KR20210025428A

KR20210025428A - 렌즈 결정 방법 및 이를 이용하는 장치

Info

Publication number: KR20210025428A
Application number: KR1020190105460A
Authority: KR
Inventors: 김진국; 류익희
Original assignee: 주식회사 비쥬웍스
Priority date: 2019-08-27
Filing date: 2019-08-27
Publication date: 2021-03-09
Also published as: KR102303522B1; KR102542015B1; KR20210113143A

Abstract

렌즈 결정 방법 및 이를 이용하는 장치가 개시된다. 일 실시예에 따르면, 기계 학습을 이용한 렌즈 삽입술 시 안구 내 삽입될 렌즈를 결정하는 방법에 있어서, 수술 예정자의 복수의 검사 데이터를 획득하는 단계 및 상기 획득된 수술 예정자의 복수의 검사 데이터를 렌즈 결정 모델에 입력하여, 복수의 렌즈 사이즈 중 상기 수술 예정자의 안구에 삽입될 렌즈의 사이즈를 결정하는 단계를 포함하고, 상기 렌즈 결정 모델은 상기 렌즈 삽입술 시 안구 내 삽입될 렌즈를 결정하기 위한 공식과는 상이하며, 과거에 렌즈 삽입술을 받은 수술자의 검사 데이터 및 상기 수술자의 안구 내 삽입이 적용된 렌즈의 사이즈 정보를 기초로 학습되는 렌즈 결정 방법을 제공할 수 있다.

Description

렌즈 결정 방법 및 이를 이용하는 장치{METHOD FOR DETERMINING LENS AND APPARATUS USING THE METHOD}

아래의 실시예들은 렌즈 삽입술에 이용되는 렌즈를 결정하는 방법 및 이를 이용하는 장치에 관한 것이다. 보다 구체적으로는 인공지능을 이용하여 렌즈 삽입술에 이용되는 렌즈를 결정하는 방법 및 장치에 관한 것이다.

굴절 이상으로 인해 저하된 나안 시력을 교정 시켜 주는 수술 방법 중 하나인 안구 내 렌즈 삽입술은, 수정체가 있는 정상적인 상태의 안구에 굴절 장애를 교정하기 위하여 고안된 특수 렌즈를 삽입하는 것이다.

종래 기술은 렌즈 삽입술 시, 렌즈 제조사에서 제공하는 프로그램을 이용하여 렌즈를 선택하는데, 이는 수술 예정자의 기본적인 안구 관련 수치만을 입력 데이터로 사용될 뿐, 수술 예정자의 안구의 특성이 고려되지 않고 렌즈 사이즈 및 도수가 결정된다. 렌즈 제조사에서 제공하는 프로그램은 일반적으로 단순한 공식을 기초로 만들어지게 되는데, 이러한 공식에서는 단순히 수술 예정자의 기본적인 안구 관련 수치만이 입력 데이터로 사용된다. 그 결과, 수술 예정자는 부적절한 사이즈 및 도수의 삽입으로 백내장, 녹내장 등 부작용이 많이 발생하여 렌즈를 적출하는 등 재수술을 시행해야 하는 문제점이 있다.

최근에는 렌즈 삽입술과 관련하여 부작용 예방 및 시력의 질 향상을 위해 다양한 연구가 진행되고 있다.

일 과제는, 기계 학습을 이용하여, 렌즈 삽입술의 수술 예정자의 안구 특성에 맞는 삽입 렌즈에 관한 정보를 제공하는 것에 관한 것이다.

일 과제는, 인공 지능을 이용한 렌즈 결정 보조 시스템 및 프로세스를 제공하는 것이다.

일 과제는, 렌즈 삽입술의 수술 예정자 각자의 안구 특성을 고려하여 수술 예정자에게 보다 적합한 렌즈를 결정하고, 렌즈 삽입술의 부작용 발생 가능성을 낮추고 시력의 질 향상을 제공하는 것이다.

본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

일 실시예에 따르면, 기계 학습을 이용하여 학습된 렌즈 결정 모델을 통해 렌즈 삽입술 시 수술 예정자의 안구 내 삽입될 렌즈를 결정하는 방법을 제공할 수 있다.

본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

일 실시예에 의하면, 렌즈 삽입술의 수술 예정자의 안구에 적합한 렌즈 사이즈 및 도수의 렌즈를 결정함으로써, 수술 후 부작용 발생을 최소화 시킬 수 있다.

일 실시예에 의하면, 렌즈 삽입술의 수술 예정자의 안구에 적합한 렌즈 사이즈 및 도수의 렌즈를 결정함으로써, 렌즈 삽입술의 재수술을 방지할 수 있다.

본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 렌즈 삽입술 시 렌즈가 삽입되는 위치를 설명하는 도면이다.
도 2는 일 실시예에 따른 렌즈 결정 보조 시스템을 도시한 도면이다.
도 3은 다른 일 실시예에 따른 렌즈 결정 보조 시스템을 도시한 도면이다.
도 4는 다른 일 실시예에 따른 렌즈 결정 보조 시스템을 도시한 도면이다.
도 5는 서버를 이용한 렌즈 결정 보조 시스템을 도식화한 도면이다.
도 6은 서버 장치와 클라이언트 장치 간 관계를 도시한 도면이다.
도 7은 일 실시예에 따른 렌즈 결정 모델을 도시한 도면이다.
도 8은 일 실시예에 따른 렌즈 결정 보조 프로세스에 대한 도면이다.
도 9는 일 실시예에 따른 렌즈 사이즈 결정 모듈에 대한 도면이다.
도 10은 일 실시예에 따른 렌즈 삽입술의 부작용에 대해 설명하기 위한 도면이다.
도 11은 일 실시예에 따른 렌즈 사이즈 결정 프로세스에 대한 도면이다.
도 12는 렌즈 사이즈를 결정하는 일 실시예를 나타낸 도면이다.
도 13은 렌즈 사이즈를 결정하는 일 실시예를 나타낸 도면이다.
도 14는 렌즈 사이즈를 결정하는 다른 일 실시예를 나타낸 도면이다.
도 15는 렌즈 사이즈를 결정하는 다른 일 실시예를 나타낸 도면이다.
도 16은 렌즈 사이즈를 결정하는 또 다른 일 실시예를 나타낸 도면이다.
도 17은 렌즈 사이즈 결정 모델의 복수의 서브 모델을 도식화한 도면이다.
도 18은 볼팅값을 정의하기 위한 도면이다.
도 19는 일 실시예에 따른 볼팅값 예측 모듈에 대한 도면이다.
도 20은 일 실시예에 따른 볼팅값 예측 프로세스에 대한 도면이다.
도 21은 볼팅값을 예측하는 일 실시예를 나타낸 도면이다.
도 22는 볼팅값을 예측하는 다른 일 실시예를 나타낸 도면이다.
도 23은 일 실시예에 따른 렌즈 도수 결정 모듈에 대한 도면이다.
도 24는 일 실시예에 따른 렌즈 도수 결정 프로세스에 대한 도면이다.
도 25는 수술 예정자의 각막 절개 과정에서 발생되는 일 예를 설명하기 위한 도면이다.
도 26 은 렌즈 도수 결정의 일 실시예를 도시한 도면이다.
도 27은 렌즈 도수 결정의 다른 일 실시예를 도시한 도면이다.

일 실시예에 따른 기계 학습을 이용한 렌즈 삽입술 시 안구 내 삽입될 렌즈를 결정하는 방법은 수술 예정자의 복수의 검사 데이터를 획득하는 단계; 및 상기 획득된 수술 예정자의 복수의 검사 데이터를 렌즈 결정 모델에 입력하여, 복수의 렌즈 사이즈 중 상기 수술 예정자의 안구에 삽입될 렌즈의 사이즈를 결정하는 단계;를 포함하고, 상기 렌즈 결정 모델은 상기 렌즈 삽입술 시 안구 내 삽입될 렌즈를 결정하기 위한 공식과는 상이하며, 과거에 렌즈 삽입술을 받은 수술자의 검사 데이터 및 상기 수술자의 안구 내 삽입이 적용된 렌즈의 사이즈 정보를 기초로 학습될 수 있다.

상기 수술 예정자의 복수의 검사 데이터는 제1 데이터 및 제2 데이터 중 어느 하나를 포함하고, 상기 렌즈 결정 모델에 입력하여 결정되는 렌즈 사이즈의 정확도가 높도록 하는 입력 데이터의 우선순위는 상기 제1 데이터가 상기 제2 데이터보다 높을 수 있다

상기 렌즈 사이즈를 결정하는 단계는, 상기 수술 예정자의 검사 데이터가 상기 제1 데이터를 포함하지 않고, 상기 제2 데이터를 포함할 경우에도 상기 제2 데이터를 상기 렌즈 결정 모델에 입력하여 상기 수술 예정자의 안구에 삽입될 렌즈 사이즈를 결정하되, 상기 수술 예정자의 검사 데이터가 상기 제1 데이터를 포함할 경우에 결정되는 렌즈 사이즈의 정확도는 상기 수술 예정자의 검사 데이터가 상기 제1 데이터가 아닌 상기 제2 데이터를 포함할 경우에 결정되는 렌즈 사이즈의 정확도보다 높을 수 있다.

상기 렌즈 사이즈를 결정하는 단계에서, 상기 수술 예정자의 검사 데이터에 따라 도출되는 렌즈 사이즈의 정확도에 대한 신뢰도를 산출하고, 상기 산출된 신뢰도를 사용자에게 제시하여 상기 렌즈 사이즈를 결정할 수 있다.

일 실시예에 따른 렌즈 결정 방법은 상기 수술 예정자의 검사 데이터가 상기 제1 데이터를 제외하고, 상기 제2 데이터 또는 이외의 데이터를 포함하는 경우, 상기 제2 데이터 또는 이외의 데이터로부터 상기 제1 데이터를 추정하는 단계;를 더 포함하고, 상기 추정하는 단계는, 상기 제1 데이터가 상기 렌즈 결정 모델에 입력되는 경우에 도출된 렌즈 사이즈에 대한 정확도는 상기 제2 데이터가 상기 렌즈 결정 모델에 입력되는 경우에 도출된 렌즈 사이즈에 대한 정확도 보다 높을 수 있다.

상기 수술 예정자의 복수의 검사 데이터 중 상기 제1 데이터는 레이저 및/또는 고주파수 초음파를 이용하여 ATA(Anterior Chamber Angle), ACD-epi(Anterior Chamber Depth), ACD-endo, CCT(Central Corneal Thickness), CLR(crystalline lens rise), WTW, Axial Length, BUT, 홍채 사이의 거리 측정, 렌즈가 들어갈 공간 크기값이 획득되고, 상기 제2 데이터는 일반 안과 검진을 이용하여 획득될 수 있다.

상기 렌즈 사이즈를 결정하는 단계에서, 상기 수술 예정자의 안구에 삽입될 렌즈의 사이즈는 미리 정해진 복수의 렌즈 사이즈 중 어느 하나의 렌즈 사이즈로 결정될 수 있다.

상기 렌즈 사이즈를 결정하는 단계에서, 미리 정해진 복수의 렌즈 사이즈가 아닌, 상기 검사 데이터를 상기 렌즈 결정 모델에 입력하여 도출되는 비규격화된 렌즈 사이즈 중 어느 하나의 렌즈 사이즈로 결정될 수 있다.

일 실시예에 따른 렌즈 결정 방법은 상기 획득된 수술 예정자의 검사 데이터를 렌즈 결정 모델에 입력하여 복수의 렌즈 도수 중 상기 수술 예정자의 안구에 삽입될 렌즈 도수를 결정하는 단계;를 더 포함하고, 상기 렌즈 도수를 결정하는 단계는, 상기 렌즈 결정 모델에 의해 결정될 렌즈가 상기 수술 예정자의 안구에 삽입될 경우, 상기 수술 예정자의 목표한 시력이 도출되도록, 상기 렌즈 도수가 결정되고, 상기 렌즈 결정 모델은, 과거에 렌즈 삽입술을 받은 수술자의 검사 데이터 및 상기 수술자의 절개 정보를 기초로 학습될 수 있다.

상기 획득된 수술 예정자의 검사 데이터는 상기 수술 예정자의 안구로부터 측정된 디옵터, 난시축, 난시 방향 파라미터를 포함하고, 상기 렌즈 결정 모델에 상기 수술 예정자의 검사 데이터 및 상기 수술 예정자의 렌즈 삽입술의 각막 절개 과정에서 예상되는 절개 정보를 입력하여, 상기 수술 예정자의 목표 시력에 적합한 렌즈 도수를 결정할 수 있다.

상기 렌즈 결정 모델에 상기 수술 예정자의 검사 데이터다 입력 될 경우, 상기 수술 예정자의 목표 시력이 도출되도록 하는 렌즈 도수 및 상기 수술 예정자의 렌즈 삽입술의 각막 절개 과정에서 예상되는 절개 정보가 결정될 수 있다.

상기 절개 정보는 상기 렌즈 삽입술의 각막 절개 과정에서, 각막 절개 방법, 각막 절개 위치, 각막 절개 방향 및/또는 각막 절개 정도, 코마의 위치, 각막 난시 및 수정체의 난시, 근시 및 난시의 비율 중 적어도 어느 하나를 포함하는 정보일 수 있다.

