生体構造などのトゥルーカラー画像及び／又は疑似カラー画像を表示し得る。

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の線図である。いくつかの実施形態では、ニューラルネットワーク６００は、処理２３０、２４０、２５０、及び／又は２９０に関し説明され予測エンジン１２０により使用される１つ又は複数の予測モデルのそれぞれを実施するために使用されるニューラルネットワークを表し得る。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。いくつかの例では、入力データ６１０は、処理２３０中に１つ又は複数の予測モデルへ提供される入力データ、及び／又は処理２９０中の更新中に１つ又は複数の予測モデルへ提供され１つ又は複数の予測モデルをトレーニングするために使用されるトレーニングデータに対応し得る。入力層６２０はスケーリング、範囲制限、等々することにより入力データ６１０を調節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内のニューロンのそれぞれは隠れ層６３１の入力へ供給される出力を生成する。隠れ層６３１は入力層６２０からの出力を処理する複数のニューロンを含む。いくつかの例では、隠れ層６３１内のニューロンのそれぞれは、隠れ層６３９で終了する１つ又は複数の追加隠れ層を介し伝播される出力を生成する。隠れ層６３９は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へ供給される。出力層６４０はスケーリング、範囲制限、等々することにより隠れ層６３９からの出力を調節するために使用される１つ又は複数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に過ぎないということと、１つの隠れ層だけを有するニューラルネットワーク、入力層及び／又は出力層の無いニューラルネットワーク、再帰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ということとを理解すべきである。

いくつかの例では、入力層６２０、隠れ層６３１～６３９、及び／又は出力層６４０のそれぞれは１つ又は複数のニューロンを含む。いくつかの例では、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。いくつかの例では、ニューロンのそれぞれは、式３に示すように出力を生成するために、その入力ｘの組み合わせ（例えばトレーニング可能重み付け行列Ｗを使用する加重和）をとり、任意選択的トレーニング可能バイアスｂを加え、そして活性化関数ｆを適用する。いくつかの例では、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（ｌｏｇ－ｓｉｇｍｏｉｄ）関数、双曲正接関数、ＲｅＬＵ（ｒｅｃｔｉｆｉｅｄｌｉｎｅａｒｕｎｉｔ）関数などであり得る。いくつかの例では、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

いくつかの例では、ニューラルネットワーク６００は（例えば、処理２９０中に）教師あり学習を使用することによりトレーニングされ得る。ここで、トレーニングデータの組み合わせは入力データとグラウンドトゥルース（例えば、期待）出力データとの組み合わせを含む。ニューラルネットワーク６００の出力間の差は、入力データ６１０の入力データを使用して、及びニューラルネットワーク６００により生成されたグラウンドトゥルース出力データと比較することにより生成される。次に、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差は、様々なトレーニング可能重み付け及びバイアスに対する補正をするためにニューラルネットワーク６００内へフィードバックされ得る。いくつかの例では、この差は、確率的勾配降下アルゴリズムなどを使用する誤差逆伝播技術（ｂａｃｋｐｒｏｐａｇａｔｉｏｎｔｅｃｈｎｉｑｕｅ）を使用してフィードバックされ得る。いくつかの例では、大きな一組のトレーニングデータ組み合わせは、全体損失関数（例えば各トレーニング組み合わせの差に基づく平均二乗誤差）が許容可能レベルへ収束するまで、ニューラルネットワーク６００へ複数回提示され得る。

上に説明された実施形態による方法は、非一時的、有形、且つ機械可読媒体上に格納される実行可能命令として実施され得る。実行可能命令は、１つ又は複数のプロセッサ（例えば、プロセッサ５１０及び／又は処理５５５）により実行されると、１つ又は複数のプロセッサに方法２００及び／又は３００の１つ又は複数の処理を行わせ得る。方法２００及び／又は３００の処理を含み得る機械可読媒体のいくつかの共通形態は、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媒体、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、任意の他のメモリチップ又はカートリッジ、及び／又はプロセッサ又はコンピュータが読み出すように適合された任意の他の媒体である。