일 실시예에 따른 기계 학습을 이용한 렌즈 삽입술 시 안구 내 삽입될 렌즈를 결정하는 장치는 수술 예정자의 복수의 검사 데이터를 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 메모리로부터 저장된 상기 수술 예정자의 복수의 검사 데이터를 획득하고, 상기 획득된 수술 예정자의 복수의 검사 데이터를 렌즈 결정 모델에 입력하여, 복수의 렌즈 사이즈 중 상기 수술 예정자의 안구에 삽입될 렌즈의 사이즈를 결정하고, 상기 렌즈 결정 모델은 상기 렌즈 삽입술 시 안구 내 삽입될 렌즈를 결정하기 위한 공식과는 상이하며, 과거에 렌즈 삽입술을 받은 수술자의 검사 데이터 및 상기 수술자의 안구 내 삽입이 적용된 렌즈의 사이즈 정보를 기초로 학습될 수 있다.

일 실시예에 따른 렌즈 삽입술의 수술 예정자의 안구에 삽입될 렌즈의 후면과 수정체 전면 사이의 거리를 나타내는 볼팅값을 예측하는 방법은 상기 수술 예정자의 복수의 검사 데이터 및 적어도 하나의 렌즈 사이즈를 볼팅값 예측 모델에 입력하는 단계; 및 상기 볼팅값 예측 모델로부터 상기 적어도 하나의 입력된 렌즈 사이즈 각각에 대응되는 상기 볼팅값을 예측하는 단계;를 포함하고, 상기 볼팅값 예측 모델은, 과거에 렌즈 삽입술을 받은 수술자의 복수의 검사 데이터, 상기 수술자의 안구에 삽입된 렌즈 사이즈 및 상기 수술자의 수술 후 측정된 볼팅값을 기초로 학습될 수 있다.

상기 볼팅값은 상기 렌즈 삽입술의 수술 예정자의 안구에 삽입될 렌즈의 후면과 수정체 전면 사이의 복수의 거리 중 최단 거리로 정의될 수 있다.

상기 볼팅값을 예측하는 단계;는 상기 예측된 볼팅값이 미리 정해진 범위의 조건을 만족하는지 여부에 따라, 상기 입력된 렌즈 사이즈가 상기 수술 예정자의 안구에 삽입될 렌즈 적부에 대한 정보를 제공하는 단계;를 포함할 수 있다.

상기 예측된 볼팅값이 미리 정해진 범위의 조건을 만족하는 경우, 상기 입력된 렌즈 사이즈가 상기 수술 예정자의 안구에 삽입될 렌즈로 적합에 대한 정보를 제공하고, 상기 예측된 볼팅값이 상기 미리 정해진 범위의 조건을 만족하지 않는 경우, 상기 입력된 렌즈 사이즈가 상기 수술 예정자의 안구에 삽입될 렌즈로 부적합에 대한 정보를 제공할 수 있다.

상기 미리 정해진 범위의 조건은 상기 예측된 볼팅값이 250 내지 750㎛ 내에 포함되는 것을 만족할 수 있다.

일 실시예에 따른 렌즈 삽입술의 수술 예정자의 안구에 삽입될 렌즈의 후면과 수정체 전면 사이의 거리를 나타내는 볼팅값을 예측하는 방법은 상기 수술 예정자의 복수의 검사 데이터를 볼팅값 예측 모델에 입력하는 단계; 및 상기 수술 예정자의 복수의 검사 데이터를 입력하여 상기 볼팅값 예측 모델로부터 상기 수술 예정자의 안구에 적합한 예상 렌즈 사이즈 및 상기 예상 렌즈 사이즈 각각에 대응되는 상기 볼팅값을 예측하는 단계;를 포함하고, 상기 볼팅값 예측 모델은, 상기 렌즈 삽입술의 과거 수술 받은 환자의 복수의 검사 데이터, 상기 환자의 안구에 삽입된 렌즈 사이즈 및 상기 환자의 수술 후 측정된 볼팅값을 기초로 학습될 수 있다.

상기 수술 예정자의 안구에 적합한 예상 렌즈 사이즈는, 미리 정해진 복수의 렌즈 사이즈 중 어느 하나를 선택하는 것을 포함할 수 있다.

상기 수술 예정자의 안구에 적합한 예상 렌즈 사이즈는, 미리 정해진 복수의 렌즈 사이즈가 아닌, 비규격화된 렌즈 사이즈 중 어느 하나를 선택하는 것을 포함할 수 있다.

일 실시예에 따른 렌즈 삽입술의 수술 예정자의 안구에 삽입될 렌즈의 후면과 수정체 전면 사이의 거리를 나타내는 볼팅값을 예측하는 장치는, 수술 예정자의 복수의 검사 데이터를 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 수술 예정자의 복수의 검사 데이터 및 적어도 하나의 렌즈 사이즈를 볼팅값 예측 모델에 입력하고, 상기 볼팅값 예측 모델로부터 상기 적어도 하나의 입력된 렌즈 사이즈 각각에 대응되는 상기 볼팅값을 예측하고, 상기 볼팅값 예측 모델은, 과거에 렌즈 삽입술을 받은 수술자의 복수의 검사 데이터, 상기 수술자의 안구에 삽입된 렌즈 사이즈 및 상기 수술자의 수술 후 측정된 볼팅값을 기초로 학습될 수 있다.

이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다.

또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.

1 용어의 정의

(1) 렌즈 삽입술

렌즈 삽입술은 굴절 이상으로 인해 저하된 나안 시력을 교정 시켜 주는 수술 방법 중 하나로, 수정체가 있는 정상적인 상태의 눈에 굴절 장애를 교정하기 위하여 고안된 특수 렌즈를 삽입하는 수술이다.

도 1에서는 렌즈 삽입술 시 렌즈가 삽입되는 위치를 설명하는 도면이다. 렌즈 삽입술의 종류로는 Co(각막)과 I(홍채) 사이에 렌즈를 삽입하는 전방 렌즈 삽입술과 홍채 뒷면과 수정체 사이의 공간에 렌즈를 삽입하는 후방 렌즈 삽입술이 있다. 도 1을 참조하면, 후방 렌즈 삽입술은 IN1(제1 렌즈 삽입부) 위치에 렌즈가 삽입되고, 전방 렌즈 삽입술은 IN2(제2 렌즈 삽입부) 위치에 렌즈가 삽입될 수 있다. 이하에서는, 설명의 편의를 위하여, 일명 ICL(Implantable Collamer Lens)이라고도 불리우는 후방 렌즈 삽입술을 중심으로 본 발명에 대해 설명한다. 그러나, 이에 한정되는 것은 아니며, 본 발명이 전방 렌즈 삽입술에 적용될 수 있음은 물론이다.

(2) 렌즈

본 명세서에서, 렌즈는 렌즈 삽입술에 이용되는 안내 렌즈를 의미하는 것으로, 안구 표면에 착용하는 하드렌즈 및 소프트렌즈와는 구별될 수 있다.

렌즈에 관한 정보는 렌즈 사이즈와 렌즈 도수에 관한 정보를 포함할 수 있다. 렌즈 사이즈는 복수의 렌즈 사이즈가 있을 수 있다. 렌즈 도수는 복수의 렌즈 도수가 있을 수 있다. 또한, 렌즈의 결정이 라는 표현은 복수의 렌즈 사이즈 및 복수의 렌즈 도수의 조합 중 어느 하나를 결정하는 것을 의미할 수 있다.

(3) 렌즈 결정 모델

렌즈 결정 모델은 인공 지능을 이용하여 안구 내 삽입되는 안내 렌즈를 결정해주는 알고리즘 및/또는 모델을 의미한다. 이하에서 설명하는 렌즈 결정 모델은 입력 데이터로 수술 예정자의 검사 데이터를 상기 모델을 통해 입력하면, 상기 입력 데이터에 대응되는 출력 데이터로 수술 예정자의 안구 내 삽입될 렌즈에 대한 정보를 도출하도록 하는 모델이다. 이하에서 렌즈 결정 모델의 구성, 생성 프로세스 및 판단 프로세스 등을 자세히 기술하도록 한다.

(4) 학습

학습은 학습 데이터 및 라벨링(labeling) 데이터 또는 라벨링 되지 않은 데이터를 기초로 렌즈 결정 모델을 학습 시켜, 렌즈 결정 모델이 입력 데이터에 대하여 출력 데이터를 결정할 수 있도록 하는 과정을 말한다. 즉, 렌즈 결정 모델이 상기 데이터들에 대해 규칙을 형성하여 판단하는 것이다.

렌즈 결정 모델은 학습 데이터를 통해 학습될 수 있다. 렌즈 결정 모델을 학습시킨다는 의미는 모델이 가지고 있는 가중치(weight)를 조정하는 것을 의미한다.

학습 방법으로는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning), 모방 학습(imitation learning) 등 다양한 방법이 존재한다.

2 렌즈 결정 보조 시스템

2.1 렌즈 결정 보조 시스템의 구성

도 2는 일 실시예에 따른 렌즈 결정 보조 시스템(1)을 도시한 것이다. 도 2를 참조하면, 렌즈 결정 보조 시스템(1)은 수술 예정자의 안구 내에 삽입될 렌즈에 관한 정보 중 렌즈 사이즈를 도출하는 렌즈 사이즈 결정 모듈(1000), 렌즈 사이즈의 결정을 보조하는 볼팅값 예측 모듈(2000) 및 렌즈 도수를 도출하는 렌즈 도수 결정 모듈(3000)을 포함할 수 있다.

렌즈 결정 보조 시스템(1)은 렌즈 사이즈 결정, 볼팅값 예측 및 렌즈 도수를 결정하는 기능을 수행할 수 있다. 구체적으로, 렌즈 결정 보조 시스템(1)은 기계 학습을 통해 학습된 렌즈 결정 모델을 이용하여 렌즈 사이즈 결정, 볼팅값 예측 및 렌즈 도수를 결정할 수 있다.

물론, 도 2에서 렌즈 결정 보조 시스템(1)은 렌즈 사이즈 결정 모듈(1000), 볼팅값 예측 모듈(2000) 및 렌즈 도수 결정 모듈(3000)을 모두 포함한 것으로 도시 되었지만, 이에 한정되는 것은 아니고, 경우에 따라, 렌즈 결정 보조 시스템은 렌즈 사이즈 결정 모듈, 볼팅값 예측 모듈 및 렌즈 도수 결정 모듈 중 적어도 하나를 포함할 수도 있다.

또한, 렌즈 사이즈 결정 모듈(1000), 볼팅값 예측 모듈(2000) 및 렌즈 도수 결정 모듈(3000)은 하나의 장치에서 구현될 수도 있고, 각기 다른 장치에서 구현될 수도 있다. 예를 들어, 렌즈 결정 보조 시스템(1)에서 렌즈 사이즈를 도출하는 렌즈 사이즈 결정 모듈이 어느 하나의 장치에서 구현되는 경우 수술 예정자의 안구 내 삽입될 렌즈의 사이즈 정보만을 획득할 수 있다.

또는, 렌즈 결정 보조 시스템(1)에서 렌즈 사이즈 결정 모듈, 볼팅값 예측 모듈 및 렌즈 도수 결정 모듈 중 적어도 둘 이상의 모듈은 서로 연동되어 구현될 수 있다. 예를 들어, 수술 예정자의 안구 내 삽입될 렌즈 사이즈 정보를 획득하기 위해, 렌즈 사이즈 결정 모듈과 볼팅값 예측 모듈을 결합하여, 삽입될 렌즈 사이즈와 함께 예측되는 볼팅값 또한 도출하도록 연동되어 구현될 수 있다. 이하에서는, 렌즈 결정 보조 시스템의 각 모듈을 하나씩 설명하기로 한다.

도 3은 렌즈 결정 보조 시스템(1)의 학습 장치(11) 및 결정 보조 장치(21)의 구성을 나타낸 도면이다. 일 실시예에서, 렌즈 결정 보조 시스템(1)은 학습 장치(11) 및 결정 보조 장치(21)를 포함할 수 있다.

학습 장치(11)는 렌즈 결정 모델을 학습 시킬 수 있다. 구체적으로, 학습 장치(11)는 학습 데이터를 기초로 렌즈 결정 모델을 학습 시킬 수 있다. 학습 장치(11)는 다양한 학습 방법으로 렌즈 결정 모델을 학습 시킬 수 있다. 예를 들어, 학습 장치(11)는 지도 학습, 비지도 학습, 강화 학습, 모방 학습 등의 방법으로 렌즈 결정 모델을 학습시킬 수 있다. 학습 장치(11)는 학습 데이터에 대해 라벨링(labeling)된 데이터를 제공하여 렌즈 결정 모델을 학습 시킬 수 있다. 다만, 반드시 라벨링된 데이터를 이용하는 것은 아니고, 라벨링되지 않은 데이터를 이용할 수도 있다.

결정 보조 장치(21)는 학습 장치(11)로부터 학습된 렌즈 결정 모델을 전달 받아 이용할 수 있다. 구체적으로, 결정 보조 장치(21)는 학습된 렌즈 결정 모델을 이용하여 수술 예정자의 안구 내 삽입될 렌즈 결정을 보조 정보를 출력할 수 있다. 구체적으로, 결정 보조 장치(21)는 수술 예정자의 검사 데이터 등 입력 데이터를 입력 받으면, 상기 수술 예정자의 안구 내에 적합한 렌즈에 대한 정보를 출력할 수 있다. 결정 보조 장치(21)는 출력된 렌즈에 대한 정보를 통해서, 사용자가 렌즈 삽입술의 수술 예정자의 안구 내 삽입될 렌즈를 결정할 수 있도록 할 수 있다.

렌즈에 대한 정보는 렌즈 사이즈, 볼팅값 예측값, 렌즈 도수 등에 관한 정보일 수 있다.

학습 장치(11)에서 학습 데이터를 이용하여 학습된 렌즈 결정 모델은 결정 보조 장치(21)로 전달될 수 있다. 물론, 도 3에서는 학습 장치(11)와 결정 보조 장치(21)가 분리된 것으로 도시 되었으나, 이에 한정되는 것은 아니고, 경우에 따라, 학습 장치(11) 및 결정 보조 장치(21)는 분리되어 구현될 수도 있고, 분리되지 않고 하나로 구현될 수도 있다. 일 예로, 결정 보조 장치는 학습 장치와 동일한 장치일 수도 있고, 별개의 장치일 수 있다.

도 4는 학습 장치 및/또는 결정 보조 장치의 구성을 나타낸 도면이다. 도 4를 참조하면, 학습 장치 및/또는 결정 보조 장치는 메모리부(31), 제어부(33) 및 통신부(35)를 포함할 수 있다.

학습 장치 및/또는 결정 보조 장치는 제어부(33)를 포함할 수 있다. 제어부(33)는 학습 장치 및/또는 결정 보조 장치의 동작을 제어할 수 있다. 제어부(33)는 메모리부(31)에 저장된 시스템 프로그램 및 다양한 프로세싱 프로그램을 판독할 수 있다.

제어부(33)는 CPU(Central Processing Unit), RAM(Random Access Memory), GPU(Graphic Processing Unit), 하나 이상의 마이크로 프로세서 및 기타 미리 정해진 논리에 따라 입력된 데이터를 처리할 수 있는 전자 부품 중 하나 이상을 포함할 수 있다.

학습 장치 및/또는 결정 보조 장치는 메모리부(31)를 포함할 수 있다. 메모리부(31)는 학습에 필요한 데이터 및 학습 모델을 저장할 수 있다. 메모리부(31)는 수술 예정자의 검사 데이터를 저장할 수 있다.

메모리부(31)는 학습 데이터, 라벨링 데이터, 라벨링되지 않은 데이터, 입력 데이터, 출력 데이터 등을 저장할 수 있다.

메모리부(31)는 비휘발성 반도체 메모리, 하드 디스크, 플래시 메모리, RAM, ROM(Read Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory) 또는 그 외에 유형의(tangible) 비휘발성의 기록 매체 등으로 구현될 수 있다.

메모리부(31)는 각종 프로세싱 프로그램, 프로그램의 프로세싱을 수행하기 위한 파라미터 또는 이러한 프로세싱 결과 데이터 등을 저장할 수 있다.

학습 장치 및/또는 결정 보조 장치는 통신부(35)를 더 포함할 수 있다. 통신부(35)는 외부 장치와 통신을 수행할 수 있다. 통신부(35)는 유선 또는 무선 통신을 수행할 수 있다. 통신부(35)는 양방향 또는 단방향 통신을 수행할 수 있다.

학습 장치 및/또는 결정 보조 장치는 프로세서, 휘발성 메모리, 비휘발성 메모리, 대용량 저장 장치 및 통신 인터페이스를 포함할 수 있다. 프로세서는 학습 장치 및/또는 결정 보조 장치를 통하여, 렌즈 결정 모델의 학습을 수행할 수 있다.

도 5는 서버를 이용한 렌즈 결정 보조 시스템을 도식화한 도면이다. 도 5를 참조하면, 렌즈 결정 보조 시스템은 복수의 클라이언트 장치와 서버 장치를 포함할 수 있다. 이하에서, 복수의 클라이언트 장치 중 제1 클라이언트 장치를 예시적으로 설명하나, 이는 제2 클라이언트 장치에서도 동일하게 동작을 수행할 수 있다.

제1 클라이언트 장치(51)는 서버 장치(40)로 정보를 요청하고 이에 응답하여 전송된 렌즈 결정 보조에 대한 정보를 획득할 수 있고, 서버 장치(40)로 렌즈 결정 보조 정보를 요청할 수 있다.

제1 클라이언트 장치(51)는 렌즈 결정에 필요한 데이터를 획득하고, 결정 보조 장치로부터 획득된 데이터를 전송할 수 있다.

제1 클라이언트 장치(51)는 스마트폰, 태블릿 PC 등의 휴대용 디바이스일 수 있다.

서버 장치(40)는 렌즈 결정 모델을 저장 및/또는 구동할 수 있다. 서버 장치(40)는 학습된 렌즈 결정 모델을 구성하는 가중치들을 저장할 수 있다. 서버 장치(40)는 렌즈 결정 보조에 이용되는 데이터를 수집 및/또는 저장할 수 있다.

서버 장치(40)는 렌즈 결정 모델을 이용한 렌즈 결정 보조 프로세스의 결과를 제1 클라이언트 장치(51)로 출력할 수 있다. 서버 장치(40)는 제1 클라이언트 장치(51)로부터 피드백을 획득할 수 있다.

일 실시예에서, 제1 클라이언트 장치(51)는 서버 장치(40)로부터 렌즈 결정 모델을 획득하고, 획득한 렌즈 결정 모델을 구동할 수 있다. 이 경우, 제1 클라이언트 장치(51)는 입력 데이터를 서버 장치(40)에 제공하지 않고도, 렌즈 결정 모델을 구동하여 렌즈 결정 보조에 대한 정보를 획득할 수 있다.

서버 장치(40)는 제1 렌즈 결정 보조 정보를 획득하는 제1 클라이언트 장치(51) 및/또는 제2 렌즈 결정 보조 정보를 획득하는 제2 클라이언트 장치(52)와 통신할 수 있다.

도 6은 서버 장치(40)와 클라이언트 장치(50) 간 관계를 도식화한 도면이다. 도 6을 참조하면, 서버 장치(40)는 클라이언트 장치(50)와 통신부를 통해서 통신을 수행할 수 있다. 통신부는 유선 또는 무선 통신을 수행할 수 있다. 통신부는 양방향 또는 단방향 통신을 수행할 수 있다. 클라이언트 장치(50) 또한 서버 장치(40)와 통신부를 통해서 통신을 수행할 수 있다.

일 실시예에서, 클라이언트 장치(50)에서 수술 예정자의 입력 데이터를 서버 장치로 전송하면, 서버 장치(40)에서 학습된 렌즈 결정 모델을 이용하여 수술 예정자의 안구 내 삽입될 렌즈에 관한 정보를 전송 받을 수 있다.

일 실시예에서, 클라이언트 장치(50)의 제어부(53)가 메모리부(51)로부터 입력 데이터를 획득하고, 획득된 입력 데이터는 통신부(55)를 통해서 서버 장치(40)의 통신부(45)로 전송될 수 있다. 또한, 서버 장치(40)의 제어부(43)는 메모리부(41)에 저장된 렌즈 결정 모델에 입력 데이터를 입력하여 결과값을 획득하고, 획득된 결과값은 통신부(45)를 이용하여 클라이언트 장치(50)의 통신부(55)로 전송될 수 있다.

2.2 렌즈 결정 모델

도 7은 렌즈 결정 모델의 구성을 나타내는 도면이다. 도 7을 참조하면, 렌즈 결정 모델(100)은 렌즈 사이즈 결정 모델(110), 볼팅값 예측 모델(120) 및 렌즈 도수 결정 모델(130)을 포함할 수 있다.

물론, 도 7에서 렌즈 결정 모델(100)은 렌즈 사이즈 결정 모델(110), 볼팅값 예측 모델(120) 및 렌즈 도수 결정 모델(130)을 모두 포함한 것으로 도시 되었지만, 이에 한정되는 것은 아니고, 경우에 따라, 렌즈 결정 모델(100)은 렌즈 사이즈 결정 모델, 볼팅값 예측 모델 및 렌즈 도수 결정 모델 중 적어도 하나를 포함할 수도 있다.

일 실시예에서, 렌즈 결정 모델(100)은 렌즈 사이즈 결정 및 렌즈 도수 결정 모델을 포함할 수도 있고, 렌즈 사이즈 결정 모델 및 볼팅값 예측 모델을 포함할 수도 있다.

또한, 렌즈 결정 모델(100)은 하나의 장치에서 구현될 수도 있고, 각기 다른 장치에서 구현될 수도 있다. 예를 들어, 렌즈 결정 모델이 렌즈 사이즈 결정 모델 및 볼팅값 예측 모델을 포함한 경우, 각 모델은 서로 연동되어 하나의 장치에서 구현될 수 있다. 또는, 렌즈 결정 모델(100)이 렌즈 사이즈 결정 모델 및 렌즈 도수 결정 모델을 포함하는 경우, 렌즈 사이즈 결정 모델은 렌즈 도수 결정 모델과 독립적으로 각기 다른 장치에서 구현될 수 있다.

도 8은 렌즈 결정 보조 프로세스에 대한 도면이다. 도 8을 참조하면, 렌즈 결정 보조 프로세스는 크게 렌즈 결정 모델을 학습시키는 학습 단계(S100) 및 학습된 렌즈 결정 모델을 이용하여 렌즈 결정 모델을 수행하는 결정 단계(S200)로 나누어 고려될 수 있다.

도 8을 참조하면, 학습 단계(S100)는 학습 데이터를 이용하여 렌즈 결정 모델을 학습 시키는 프로세스일 수 있다. 또한, 학습 단계(S100)는 학습 장치에 의하여 수행될 수 있다.

일 실시예에 따르면, 학습 단계(S100)는 학습 데이터를 획득하고, 획득된 데이터로부터 렌즈 결정 모델을 학습시킬 수 있다. 즉, 학습 단계(S100)는 렌즈 결정 모델을 생성하는 과정으로써, 렌즈 결정 모델의 생성에 따라, 렌즈 결정 모델을 구성하는 모델 파라미터를 획득할 수 있다. 일 예로, 모델 파라미터에는 렌즈 결정 모델을 학습 시키면서 조정된 가중치 등이 포함될 수 있다.

일 실시예에서, 학습 데이터는 과거 렌즈 삽입술을 받은 수술자의 복수의 검사 데이터, 상기 수술자의 안구 내 삽입이 적용된 렌즈의 정보(렌즈 사이즈 및 렌즈 도수), 수술 파라미터 및 상기 수술자의 수술 후 측정된 볼팅값 데이터를 포함할 수 있다.

또한, 학습 데이터 중 검사 데이터는 과거 렌즈 삽입술을 받은 수술자가 안구 측정 관련 복수의 검사 장비로부터 획득한 검사 데이터를 포함할 수 있다.

일 실시예에서, 학습 데이터 중 렌즈의 정보는 과거 렌즈 삽입술을 받은 수술자의 안구에 삽입된 렌즈 사이즈 및/또는 렌즈 도수 등을 포함할 수 있다. 이 경우, 상기 렌즈의 정보는 상기 과거 렌즈 삽입술을 받은 수술자가 렌즈 삽입술 후 부작용이 발생하지 않았을 경우에 상기 수술자의 안구에 삽입된 렌즈 사이즈 및/또는 렌즈 도수 등을 포함할 수 있다. 물론, 실시예에 따라, 상기 렌즈의 정보는 상기 과거 렌즈 삽입술을 받은 수술자가 렌즈 삽입술 후 부작용이 발생하였을 경우에 상기 수술자에 안구에 삽입된 렌즈 사이즈 및/또는 렌즈 도수 등을 포함할 수 있다.

또한, 학습 데이터 중 수술 파라미터는 과거 렌즈 삽입술을 받은 수술자의 각막 절개 과정에서의 각막 절개 정보에 관한 것일 수 있다. 일 예로, 수술 파라미터는, 각막 절개 방법, 각막 절개 위치, 각막 절개 정도 등을 포함할 수 있다.

일 실시예에서, 학습 데이터 중 볼팅값 데이터는 렌즈 삽입술의 수술 예정자의 안구 내 삽입될 렌즈의 후면과 수정체 전면 사이의 거리를 나타내는 값을 의미하는 것으로, 과거 렌즈 삽입술을 받은 수술자를 대상으로 측정된 볼팅값 데이터를 의미할 수 있다.

렌즈 결정 모델은 학습 데이터에 기초하여 렌즈의 정보를 출력하는 모델일 수 있다. 렌즈 결정 모델은 렌즈의 정보를 계산하는 복수의 학습 알고리즘(learning algorithm) 중 적어도 어느 하나가 선택될 수 있다. 예를 들어, 알고리즘은 로지스틱 회귀(logistic regression), K-최근접 이웃 알고리즘(K-Nearest Neighbors), 서포트 벡터 머신(Support Vector Machine), 결정 트리(Decision Tree) 등 일 수 있다.

렌즈 결정 모델은 예측되는 값을 계산하는 복수의 학습 알고리즘 중 다수의 학습 알고리즘을 사용할 수 있다. 예를 들어, 렌즈 결정 모델에 앙상블 기법(ensemble method)이 사용될 수 있으며, 학습 알고리즘들을 따로 쓰는 경우에 비해 더 좋은 예측 성능을 얻을 수 있다.

렌즈 결정 모델은 렌즈 정보를 생성하는 분류기(classifier)의 형태로 구현될 수 있다. 분류기는 이중 분류 또는 다중 분류를 수행할 수 있다.

렌즈 결정 모델은 렌즈 정보를 도출하는 데, 회귀(regression)의 형태로 구현될 수 있다. 회귀법은 선형 회귀법, 로지스틱 회귀법 등 일 수 있다.