これらの開示による方法を実施する装置は、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み得、多様な形態要素のうちの任意の形態要素を採り得る。このような形態要素の典型的な例はラップトップ、スマートフォン、小型形態要素パーソナルコンピュータ、携帯情報端末などを含む。本明細書において説明された機能の一部分はまた、周辺装置及び／又はアドインカード内に具現化され得る。このような機能はまた、別の例として、単一装置内で実行する様々なチップ間又は様々な処理間の回路基板上に実装され得る。

例示的実施形態が示され説明されたが、広範囲の修正、変更及び置換が前述の開示において企図され、いくつかの例では、実施形態のいくつかの特徴は他の特徴の対応使用無しに採用され得る。当業者は多くの変形、代替及び修正形態を認識するだろう。したがって、本発明の範囲は以下の特許請求の範囲だけにより制限されるべきであり、特許請求の範囲は広く且つ本明細書において開示される実施形態の範囲と整合するやり方で解釈されることが適切である。

Claims

眼の１つ又は複数の手術前多次元画像を、予測エンジンを実装する１つ又は複数のコンピュータ装置により受信すること；
前記眼の前記１つ又は複数の手術前画像に基づき前記眼の１つ又は複数の手術前測定結果を前記予測エンジンにより抽出すること；
前記眼の前記１つ又は複数の抽出された手術前測定結果に基づき眼内レンズの手術後位置を、機械学習戦略に基づき第１の予測モデルを使用する前記予測エンジンにより推定すること；
前記眼内レンズの少なくとも前記推定された手術後位置に基づき前記眼内レンズの度数を選択すること；
少なくとも前記選択された度数に基づき前記眼内レンズを推奨すること；
前記推奨された眼内レンズの移植後の前記眼の１つ又は複数の手術後多次元画像を受信すること；
前記眼の１つ又は複数の手術後測定結果を抽出すること；及び
前記１つ又は複数の手術前測定結果及び前記１つ又は複数の手術後測定結果に基づき前記第１の予測モデルを更新することを含む、眼内レンズ（ＩＯＬ）選択プラットホームが実行する方法。
前記第１の予測モデルはニューラルネットワークを含む、請求項１に記載の方法。
前記眼内レンズの前記手術後位置は前記眼内レンズの前角膜深さ（ＡＣＤ）又は前記眼内レンズの赤道の位置である、請求項１に記載の方法。
前記眼内レンズを推奨することは前記眼内レンズの前記推定手術後位置又は手術前水晶体の径のうちの１つ又は複数にさらに基づく、請求項１に記載の方法。
前記１つ又は複数の手術前測定結果は、
前記眼の前房のアングル・ツー・アングル幅；
瞳孔面の深さ；
前記眼の視野が固定点上に固定されるときの前記眼の瞳孔軸と前記眼の視線軸との角度；
前記眼の手術前水晶体の径；
前記手術前水晶体の赤道の位置の推定；
前記眼の手術前前房深さ；及び
前記眼の角膜の屈折力からなるグループのうちの１つ又は複数を含む、請求項１に記載の方法。
前記度数を選択することは、少なくとも前記推定手術後位置に基づき前記眼内レンズの推奨度数を、第２の予測モデルを使用する前記予測エンジンにより推奨することを含む、請求項１に記載の方法。
前記推奨度数及び前記選択された度数に基づき前記第２の予測モデルを更新することをさらに含む請求項６に記載の方法。
少なくとも前記推定手術後位置及び前記選択された度数に基づき、手術後自覚的等価球面屈折率（ＭＲＳＥ）を、第２の予測モデルを使用する前記予測エンジンにより推定することをさらに含む請求項１に記載の方法。
実際の手術後ＭＲＳＥを測定すること；及び
前記推定手術後ＭＲＳＥ及び前記実際の手術後ＭＲＳＥに基づき前記第２の予測モデルを更新することをさらに含む請求項８に記載の方法。
前記１つ又は複数の手術前多次元画像はそれぞれ、光コヒーレンストモグラフィ（ＯＣＴ）装置、回転シャインプルーフカメラ及び核磁気共鳴撮像（ＭＲＩ）装置からなるグループから選択される診断装置から受信される、請求項１に記載の方法。
１つ又は複数の抽出された手術前測定結果により注釈された１つ又は複数の手術前多次元画像を表示することをさらに含む請求項１に記載の方法。