일실시예에서, 학습 단계(S100)는 임의의 가중치들이 부여된 모델을 이용하여 결과값(출력 데이터)을 획득하고, 획득된 결과값(출력 데이터)을 학습 데이터의 라벨링 데이터와 비교하고, 그 오차에 따라 역전파를 수행하여, 가중치들을 최적화함으로써 수행될 수 있다.

도시하지 않았지만, 학습 단계(S100)는 학습된 렌즈 결정 모델의 성능을 평가하는 평가 단계를 포함할 수 있다. 평가 단계에서, 렌즈 결정 모델은 평가 데이터 세트를 이용하여 평가될 수 있다. 렌즈 결정 모델의 평가는 상기 학습 단계에 의해 학습된 렌즈 결정 모델을 평가하고, 렌즈 결정 모델을 이용하여 새로운 데이터에 대한 예측을 하는 단계일 수 있다. 구체적으로, 평가 단계는 학습된 렌즈 결정 모델이 새로운 데이터에 대한 일반화(generalization)가 가능한 지 측정하는 단계일 수 있다.

또한, 렌즈 결정 모델의 학습 단계(S100)에서, 학습 데이터 세트와 평가 데이터 세트는 구분될 수 있다. 여기서, 학습 데이터 세트는 학습 단계의 학습 과정에서 이용되는 학습 데이터들의 집합을 의미하고, 평가 데이터 세트는 평가 단계의 평가 과정에서 이용되는 평가 데이터들의 집합을 의미할 수 있다. 이 경우, 렌즈 결정 모델을 학습시키기 위해 사용된 학습 데이터 세트는 렌즈 결정 모델의 평가 단계에서 사용되지 않을 수 있다.

또한, 도 8을 참조하면, 결정 단계(S200)는 학습 단계에서 모델 파라미터를 획득하여 학습된 렌즈 결정 모델을 이용할 수 있다. 구체적으로, 결정 단계(S200)는 수술 예정자의 검사 데이터 등 입력 데이터를 획득한 후, 학습된 렌즈 결정 모델을 이용하여 수술 예정자의 안구 내 삽입될 렌즈의 정보(결과값)을 획득할 수 있다. 또한, 결정 단계(S200)는 결정 보조 장치에 의하여 수행될 수 있다.

입력 데이터는 렌즈 삽입술의 수술 예정자의 복수의 검사 데이터 등을 포함할 수 있다.

결과값은 수술 예정자의 안구 내 삽입될 렌즈의 정보를 포함할 수 있다. 렌즈의 정보는 렌즈 사이즈, 렌즈 도수, 볼팅값 예측값 등을 포함할 수 있다. 이하에서는, 렌즈 사이즈 결정, 볼팅값 예측 및 렌즈 도수 결정에 대하여 보다 자세하게 설명한다.

3 렌즈 사이즈 결정

3.1 렌즈 사이즈 결정 모듈의 구성

도 9는 렌즈 사이즈 결정 모듈(1000)의 구성을 나타낸 도면이다. 일 실시예에서, 렌즈 사이즈 결정 모듈(1000)은 입력 데이터로부터 수술 예정자의 안구 내에 삽입될 렌즈 사이즈를 출력할 수 있다.

도 9를 참조하면, 렌즈 사이즈 결정 모듈(1000)은 입력부(1100), 렌즈 사이즈 결정부(1300), 출력부(1500)를 포함할 수 있다.

입력부(1100)는 데이터 베이스로부터 입력 데이터를 획득할 수 있다. 여기서, 입력 데이터는 수술 예정자의 복수의 검사 데이터일 수 있다.

구체적으로, 입력부(1100)는 데이터 베이스와 직접 연결되어 입력 데이터를 획득할 수 있다. 뿐만 아니라, 입력부(1100)는 서버 또는 다른 외부 장치로부터 입력 데이터를 전송 받아 획득할 수도 있다.

입력 데이터는 수술 예정자의 검사 데이터일 수 있다. 입력 데이터는 복수의 파라미터를 포함할 수 있다. 구체적으로, 입력 데이터는 동일 또는 다른 검사 장비로부터 획득된 서로 다른 파라미터를 나타내는 검사 데이터를 포함할 수도 있고, 다른 측정 장비로부터 획득된 동일 파라미터를 나타내는 검사 데이터를 포함할 수도 있다.

또한, 입력 데이터는 동일 시점에서 측정된 검사 데이터를 포함할 수도 있고, 서로 다른 시점에서 측정된 검사 데이터를 포함할 수도 있다.

입력 데이터는 동일 검사 장비로부터 획득된 동일 및/또는 다른 파라미터일 수도 있고, 다른 검사 장비로부터 획득된 동일 및/또는 다른 파라미터일 수도 있다.

또한, 입력 데이터는 하나 일 수도 있고, 복수 개 일 수 있다. 각 입력 데이터마다 결과값(수술 예정자의 안구 내 삽입될 렌즈 사이즈)에 영향을 미치는 정도가 다를 수 있다. 일 실시예에서, 각 입력 데이터는 파라미터를 포함할 수 있고, 입력 데이터에 포함된 파라미터의 종류에 따라, 입력 데이터가 결과값에 영향을 미치는 정도가 달라질 수 있다. 여기서, 파라미터는 수술 예정자의 안구의 특성을 나타내기 위해 정의된 것으로, 수치적으로 표현될 수 있다. 예를 들어, 상기 파라미터는 전방각 사이 거리를 나타내는 ATA(angle to angle distance), ACD(Anterior Chamber Depth)-epi, ACD-endo, CCT(Central Corneal Thickness), CLR(Crystalline Lens Rise), WTW(White to white), AL(Axial Length), 각막 곡률, 굴절이상도(근시, 난시, 원시 정도), 동공 크기, 안압 , 시력 , 각막 모양 , 각막 두께 , 안구 길이 , 렌즈 삽입 공간 등의 파라미터들을 포함할 수 있다.

수술 예정자는 시력 교정술 중 렌즈 삽입술을 선택하여 수술을 진행할 예정인 사람을 포함할 수 있다. 수술 예정자는 렌즈 결정 보조 시스템으로부터 출력된 렌즈에 대한 정보를 이용하여 렌즈 삽입술을 진행할 예정인 사람일 수 있다. 그리고, 사용자는 렌즈 결정 보조 시스템을 이용하여 수술 예정자의 안구 내 삽입될 렌즈에 대한 정보를 획득하는 사람일 수 있다. 예를 들어, 렌즈 삽입술을 진행하는 의사, 렌즈 제조사 등을 포함할 수 있다.

복수의 검사 데이터는 안구를 측정하는 복수의 검사 장비로부터 획득되는 데이터일 수 있고, 복수의 안구 관련 파라미터를 포함할 수 있다.

또한, 검사 데이터는 문진 데이터를 포함할 수 있다. 구체적으로, 수술 예정자의 렌즈 삽입술 후 원하는 목표 시력 등을 포함할 수 있다.

또한, 검사 데이터는 각막에 대한 측정 데이터일 수 있다. 예를 들어, 각막 모양, 각막의 대칭성, 각막 두께 측정 데이터, 각막 구조 단층 촬영 데이터, 각막 형태 분석 데이터, 각막 곡률, 각막 내피세포 검사 데이터 등을 포함할 수 있다.

또한, 검사 데이터는 시력 및/또는 굴절에 대한 측정 데이터일 수 있다. 예를 들어, 과거 착용한 안경 도수 데이터, 시력 검사, 굴절 이상도(근시, 난시, 원시 정도) 등을 포함할 수 있다.

또한, 검사 데이터는 안구 내에 거리 등에 대한 측정 데이터일 수 있다. 구체적으로, 동공 크기, 안구 길이, 렌즈가 삽입될 공간의 거리 등을 포함할 수 있다.

또한, 검사 데이터는 안구 질환 및/또는 보유 질환에 대한 데이터일 수 있다. 예를 들어, 망막 질환, 녹내장, 망막 변성 등 유무에 대한 데이터, 백내장, 홍채 후면의 질환 등을 포함할 수 있다.

또한, 검사 데이터는 망막에 대한 측정 데이터일 수 있다. 예를 들어, 안저 망막 사진 촬영 등을 포함할 수 있다.

그리고, 검사 데이터는 하나 또는 복수의 장비로부터 측정될 수 있다.

물론, 복수의 검사 데이터는 안구를 측정하는 복수의 장비로부터 획득된 데이터만으로 한정되지 않을 수 있다. 그 이외에도 다양한 데이터를 포함할 수 있다. 예를 들어, 안구 관련 유전자, 혈액 등의 검사 데이터를 포함할 수 있다.

렌즈 사이즈 결정부(1300)는 수술 예정자의 복수의 검사 데이터 등과 같은 입력 데이터를 입력하면, 수술 예정자의 안구에 적합한 렌즈 사이즈를 결정할 수 있다. 여기서, 적합한 렌즈 사이즈는 수술 예정자에게 렌즈 삽입술이 진행될 때 부작용 발생 가능성이 최소화 되는 렌즈 사이즈를 의미할 수 있다. 렌즈 사이즈 결정부(1300)의 구체적인 동작은 도 11에서 보다 상세하게 설명한다.

일 실시예에서, 렌즈 사이즈 결정부(1300)는 수술 예정자의 검사 데이터에 따라 도출되는 렌즈 사이즈의 정확도에 대한 신뢰도를 산출할 수 있다. 상기 신뢰도에 대한 정보는 미리 저장되어 있거나 외부로부터 제공 받을 수 있다. 예를 들어, 복수의 검사 장비 중 제1 장비의 결과값에 대한 신뢰도는 90%이고, 제2 장비의 결과값에 대한 신뢰도는 80%임을 포함하는 정보는 미리 저장된 외부 장치를 통해 전송 받을 수 있다. 일 실시예로, 렌즈 사이즈 결정 모델(110)은 학습 단계에서 미리 저장된 신뢰도를 바탕으로 수술 예정자의 검사 데이터에 따라 도출되는 렌즈 사이즈의 정확도에 대한 신뢰도를 산출할 수 있다. 예를 들어, 제1 장비로 측정된 검사 데이터를 이용한 경우 출력된 렌즈 사이즈의 정확도에 대한 신뢰도는 90%임을 산출할 수 있고, 출력부(1500)를 통하여 사용자에게 제시될 수 있다.

출력부(1500)는 렌즈 사이즈 결정부(1300)를 통해 획득된 렌즈 사이즈를 사용자에게 출력할 수 있다. 일 실시예에서, 출력부(1500)는 출력 데이터를 시각적으로 화면에 출력하는 디스플레이를 제공할 수 있다. 또한, 출력부(1500)는 이미지, 텍스트 등 다양한 형식으로 출력할 수 있다.

출력부(1500)는 렌즈 사이즈 결정부(1300)를 통해 수술 예정자의 안구 내 삽입될 렌즈 사이즈에 대한 정보(출력 데이터)를 출력할 수 있다.

출력부(1500)는 렌즈 사이즈 결정 모델의 학습 방법에 따라, 규격화된 렌즈 사이즈를 출력할 수 있다.

일 실시예에 의하면, 렌즈 사이즈 결정 모델이 분류기(classifier)의 형태로 구현된 경우, 출력부는 규격화된 렌즈 사이즈를 출력할 수 있다. 규격화된 렌즈 사이즈는 기성의 렌즈 사이즈일 수 있다. 기성의 렌즈 사이즈는 미리 일정한 규격대로 만들어져 있는 사이즈일 수 있다. 예를 들어, 규격화된 렌즈 사이즈는 12.1mm, 12.6mm, 13.2mm, 13.7mm 일 수 있다. 이하 목차 3.3에서 보다 구체적으로 설명하기로 한다. 다만, 이에 한정되지 않고, 렌즈 사이즈 결정 모델이 회귀(regression)의 형태로 구현된 경우, 출력부는 비규격화된 렌즈 사이즈를 출력할 수 있다. 비규격화된 렌즈 사이즈는 규격화된 렌즈 사이즈와 같이 미리 정해진 범주 중 어느 하나를 선택하는 것이 아니라 렌즈 사이즈의 수치값 자체를 의미하는 것으로, 출력부는 상기 렌즈 사이즈의 수치값을 출력할 수 있다. 이에 대한 자세한 내용은 목차 3.3에서 설명하기로 한다.

도 10은 렌즈 삽입술의 부작용에 대해 설명하기 위한 도면이다. 도 10을 참조하면, 도 10의 (a) 및 (c)는 렌즈 삽입술 후 부적합한 렌즈 사이즈가 삽입된 것을 도시한 것이고, 도 10의 (b)는 렌즈 삽입술 시 적합한 렌즈 사이즈가 삽입된 것을 도시한 것이다. 또한, I는 홍채, La, Lb, Lc는 안구 내 삽입된 렌즈, C는 수정체를 도시한 것이다.

렌즈 삽입술의 부작용은 수술 예정자의 안구의 특성을 고려하지 않고, 적합하지 않은 렌즈 사이즈로 수술이 진행됨으로써 발생될 수 있다. 예를 들어, 도 10의 (a)를 참조하면, 수술 예정자의 안구에는 렌즈 사이즈가 La인 렌즈가 삽입될 수 있다. 이는 수술 예정자의 안구의 특성을 고려하지 않고 작은 렌즈 사이즈를 선택하여 삽입한 것으로, 렌즈와 수정체 사이에 마찰이 일어나 수정체가 손상되어 백내장이 유발될 수 있다. 또한, 도 10의 (c)를 참조하면, 수술 예정자의 안구에는 렌즈 사이즈가 Lc인 렌즈가 삽입될 수 있다. 이는 수술 예정자의 안구의 특성을 고려하지 않고 큰 렌즈 사이즈를 선택하여 삽입한 것으로, Lc의 말단이 수정체와 홍채 사이에 끼어, 방수의 흐름을 막아 녹내장이 유발될 수 있다.

그러므로 렌즈 삽입술은 부작용 발생 가능성이 최소화 되는 렌즈 사이즈가 수술 예정자의 안구 특성을 고려하여 결정되어야 한다. 일 실시예로, 도 10의 (b)를 참조하면, Lb는 수술 예정자의 안구의 특성을 고려한 것으로, 수술 예정자의 안구에 적합한 렌즈 사이즈일 수 있다. Lb는 C와의 사이에서 마찰이 일어나지 않는 사이즈이고, I와의 사이에서도 적절한 간격을 유지하는 위치에 삽입된 것으로, 부작용 발생 가능성이 최소화 되는 렌즈 사이즈일 수 있다.

이와 같이, 수술 예정자의 안구의 특성을 고려하여 안구 내 삽입된 렌즈와 수정체, 홍채 및 렌즈 삽입 공간의 크기 등을 고려한 렌즈 사이즈를 삽입하여야 부작용 발생 가능성이 최소화될 수 있다.

3.2 렌즈 사이즈 결정 프로세스

도 11은 렌즈 사이즈 결정 프로세스(S1000)의 순서도를 나타낸 도면이다. 도 11을 참조하면, 렌즈 사이즈 결정 프로세스(S1000)는 수술 예정자의 복수의 검사 데이터 등 입력 데이터를 획득하는 단계(S1100), 렌즈 사이즈 결정 모델을 이용하여 렌즈 사이즈를 도출하는 단계(S1300)를 포함할 수 있다. 상기 렌즈 사이즈 결정 프로세스(S1000)는 도 2에서 전술된 렌즈 사이즈 결정 모듈(1000)에 의해 수행될 수 있다.

구체적으로, 입력 데이터를 획득하는 단계(S1100)에서, 입력 데이터는 수술 예정자의 안구 측정 관련 복수의 검사 장비로부터 획득되는 복수의 검사 데이터일 수 있다. 일 실시예에서, 안구 측정 관련 복수의 검사 장비는 레이저 및/또는 고주파수 초음파를 이용하여 측정하는 검사 장비일 수 있다. 예를 들어, UBM(ultrasound biomicroscopy), OCT(optical coherence tomography) 등을 포함할 수 있다.

일 실시예에서, 상기 복수의 검사 데이터는 도 9에서 전술된 파라미터들을 포함할 수 있다. 구체적으로, 복수의 검사 데이터는, 각막 곡률, 굴절이상도(근시, 난시, 원시 정도), 동공 크기, 안압, 시력, 각막 모양, 각막 두께, 안구 길이, 렌즈 삽입 공간, ATA(Anterior Chamber Angle), ACD(Anterior Chamber Depth)-epi, ACD-endo, CCT(Central Corneal Thickness), CLR(Crystalline Lens Rise), WTW(White to white), AL(Axial Length), BUT, 홍채 사이의 거리 측정 등의 파라미터들을 포함할 수 있다.

렌즈 사이즈는 획득된 입력 데이터로부터 렌즈 사이즈 결정 모델을 이용하여 도출될 수 있다.

또한, 일 실시예에서, 입력 데이터에 포함된 파라미터의 종류에 따라, 결과값에 영향을 미치는 정도가 다르게 때문에, 입력 데이터마다 결과값이 달라질 수 있다.

또한, 다른 일 실시예에서, 각 입력 데이터는 적어도 일부의 동일한 파라미터를 포함할 수 있으나, 이는 서로 다른 검사 장비에 의해 도출될 수 있다. 서로 다른 검사 장비로부터 동일한 파라미터를 도출하더라도, 나타내는 수치가 상이할 수 있다. 이는 각 검사 장비마다 파라미터를 측정하는 방법 및 원리 등이 상이한 것에 의할 수 있다. 예를 들어, UBM 검사 장비로부터 획득된 A 파라미터(여기서, A 파라미터는 임의의 파라미터를 나타냄)는 OCT 검사 장비로부터 획득된 A 파라미터와 동일한 기능을 수행하는 파라미터이나, 이를 나타내는 수치가 상이할 수 있다. 이와 같이, 검사 장비에 따라 측정되는 파라미터의 정확도가 상이하기 때문에, 입력 데이터가 결과값에 영향을 미치는 정도가 다를 수 있다.

또한, 각 파라미터 또는 동일한 파라미터라도 어떠한 검사 장비로부터 출력된 파라미터인가에 따라 결과값에 영향을 미치는 정도가 다를 수 있고, 그에 따라 입력 데이터간의 우선순위가 달라질 수 있다.

결과값에 대한 정확도를 높이기 위해 가중치는 우선 순위가 높은 파라미터 혹은 우선순위가 높은 검사 장비로부터 도출된 파라미터에 대해 높아질 수 있다.

일 실시예에서, 입력 데이터는 우선순위 데이터를 포함할 수 있다. 우선순위 데이터는 입력 데이터에 포함된 파라미터의 종류에 따라 우선순위가 정해질 수 있다. 예를 들어, 렌즈 사이즈 도출에 영향을 미치는 정도가 큰 제1 파라미터를 포함하는 경우, 상기 입력 데이터는 제1 우선순위 데이터일 수 있다. 렌즈 사이즈 도출에 영향을 미치는 정도가 제1 파라미터보다 작은 제2 파라미터를 포함하는 경우, 상기 입력 데이터는 제2 우선순위 데이터일 수 있다. 설명의 편의를 위하여 제1 우선순위 데이터, 제2 우선순위 데이터만을 설명하였으나, 이에 한정되지 않고, 복수의 우선순위 데이터를 포함할 수 있다.

일 실시예에서, 제1 우선순위 데이터가 포함된 입력 데이터를 이용하여 렌즈 사이즈를 결정한 경우, 제1 렌즈 사이즈가 도출될 수 있고, 제2 우선순위 데이터가 포함된 입력 데이터를 이용하여 렌즈 사이즈를 결정한 경우, 제2 렌즈 사이즈가 도출될 수 있다. 예를 들어, 결과값에 대한 정확도에 대한 확률은 제1 렌즈 사이즈가 제2 렌즈 사이즈보다 높을 수 있다. 이 때, 수술 예정자가 제1 렌즈 사이즈로 수술할 경우, 제2 렌즈 사이즈로 수술하는 경우보다 부작용 발생이 적을 수 있다.

일 실시예에서, 렌즈 사이즈 도출 단계(S1300)에서, 입력 데이터에 제1 우선순위 데이터가 포함되지 않고, 제2 우선순위 데이터가 포함된 경우, 렌즈 사이즈 결정부는 제2 우선순위 데이터를 이용하여 렌즈 사이즈를 도출할 수 있다.

일 실시예에서, 입력 데이터는 제1 우선순위 데이터가 필수적으로 포함될 수 있다. 이는 결과값에 대한 정확도를 보장하기 위함이다.

학습 단계(S100)에서 렌즈 사이즈 결정 모델은 제1 우선순위 데이터 및 제2 우선순위 데이터가 같이 학습될 수도 있고, 각각 따로 학습될 수도 있다. 일 실시예에 따라, 제1 우선순위 데이터 및 제2 우선순위 데이터가 같이 학습되면 렌즈 사이즈 도출 단계(S1300)에서, 제1 우선순위 데이터 및 제2 우선순위 데이터 중 어느 하나가 사용될 수 있다. 다른 일 실시예에 따라, 제1 우선순위 데이터만 학습되면 렌즈 사이즈 도출 단계(S1300)에서, 제1 우선순위 데이터만 사용될 수도 있고, 제2 우선순위 데이터만 학습되면 렌즈 사이즈 도출 단계(S1300)에서, 제2 우선순위 데이터만 사용될 수도 있다. 물론 이에 한정되지 않고, 일 실시예에 따라 제1 우선순위 데이터만으로 학습되더라도 렌즈 사이즈 도출 단계(S1300)에서, 제2 우선순위 데이터가 사용될 수 있고, 제2 우선순위 데이터만으로 학습되더라도 렌즈 사이즈 도출 단계(S1300)에서 제1 우선순위 데이터가 사용될 수도 있다.

3.3 실시예

도 12 및 도 13은 렌즈 사이즈를 결정하는 일 실시예를 나타낸 도면이다. 즉, 도 12 및 도 13에서는 도 11에서 전술된 단계 S1300을 보다 상세하게 설명한다. 도 12 및 도 13을 참조하면, 일 실시예에서, 렌즈 사이즈 결정 모델은 분류기(classifier)를 포함하여 구현될 수 있다.

일 실시예에서, 분류기는 결정 트리(decision tree), 서포트 벡터 머신(support vector machine), 랜덤 포레스트(random forest) 등 종류의 알고리즘을 이용할 수 있다. 이는 예시일 뿐, 이에 한정되지 않는다.

일 실시예에서, 렌즈 사이즈 결정 모듈(1000)은 렌즈 사이즈 결정 모델(110)에 입력 데이터를 입력하고, 렌즈 사이즈 결정 모델(110)로부터 렌즈 사이즈를 도출할 수 있다. 렌즈 사이즈 결정 모델(110)은 분류기(classifier)를 포함할 수 있고, 분류기는 미리 정해진 값을 가지는 렌즈 사이즈 중 어느 하나를 결정할 수 있다.

또한, 수술 예정자의 입력 데이터로부터 분류기를 포함하여 구현된 렌즈 사이즈 결정 모델을 이용하여 규격화된 렌즈 사이즈가 획득될 수 있다. 분류기는 수술 예정자의 입력 데이터로부터 수술 예정자의 안구 내 삽입될 하나의 렌즈 사이즈를 결정할 수 있다.

또한, 규격화된 렌즈 사이즈는 기성의 렌즈 사이즈일 수 있다. 기성의 렌즈 사이즈는 미리 일정한 규격대로 만들어져 있는 사이즈일 수 있다. 일 실시예에서, 수술 예정자의 입력 데이터로부터 분류기로 구현된 렌즈 사이즈 결정 모델을 이용하여 규격화된 렌즈 사이즈, 예를 들어, 12.1mm, 12.6mm, 13.2mm, 13.7mm 중 하나인 12.6mm의 렌즈 사이즈가 결정될 수 있다.

도 14 및 도 15는 렌즈 사이즈를 결정하는 다른 일 실시예를 나타낸 도면이다. 즉, 도 14 및 15에서도 도 11에서 전술된 단계 S1300을 보다 상세하게 설명한다. 도 14 및 도 15를 참조하면, 일 실시예에서, 렌즈 사이즈 결정 모델은 회귀(regression)모델을 포함하여 구현될 수 있다.

일 실시예에서, 회귀 모델은 선형 회귀(linear regression), 회귀 나무(regression tree), 서포트 벡터 회귀(support vector regression), 커넬 회귀(kernel regression) 등 종류의 알고리즘을 이용할 수 있다. 이는 예시일 뿐, 이에 한정되지 않는다.

일 실시예에서, 렌즈 사이즈 결정 모듈(1000)은 렌즈 사이즈 결정 모델(110)에 입력 데이터를 입력하고, 렌즈 사이즈 결정 모델(110)로부터 렌즈 사이즈를 도출할 수 있다. 렌즈 사이즈 결정 모델(110)은 회귀 모델(regression)을 포함할 수 있고, 회귀 모델은 미리 정해진 값일 수도 있고 미리 정해진 값이 아닐 수도 있는 렌즈 사이즈 중 어느 하나를 결정할 수 있다.

또한, 수술 예정자의 입력 데이터는 회귀 모델을 포함하여 구현된 렌즈 사이즈 결정 모델을 이용하여 규격화 및/또는 비규격화된 렌즈 사이즈를 획득할 수 있다. 회귀 모델은 수술 예정자의 입력 데이터로부터 수술 예정자의 안구 내 삽입될 렌즈 사이즈에 대한 확률을 도출할 수 있다. 가장 높은 확률로 도출된 렌즈 사이즈가 수술 예정자의 안구 내 삽입될 렌즈 사이즈 중 가장 적합한 렌즈 사이즈일 수 있다.

일 실시예에 의하면, 출력부(1500)는 렌즈 사이즈 결정 모델의 학습 방법에 따라, 비규격화된 렌즈 사이즈를 출력할 수 있다. 비규격화된 렌즈 사이즈는 기성의 렌즈 사이즈를 포함한 전체 렌즈 사이즈로 표현될 수 있다. 구체적으로, 비규격화된 렌즈 사이즈는 수술 예정자의 안구의 특성을 고려하여 안구 내 삽입될 렌즈 사이즈로서, 기성의 렌즈 사이즈보다 클 수도 있고, 작을 수도 있으며, 기성의 렌즈 사이즈 사이의 크기일 수도 있다. 비규격화된 렌즈 사이즈는 수술 예정자의 안구의 특성을 고려하여 주문 제작될 렌즈 사이즈일 수 있다. 비규격화된 렌즈 사이즈는 규격화된 렌즈 사이즈보다 수술 예정자 안구에 최적화된 렌즈 사이즈일 수 있다. 이는 수술 예정자의 안구에 커스터마이징된 렌즈 사이즈일 수 있다.

다른 일 실시예에서, 렌즈 사이즈 결정 모델(110)은 분류기(classifier) 및 회귀 모델(regression)을 포함하여 구현될 수 있다. 즉, 렌즈 사이즈 결정 모델(110)은 분류기 및 회귀 모델을 직렬적 또는 병렬적으로 조합하여 구현될 수 있다. 일 예로, 렌즈 사이즈 결정 모듈(1000)은 분류기 및 회귀 모델이 조합된 렌즈 사이즈 결정 모델(110)에 입력 데이터를 입력 하고, 상기 조합된 렌즈 사이즈 결정 모델(110)로부터 렌즈 사이즈 및 수치를 도출할 수 있다. 예를 들어, 회귀 모델을 통해 출력된 렌즈 사이즈 12.5mm는 분류기를 통해 12.6mm의 규격화된 렌즈 사이즈를 도출할 수 있다. 또는, 분류기를 통해 출력된 렌즈 사이즈 13.2mm는 회귀 모델을 통해 13.3mm의 비규격화된 렌즈 사이즈를 도출할 수 있다. 이는 예시적인 것일 뿐, 분류기를 통해 출력된 렌즈 사이즈와 회귀 모델을 통해 출력된 렌즈 사이즈가 동시에 도출될 수도 있다.

도 16은 렌즈 사이즈를 결정하는 또 다른 일 실시예를 나타낸 도면이다. 도 16을 참조하면, 렌즈 사이즈 결정 모듈(1000)은 입력 데이터를 보완하는 데이터 보완부(1200)를 더 포함할 수 있다.

데이터 보완부(1200)는 검사 장비로부터 우선순위 데이터를 획득할 수 없는 경우 또는 우선순위 데이터를 획득할 수 있는 검사 장비가 구비되지 않는 환경에서, 렌즈 삽입술 시 수술 예정자의 안구 내 삽입되는 렌즈 사이즈에 대하여 보다 정확한 렌즈 사이즈를 도출할 수 있다.

일 실시예에 따르면, 입력 데이터는 제1 우선순위 데이터 및 제2 우선순위 데이터가 포함될 수 있고, 제1 우선순위 데이터만 포함될 수도 있고, 제2 우선순위 데이터만 포함될 수도 있다. 사용자는 입력 데이터로 제2 우선순위 데이터만 사용할 수 있고, 제1 우선순위 데이터는 사용할 수 없는 경우, 결과값에 대한 정확도는 제1 우선순위 데이터만 사용하는 경우보다 낮을 수 있다. 이러한 경우와 같이, 제1 우선순위 데이터가 결측된 경우에도 결과값에 대한 정확도를 향상시키기 위해, 데이터 보완부(1200)를 이용하여 제1 우선순위 데이터를 추정할 수 있다.

데이터 보완부(1200)는 입력된 데이터로부터 제1 우선순위 데이터를 추정할 수 있다.

우선순위 데이터는 결과값에 영향을 미치는 정도가 큰 파라미터를 포함할 수 있다. 결과값에 대한 정확도를 높이기 위해서 우선순위가 높은 데이터, 즉 결과값에 영향을 미치는 정도가 큰 파라미터가 포함된 데이터를 입력할 수 있다. 예를 들어, 렌즈 사이즈 결정부가 파라미터 중 ATA를 포함한 제1 입력 데이터를 이용하여 렌즈 사이즈를 결정할 경우, 결과값에 대한 정확도가 높을 수 있고, ATA를 포함하지 않고, CCT만 포함한 제2 입력 데이터를 이용하여 렌즈 사이즈를 결정할 경우, 결과값에 대한 정확도가 낮을 수 있다. 이 경우, 제1 입력 데이터는 우선순위가 높은 제1 우선순위 데이터를 포함한 것으로, 결과값에 대한 정확도가 높을 수 있다.

상황에 따라 제1 우선순위 데이터를 획득하지 못하고 제2 우선순위 데이터만을 획득 가능한 경우에도 정확도를 높이기 위하여, 데이터 보완부는 제2 입력 데이터를 이용하여 제1 우선순위 데이터를 추정할 수 있다. 추정된 제1 우선순위 데이터는 렌즈 사이즈 결정부(1300)에서 입력 데이터로 사용될 수 있다. 예를 들어, 제2 입력 데이터에 포함된 CCT, 시력 검사 데이터 등과 같은 파라미터로부터 결측값에 해당되는 ATA를 추정할 수 있다.

일 실시예에서, 제1 우선순위 데이터를 측정할 수 있는 검사 장비가 구비되지 못한 경우, 데이터 보완부를 이용하여 제1 우선순위 데이터를 추정할 수 있다.

일 실시예에서, 데이터 보완부(1200)는 제1 우선순위 데이터 이외의 입력 데이터를 별도의 공식을 이용하여 제1 우선순위 데이터로 추정할 수 있다.

일 실시예에서, 데이터 보완부(1200)는 데이터 보완 모델을 이용하여 제1 우선순위 데이터 이외의 입력 데이터를 별도의 공식을 이용하여 제1 우선순위 데이터로 추정할 수 있다. 도시하지 않았지만, 데이터 보완 모델은 학습 데이터로 제1 우선순위 데이터 및 제2 우선순위 데이터를 기초로 학습될 수 있다. 일 예로, 데이터 보완 모델은 제2 우선순위 데이터를 입력 받아 제1 우선순위 데이터가 도출되도록 학습될 수 있다. 상기 학습된 데이터 보완 모델은 입력 데이터로 제2 우선순위 데이터를 입력하면, 추정되는 제1 우선순위 데이터를 도출할 수 있다. 이는 예시일 뿐, 이에 한정되지 않는다.

또한, 일 실시예에서, 렌즈 사이즈 결정 모델은 예측되는 값을 계산하는 복수의 기계 학습 알고리즘 중 다수의 기계 학습 알고리즘을 함께 사용할 수 있다. 일 예로, 렌즈 사이즈 결정 모델은 앙상블 기법(ensemble method)을 이용하여 학습되고 렌즈 사이즈를 추정할 수 있다. 렌즈 사이즈 결정 모델에 앙상블 기법이 이용됨에 따라 렌즈 사이즈 결정 모델의 정확도가 향상될 수 있다.

도 17은 렌즈 사이즈 결정 모델의 복수의 서브 모델을 도식화한 도면이다. 도 17을 참조하면, 렌즈 사이즈 결정 모델은 복수의 서브 모델을 포함할 수 있다. 복수의 서브 모델 각각은 독립적으로 렌즈 사이즈를 결정할 수 있다. 예를 들어, 제1 서브모델은 랜덤 포레스트 기법으로 학습되어 렌즈 사이즈를 결정하는 모델일 수 있고, 제2 서브모델은 결정 트리 기법으로 학습되어 렌즈 사이즈를 결정하는 모델일 수 있다. 또한, 도 17에서는 제1 서브 모델 및 제2 서브 모델만 도시하였으나, 이는 예시적인 것일 뿐, 서브 모델은 복수 개의 서브 모델이 있을 수 있다.

복수의 서브 모델은 서로 병렬적으로 연결될 수 있다. 여기서, 복수의 서브 모델에 입력되는 입력 데이터 및 복수의 서브 모델이 출력하는 출력값은 서로 동일할 수도 있고, 다를 수도 있다.

렌즈 사이즈 결정 모델은 서브 모델의 출력값에 기초하여 예측 결과를 출력할 수 있다.

렌즈 사이즈 결정 모델은 병렬적으로 연결된 복수의 서브 모델의 출력값에 기초하여 예측 결과를 출력하는 출력 서브 모델을 포함할 수 있다. 일 실시예에서, 제1 서브 모델 및 제2 서브 모델의 출력값인 제1 출력값 및 제2 출력값이 동일한 경우, 출력 서브 모델은 상기 동일한 값을 출력할 수 있다. 다른 일 실시예에서, 제1 서브 모델 및 제2 서브 모델의 출력값인 제1 출력값 및 제2 출력값이 상이한 경우, 출력 서브 모델은 상기 복수의 서브 모델의 출력값을 일정 비율로 고려하여 예측 결과를 출력하거나 상기 복수의 출력값 중 특정 값을 출력할 수 있다. 다시 말해, 출력 서브모델은 제1 서브모델로부터의 제1 출력값 및 제2 서브모델로부터의 제2 출력값에 가중치를 부여하고, 각 출력값에 부여된 가중치를 반영하여 렌즈 사이즈를 출력할 수 있다. 예를 들어, 제1 출력값에 0.8의 가중치가 부여되고 제2 출력값에 0.2의 가중치가 부여되며, 제1 출력값이 규격화된 렌즈 사이즈 중 12.6mm을 나타내며, 제2 출력값이 규격화된 렌즈사이즈 중 13.2mm를 나타내는 경우, 출력 서브 모델은 가중치가 높은 제1 출력값인 12.6mm의 렌즈 사이즈를 출력값으로 도출할 수 있다.

또한, 예를 들어, 제1 출력값에 0.8의 가중치가 부여되고, 제2 출력값에 0.2의 가중치가 부여되며, 제1 출력값이 비규격화된 렌즈 사이즈 중 12.6mm을 나타내며, 제2 출력값이 비규격화된 렌즈사이즈 중 13.2mm를 나타내는 경우, 출력 서브 모델은 가중치를 반영한 12.7mm의 렌즈 사이즈를 출력값으로 도출할 수 있다.

또한, 상기 가중치는 학습 과정에서 결정될 수 있다. 즉, 복수의 서브 모델을 포함한 렌즈 사이즈 결정 모델에 대해서도 도 8에서 전술된 학습 단계(S100)가 수행될 수 있고, 상기 학습 단계(S100)에서 가중치가 결정될 수 있다.

또 다른 일 실시예에서, 출력 서브 모델은 상기 복수의 출력값에 기초하여 생성된 또 다른 값을 예측 결과로 출력할 수 있다. 여기서, 출력 서브 모델의 출력값은 상기 복수의 출력값과 동일한 종류일 수도 있고 다른 종류일 수도 있다.

일 실시예에서, 제1 서브모델과 제2 서브모델은 동일하고, 각 서브모델에 입력되는 입력 데이터가 상이할 수 있다. 입력 데이터는 제1 우선순위 데이터 일 수 있고, 또는 제2 우선순위 데이터일 수 있다. 우선순위가 높은 데이터가 입력된 서브 모델은 높은 가중치가 부여될 수 있다. 예를 들어, 제1 우선순위 데이터가 입력된 제1 서브 모델은 제2 우선순위 데이터가 입력된 제2 서브 모델보다 높은 가중치가 부여되어, 제1 출력값을 렌즈 사이즈 출력값으로 도출할 수 있다.

4 볼팅값 예측

4.1 볼팅값 정의

도 18은 볼팅값을 정의하기 위한 도면이다. 볼팅(vaulting)값(또는, 볼트(vault)값 이라고도 함)은 렌즈 삽입술의 수술 예정자의 안구 내 삽입될 렌즈의 후면과 수정체 전면 사이의 거리를 나타내는 값으로, 구체적으로, 안구 내 삽입될 렌즈의 후면과 수정체 전면 사이의 복수의 거리 중 최단 거리로 정의된다. 도 18을 참조하면, L은 수술 예정자의 안구 내 삽입된 렌즈, I는 홍채, C는 수정체, V는 볼팅값을 도시하였다. L은 I와 C 사이의 공간에 삽입될 수 있다. 안구 내 삽입된 렌즈와 수정체 전면 사이에는 복수의 거리가 존재할 수 있다. 이 중에서 렌즈의 후면과 수정체 전면 사이의 최단 거리, 즉 각막의 중심으로부터 수직 방향으로 렌즈와 수정체 사이의 거리가 V가 될 수 있다.

일반적으로, 렌즈 삽입술 후 수술자의 안구 내에 적합한 사이즈의 렌즈가 삽입되었는지 확인하기 위해, 볼팅값을 측정할 수 있다. 수술 후 측정된 볼팅값이 일정 범위 내에 포함되면, 안구 내 삽입된 렌즈의 사이즈가 수술자의 안구에 적합한 렌즈 사이즈임을 판단할 수 있다. 일 예로, 상기 일정 범위는 볼팅값이 250 내지 750㎛ 내에 포함될 수 있다. 일 실시예에서, 볼팅값이 250㎛ 이하일 경우, 수술자의 안구 내 삽입된 렌즈 사이즈는 수술자의 안구에 적합한 사이즈보다 작은 사이즈가 삽입되었다고 볼 수 있다. 수술자의 안구에 적합한 렌즈 사이즈보다 작은 사이즈가 삽입된 경우, 도 10의 (a)에서 설명한 것과 같이, 백내장이 유발될 수 있다. 다른 실시예에서, 볼팅값이 750㎛ 이상일 경우, 수술자의 안구 내 삽입된 렌즈 사이즈는 수술자의 안구에 적합한 사이즈보다 큰 사이즈가 삽입되었다고 볼 수 있다. 수술자의 안구에 적합한 렌즈 사이즈보다 큰 사이즈가 삽입된 경우, 도 10의 (c)에서 설명한 것과 같이 녹내장이 유발될 수 있다. 그러므로, 렌즈 삽입술의 부작용을 예방하기 위해 수술 후 볼팅값이 적정 범위 내에 포함되어야 할 수 있다. 즉 렌즈 삽입술 전 렌즈를 정확하게 설계한 후 삽입할 필요성이 있다. 이하에서는 볼팅값을 예측하는 볼팅값 예측 모듈 및 그에 대한 프로세스에 대하여 설명한다.

4.2 볼팅값 예측 모듈 구성

도 19는 볼팅값 예측 모듈(2000)의 구성을 나타낸 도면이다. 일 실시예에서, 볼팅값 예측 모듈(2000)은 입력 데이터로부터 수술 예정자의 안구 내 예측 볼팅값을 출력할 수 있다.

도 19를 참조하면, 볼팅값 예측 모듈(2000)은 입력부(2100), 볼팅값 예측부(2300), 출력부(2500)를 포함할 수 있다.

입력부(2100)는 데이터 베이스로부터 입력 데이터를 획득할 수 있다. 입력 데이터는 수술 예정자의 복수의 검사 데이터일 수 있다.

구체적으로, 입력부(2100)는 데이터 베이스와 직접 연결되어 입력 데이터를 획득할 수 있다. 뿐만 아니라, 입력부(2100)는 서버 또는 다른 외부 장치로부터입력 데이터를 전송 받아 획득할 수도 있다.

입력 데이터는 수술 예정자의 검사 데이터일 수 있다. 검사 데이터는 상기 목차 3.1에서 설명한 것과 동일할 수 있다. 이하에서는 이와 다른 내용만 설명하기로 한다.

일 실시예에 따르면, 입력 데이터는 수술 예정자의 안구 내 삽입될 임의의 예상 렌즈 사이즈를 포함할 수 있다. 임의의 예상 렌즈 사이즈는 규격화 또는 비규격화된 렌즈 사이즈일 수 있다.

일 실시예에서, 볼팅값 예측부(2300)는 입력 데이터로부터 수술 예정자의 볼팅값을 예측할 수 있다.

또한, 볼팅값 예측부(2300)는 예측된 볼팅값이 일정 범위 내에 포함되면, 상기 예측된 볼팅값을 제공할 수 있고, 사용자는 예측된 볼팅값을 기초로 적정 렌즈 사이즈로 수술이 되었음을 판단할 수 있다.

일 실시예에서, 볼팅값 예측부(2300)는 예측된 볼팅값에 따라, 입력된 렌즈 사이즈가 수술 예정자의 렌즈 삽입술이 가능한지 여부에 대한 정보를 제공할 수 있다. 예를 들어, 예측된 볼팅값이 250 내지 750㎛ 범위 내에 포함되지 않는 200㎛가 도출된 경우, 수술 예정자의 렌즈 삽입술은 불가하다는 판단을 제공할 수 있다. 이는 예시일 뿐 이에 한정되지 않고, 그 반대로, 예측된 볼팅값이 일정 범위 내에 포함되는 경우, 렌즈 삽입술이 가능하다는 판단을 제공할 수도 있다.

또한, 볼팅값 예측부(2300)는 예측된 볼팅값에 따라, 입력된 렌즈 사이즈가 수술 예정자의 렌즈 삽입술에 적합한지 여부에 대한 정보를 제공할 수 있다. 예를 들어, 예측된 볼팅값이 500㎛인 경우, 입력 데이터로 입력된 13.2mm의 렌즈 사이즈가 수술 예정자의 렌즈 삽입술에 적합하다는 정보를 제공할 수 있다. 또한 예측된 볼팅값이 800㎛인 경우, 입력 데이터로 입력된 13.2mm의 렌즈 사이즈가 수술 예정자의 렌즈 삽입술에 적합하지 않다는 정보를 제공할 수도 있다. 이는 예시일 뿐, 이에 한정되지 않는다.

볼팅값 예측부(2300)의 구체적인 동작은 도 20에서 보다 상세하게 설명한다.

출력부(2500)는 볼팅값 예측부(2300)를 통해 획득된 볼팅값을 사용자에게 출력할 수 있다. 일 실시예에서, 출력부(2500)는 출력 데이터를 시각적으로 화면에 출력하는 디스플레이를 제공할 수 있다. 또한, 출력부(2500)는 이미지, 텍스트 등 다양한 형식으로 출력할 수 있다.

일 실시예에서, 예측된 볼팅값은 렌즈 삽입술의 결과를 판단하는 기준이 될 수 있다. 예를 들어, 예측된 볼팅값이 250 내지 750㎛ 범위 내에 포함되면, 사용자는 수술 예정자의 안구에 적합한 렌즈 사이즈로 수술되었다고 판단할 수 있다.

일 실시예에서, 볼팅값 예측부(2300)의 결과값에 따라, 입력 데이터로 입력된 렌즈 사이즈에 대한 수술 예정자의 렌즈 삽입술 적부 및/또는 가부에 대한 정보를 출력할 수 있다.

4.3 볼팅값 예측 프로세스

도 20은 볼팅값 예측 프로세스(S2000)의 순서도를 나타낸 도면이다. 도 20을 참조하면, 볼팅값 예측 프로세스(S2000)는 수술 예정자의 검사 데이터 등 입력 데이터를 획득하는 단계(S2100), 볼팅값 예측 모델을 이용하여 예측 볼팅값을 도출하는 단계(S2300)를 포함할 수 있다. 상기 볼팅값 예측 프로세스(S2000)는 도 2에서 전술된 볼팅값 예측 모듈(2000)에 의해 수행될 수 있다.

구체적으로, 입력 데이터를 획득하는 단계(S2100)에서, 입력 데이터는 수술 예정자의 안구 측정 관련 복수의 검사 장비로부터 획득되는 복수의 검사 데이터일 수 있다. 이는 목차 3.2의 렌즈 사이즈 결정 프로세스와 동일하므로 생략한다.

일 실시예에서, 입력 데이터는 상기 복수의 검사 데이터 및 임의의 렌즈 사이즈가 포함될 수 있다.

예측 볼팅값을 도출하는 단계(S2300)에서, 수술 예정자의 복수의 검사 데이터를 기초로 볼팅값 예측 모델을 이용하여 임의의 렌즈 사이즈에 대응되는 볼팅값을 예측할 수 있다.

일 실시예에서, 볼팅값 예측 모델(120)은 도 3에서 설명한 것과 같이, 학습 장치(11)에 의하여 학습될 수 있고, 결정 보조 장치(21)에 의하여 예측된 볼팅값을 도출할 수 있다. 또한, 볼팅값 예측 모델(120)은 학습 단계(S100)를 통해서 학습될 수 있고, 결정 단계(S200)을 통해서 예측된 볼팅값을 도출할 수 있다. 도 3 및 도 8에서 설명된 사항이 볼팅값 예측 모델(110)에도 그대로 적용될 수 있다.

4.4 실시예

일 실시예에서, 볼팅값 예측 모듈은 수술 예정자의 복수의 검사 데이터 및/또는 예상된 렌즈 사이즈를 입력 데이터로 하여 볼팅값을 예측할 수 있다.

도 21은 볼팅값 예측의 일 실시예를 도시한 도면이다. 도 21을 참조하면, 볼팅값 예측부(2300)는 수술 예정자의 복수의 검사 데이터를 입력 데이터로 하여 볼팅값 및 렌즈 사이즈를 예측할 수 있다.

볼팅값은 안구에 삽입될 렌즈 사이즈에 따라 다르게 도출될 수 있다.

일 실시예에서, 볼팅값 예측 모듈(2000)은 검사 데이터를 볼팅값 예측 모델(120)에 입력하면, 렌즈 사이즈 및 예측된 볼팅값을 같이 출력할 수 있다. 출력 데이터로 렌즈 사이즈 및 예측된 볼팅값을 같이 출력함으로써, 사용자는 수술 예정자의 안구의 특성에 맞는 렌즈 사이즈를 예측된 볼팅값을 기준으로 정확하게 판단할 수 있다. 예를 들어, 12.6mm의 렌즈 사이즈 및 500㎛가 출력된 경우, 예측된 볼팅값이 적정 범위 내에 포함되므로, 사용자는 출력된 렌즈 사이즈가 수술 예정자의 안구의 특성에 맞는 렌즈 사이즈임을 판단할 수 있다. 또는, 13.2mm의 렌즈 사이즈 및 900㎛가 출력된 경우, 예측된 볼팅값이 적정 범위 내에 포함되지 않으므로, 사용자는 출력된 렌즈 사이즈가 수술 예정자의 안구의 특성에 맞지 않는 렌즈 사이즈임을 판단할 수 있다. 이는 예시일 뿐, 이에 한정되지 않는다.

일 실시예에서, 볼팅값 예측 모델(120)은 검사 데이터를 입력하고, 볼팅값 및 렌즈 사이즈를 출력하는 학습 데이터를 이용하여 학습될 수 있다. 볼팅값 예측 모델의 학습 단계는 도 8에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.

일 실시예에서, 예측된 볼팅값은 일정 범위를 만족하는 볼팅값일 수 있다. 즉, 출력부(2500)는 일정 범위 내를 만족하는 볼팅값 및 이에 대응되는 렌즈 사이즈를 출력할 수 있다. 예를 들어, 출력부(2500)는 볼팅값이 250 내지 750㎛ 범위 내를 만족하는 500㎛ 일 때의 렌즈 사이즈 12.6mm를 출력할 수 있다.

도 22는 볼팅값 예측의 다른 일 실시예를 도시한 도면이다. 도 22를 참조하면, 볼팅값 예측부(2300)는 수술 예정자의 복수의 검사 데이터 및 임의의 렌즈 사이즈를 입력 데이터로 하여 볼팅값을 예측할 수 있다.

일 실시예에서, 볼팅값 예측 모듈(2000)은 검사 데이터 및 임의의 렌즈 사이즈를 볼팅값 예측 모델(120)에 입력하면, 예측된 볼팅값을 출력할 수 있다. 사용자는 입력된 임의의 렌즈 사이즈에 대해, 예측된 볼팅값을 보고 상기 입력된 임의의 렌즈 사이즈가 수술 예정자의 안구의 특성에 맞는 렌즈 사이즈인지 판단할 수 있다. 예를 들어, 입력 데이터로 검사 데이터 및 13.2mm의 렌즈 사이즈를 입력한 후, 450㎛의 예측된 볼팅값이 출력된 경우, 상기 임의의 렌즈 사이즈인 13.2mm의 렌즈 사이즈는 수술 예정자의 안구의 특성에 맞는 렌즈 사이즈임을 판단할 수 있다. 이는 예시일 뿐, 이에 한정되지 않는다.

일 실시예에서, 볼팅값 예측 모델(120)은 검사 데이터 및 렌즈 사이즈를 입력하고, 볼팅값을 출력하는 학습 데이터를 이용하여 학습될 수 있다. 볼팅값 예측 모델의 학습 단계는 도 8에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.

도시하지 않았지만, 일 실시예에서, 볼팅값 예측부(2300)는 렌즈 사이즈 결정부(1300)와 연동하여 구현될 수 있다. 이는 사용자가 렌즈 사이즈 결정부(1300)를 통해 도출된 결과값의 정확도를 검증할 수 있다. 예를 들어, 렌즈 사이즈 결정부(1300)를 통해 도출된 렌즈 사이즈인 13.2mm를 볼팅값 예측부(2300)의 입력 데이터로 검사 데이터와 함께 입력한 경우, 예측된 볼팅값이 500㎛라면, 이는 볼팅값이 일정 범위 내에 포함되는 것으로, 상기 렌즈 사이즈 결정부의 결과값인 13.2mm의 렌즈 사이즈가 수술 예정자의 안구 내 적합한 결과값이고, 결과값에 대한 정확도 또한 높음을 검증할 수 있다.

일 실시예에서, 렌즈 사이즈 결정부(1300)와 볼팅값 예측부(2300)는 서로 직렬적으로 연결될 수 있다. 구체적으로, 렌즈 사이즈 결정부(1300)를 이용하여 도출된 렌즈 사이즈(출력 데이터)는 볼팅값 예측부(2300)의 입력 데이터로 획득될 수 있다. 즉, 볼팅값 예측부(2300)는 입력 데이터로 렌즈 사이즈 결정부의 결과값인 렌즈 사이즈 및 수술 예정자의 복수의 검사 데이터가 될 수 있다. 이를 통해, 볼팅값 예측부(2300)는 입력된 렌즈 사이즈와 대응되는 예측 볼팅값을 출력할 수 있다.

5 렌즈 도수 결정

5.1 렌즈 도수 결정 모듈의 구성

렌즈삽입술 후 수술안의 최대 교정 시력이 목표 시력 이상이 나오더라도, 수술 후 잔여 난시로 인해 시력의 질이 떨어질 수 있다. 예를 들어, 렌즈삽입술 후 수술안의 교정 시력이 목표 시력인 1.2에 도달하고 난시 교정이 일부 되더라도, 잔여 난시가 남아있을 수 있다. 이 경우, 수술자는 상기 잔여 난시로 인하여 기대하였던 수술결과를 얻을 수 없다. 그러므로 렌즈삽입술에 이용되는 렌즈의 도수를 결정할 때, 각막 난시 등 난시의 요소는 고려되어야 할 수 있다.

일 실시예에서, 렌즈의 도수를 결정할 때, 최대 교정 시력뿐만 아니라 수술로 인하여 유발되는 각막 난시 등을 고려하여 렌즈의 도수를 결정할 필요가 있다. 이 경우, 상기 잔여 난시가 미리 예측되고, 렌즈에 상기 잔여 난시를 교정하기 위한 요소가 미리 반영될 수 있다. 이에 따라, 사용자는 목표 시력뿐만 아니라 원하는 시력의 질까지도 얻을 수 있다.

도 23은 렌즈 도수 결정 모듈(3000)의 구성을 나타낸 도면이다. 일 실시예에서, 렌즈 도수 결정 모듈(3000)은 입력 데이터로부터 수술 예정자의 안구 내에 삽입될 렌즈 도수를 출력할 수 있다.

도 23을 참조하면, 렌즈 도수 결정 모듈(3000)은 입력부(3100), 렌즈 사이즈 결정부(3300), 출력부(3500)를 포함할 수 있다.

입력부(3100)는 데이터 베이스로부터 입력 데이터를 획득할 수 있다. 입력 데이터는 수술 예정자의 복수의 검사 데이터일 수 있다.

구체적으로, 입력부(3100)는 데이터 베이스와 직접 연결되어 입력 데이터를 획득할 수 있다. 뿐만 아니라, 입력부(3100)는 서버 또는 다른 외부 장치로부터 입력 데이터를 전송 받아 획득할 수도 있다.

일 실시예에 따르면, 검사 데이터는 상기 수술 예정자의 측정된 나안 시력, 안구로부터 측정된 디옵터, 난시축, 난시 방향 파라미터, 각막 난시 및 수정체의 난시, 근시 및 난시의 비율 데이터 등을 포함할 수 있다.

일 실시예에 따르면, 입력 데이터는 각막 절개 정보를 포함할 수 있다. 각막 절개 정보는 렌즈 삽입술 시 렌즈를 삽입하기 전 수술 예정자의 각막을 절개하는 과정에서, 예측된 또는 계획된 각막 절개에 대한 정보를 의미할 수 있다. 각막 절개 정보는 수술 예정자의 렌즈 삽입술의 각막 절개 과정에서, 각막 절개 방법, 각막 절개 위치, 각막 절개 방향 및/또는 각막 절개 정도 등을 포함할 수 있다. 각막 절개 정보 중 각막 절개의 위치에 따라 난시의 변화량이 상이해질 수 있고, 각막 절개의 크기에 따라 수술로 유발되는 난시값(SIA)이 상이해질 수 있다. 그러므로 렌즈의 도수를 결정 시, 각막 절개 정보를 고려하여 난시의 변화량 및/또는 수술로 유발되는 난시 등의 요소를 조정한 난시를 예상 후 렌즈의 도수를 결정하면 보다 시력의 질이 향상되는 효과를 가져올 수 있다.

일 실시예에서, 렌즈 도수 결정부(3300)는 수술 예정자의 복수의 검사 데이터 등과 같은 입력 데이터를 렌즈 도수 결정 모델(130)에 적용하여 수술 예정자의 안구에 적합한 렌즈 도수를 결정할 수 있다. 여기서, 적합한 렌즈 도수는 수술 예정자에게 렌즈 삽입술이 진행될 때 부작용 발생 가능성이 최소화 되고, 시력의 질이 높은 렌즈 도수를 의미할 수 있다. 렌즈 도수 결정에서의 부작용은 시력 저하, 시력 저하에 따른 두통 등이 있을 수 있다.

일 실시예에서, 적합한 렌즈 도수를 결정하기 위하여 렌즈 도수 결정부(3300)는 수술 예정자의 복수의 검사 데이터 및/또는 수술 예정자의 예상 각막 절개 정보 등과 같은 입력 데이터를 입력하여, 수술 예정자의 안구에 적합한 렌즈 도수를 출력할 수 있다.

렌즈 도수 결정부(3300)의 구체적인 동작은 도 24에서 보다 상세하게 설명한다.

출력부(3500)는 렌즈 도수 결정부(3300)를 통해 수술 예정자의 안구 내 삽입될 렌즈 도수에 대한 정보(출력 데이터)를 출력할 수 있다.

출력부는 렌즈 도수 결정 모델의 학습 방법에 따라, 수술 예정자의 안구에 적합한 렌즈 도수를 출력할 수 있다.

일 실시예에 의하면, 렌즈 도수 결정 모델이 회귀(regression)의 형태로 구현된 경우, 출력부는 수술 예정자의 안구의 목표 시력에 적합한 렌즈 도수를 출력할 수 있다. 복수의 렌즈 도수 중 수술 예정자의 안구에 적합하도록 하는 가장 높은 확률의 렌즈 도수를 출력할 수 있다. 이는 예시적인 것으로, 이에 한정되지 않고, 렌즈 도수 결정 모델은 분류기(classifier)를 사용하여 구현될 수도 있다. 이 경우, 규격화된 복수의 렌즈 도수 중에서 수술 예정자의 안구에 적합한 렌즈 도수를 출력할 수 있다.

5.2 렌즈 도수 결정 프로세스

도 24는 렌즈 도수 결정 프로세스(S3000)의 순서도를 나타낸 도면이다. 도 24를 참조하면, 렌즈 도수 결정 프로세스(S3000)는 수술 예정자의 복수의 검사 데이터 등 입력 데이터를 획득하는 단계(S3100), 렌즈 도수 결정 모델을 이용하여 렌즈 도수를 도출하는 단계(S3300)를 포함할 수 있다. 상기 렌즈 도수 결정 프로세스(S3000)는 도 2에서 전술된 렌즈 도수 결정 모듈(3000)에 의해 수행될 수 있다.

구체적으로, 입력 데이터를 획득하는 단계(S3100)에서, 입력 데이터는 수술 예정자의 안구 측정 관련 복수의 검사로부터 획득되는 복수의 검사 데이터 일 수 있다. 일 실시예에서, 안구 측정 관련 복수의 검사는 세극등 현미경 검사, 안저 검사, 자동 굴절 및 각막 곡률 검사, 각막 지형도 검사 등을 포함할 수 있다.

일 실시예에서, 상기 복수의 검사 데이터는 나안 시력, 코마의 위치, 각막 난시 및 수정체 난시, 근시와 난시의 비율 등을 포함할 수 있다.

일 실시예에서, 입력 데이터는 수술 예정자의 예상되는 각막 절개 정보를 포함할 수 있다. 예를 들어, 예상되는 각막 절개 정보는 수술 예정자의 각막 절개 과정에서, 각막의 절개 정도, 각막의 절개 위치, 각막의 절개 방향 등을 포함할 수 있다.

렌즈 도수를 결정하는 단계에서, 각막 절개 정보가 고려될 수 있다. 도 25는 각막 절개 정보를 설명하기 위한 도면이다. 구체적으로, 도 25의 (a)는 난시 교정이 없는 경우의 각막 절개, 도 25의 (b)는 난시 교정이 있는 경우의 각막 절개를 예시적으로 도식화한 도면이다.

도 25의 (a)를 참조하면, 일 실시예에서, 수술 예정자의 시력 교정 중 난시 교정이 없을 경우 각막 절개 방향은 동공을 중심으로 x축 방향일 수 있다. 또한, 각막 절개 정도는 동공의 1/4 길이 일 수 있다.

도 25의 (b)를 참조하면, 일 실시예에서, 수술 예정자의 시력 교정 중 난시 교정이 있을 경우, 각막 절개 방향은 동공을 중심으로 y축 방향일 수 있다. 또한, 각막 절개 정도는 동공의 1/4 길이 일 수 있다.

도 25는 수술 예정자의 각막 절개 과정에서 발생되는 일 예를 설명한 것으로, 이에 한정되지 않고, 수술 예정자의 난시 정도, 난시 비율 등에 따라 상이해질 수 있다.

일 실시예에서, 입력 데이터는 검사 데이터 이외에 도 25에서 설명한 것과 같이 예상되는 각막 절개 정보를 입력하여 사용될 수 있다. 상기 각막 절개 정보를 입력한 경우, 렌즈 도수 결정부는 이를 고려하여 렌즈 도수를 결정할 수 있다.

5.3 실시예

도 26 은 렌즈 도수 결정의 일 실시예를 도시한 도면이다. 도 26을 참조하면, 렌즈 도수 결정부(3300)는 수술 예정자의 복수의 검사 데이터를 입력 데이터로 하여, 렌즈 도수를 출력할 수 있다.

일 실시예에서, 렌즈 도수 결정 모듈(3000)은 검사 데이터를 렌즈 도수 결정 모델(130)에 입력하면, 렌즈 도수를 출력할 수 있다.

일 실시예에서, 렌즈 도수 결정 모델(130)은 검사 데이터를 입력하고, 렌즈 도수를 출력하는 학습 데이터를 이용하여 학습될 수 있다. 렌즈 도수 결정 모델의 학습 단계는 도 8에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.

도시하지 않았지만, 일 실시예에서 렌즈 도수 결정부(3300)는 수술 예정자의 검사 데이터를 입력 데이터로 하여, 렌즈 도수 및 각막 절개 정보를 출력할 수 있다. 각막 절개 과정에서 각막 절개 정도, 각막 절개 위치, 각막 절개 정도 등 각막 절개 정보와 동시에 예상되는 렌즈 도수를 출력함으로써, 상기 각막 절개 정보에 따라 교정되는 난시 등의 요소가 고려된 렌즈 도수를 출력할 수 있다.

일 실시예에서, 렌즈 도수 결정 모델(130)은 검사 데이터를 입력하고, 렌즈 도수 및 각막 절개 정보를 출력하는 학습 데이터를 이용하여 학습될 수 있다. 렌즈 도수 결정 모델의 학습 단계는 도 8에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.

도시하지 않았지만, 일 실시예에서 렌즈 도수 결정부(3300)는 수술 예정자의 검사 데이터를 입력 데이터로 하여, 렌즈 도수, 각막 절개 정보 및 수술로 유발되는 난시값(SIA)등 난시 파라미터를 출력할 수 있다. 각막 절개 과정에서 각막 절개 정보 및 수술로 유발되는 난시값(SIA) 등 난시 파라미터와 동시에 예상되는 렌즈 도수를 출력함으로써, 상기 각막 절개 정보에 따라 교정되는 난시 및 수술로 유발되는 난시 등의 요소가 고려된 렌즈 도수를 출력할 수 있다.

일 실시예에서, 렌즈 도수 결정 모델(130)은 검사 데이터를 입력하고, 렌즈 도수, 각막 절개 정보 및 수술로 유발되는 난시값(SIA) 등 난시 파라미터를 출력하는 학습 데이터를 이용하여 학습될 수 있다. 렌즈 도수 결정 모델의 학습 단계는 도 8에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.

도 27은 렌즈 도수 결정의 다른 일 실시예를 도시한 도면이다. 도 27을 참조하면, 렌즈 도수 결정부(3300)는 수술 예정자의 복수의 검사 데이터 및 각막 절개 정보를 입력 데이터로 하여, 렌즈 도수를 출력할 수 있다.

일 실시예에서, 렌즈 도수 결정 모델(130)은 검사 데이터 및 각막 절개 정보를 입력하고, 렌즈 도수를 출력하는 학습 데이터를 이용하여 학습될 수 있다. 렌즈 도수 결정 모델의 학습 단계는 도 8에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.

도시하지 않았지만, 일 실시예에서 렌즈 도수 결정부(3300)는 수술 예정자의 복수의 검사 데이터 및 각막 절개 정보를 입력 데이터로 하여, 예측된 수술로 유발되는 난시값(SIA) 등 난시 파라미터를 출력할 수 있다.

일 실시예에서, 렌즈 도수 결정 모델(130)은 검사 데이터 및 각막 절개 정보를 입력하고, 난시 파라미터를 출력하는 학습 데이터를 이용하여 학습될 수 있다. 렌즈 도수 결정 모델의 학습 단계는 도 8에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.

도시하지 않았지만, 일 실시예에서 렌즈 도수 결정부(3300)는 수술 예정자의 복수의 검사 데이터 및 각막 절개 정보를 입력 데이터로 하여, 예측된 수술로 유발되는 난시값(SIA) 등 난시 파라미터 및 각막 절개 정보를 출력할 수 있다.

일 실시예에서, 렌즈 도수 결정 모델(130)은 검사 데이터 및 각막 절개 정보를 입력하고, 난시 파라미터 및 각막 절개 정보를 출력하는 학습 데이터를 이용하여 학습될 수 있다. 렌즈 도수 결정 모델의 학습 단계는 도 8에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.

실시예에 따른 방법은 다양한 컴퓨팅 장치를 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨팅 장치에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

상기에서는 실시예를 기준으로 본 발명의 구성과 특징을 설명하였으나 본 발명은 이에 한정되지 않으며, 본 발명의 사상과 범위 내에서 다양하게 변경 또는 변형할 수 있음은 본 발명이 속하는 기술 분야의 당업자에게 명백한 것이며, 따라서 이와 같은 변경 또는 변형은 첨부된 특허청구범위에 속함을 밝혀둔다.

Claims

기계 학습을 이용한 렌즈 삽입술 시 안구 내 삽입될 렌즈를 결정하는 방법에 있어서,
수술 예정자의 복수의 검사 데이터를 획득하는 단계; 및
상기 획득된 수술 예정자의 복수의 검사 데이터를 렌즈 결정 모델에 입력하여, 복수의 렌즈 사이즈 중 상기 수술 예정자의 안구에 삽입될 렌즈의 사이즈를 결정하는 단계;를 포함하고,
상기 렌즈 결정 모델은
상기 렌즈 삽입술 시 안구 내 삽입될 렌즈를 결정하기 위한 공식과는 상이하며, 과거에 렌즈 삽입술을 받은 수술자의 검사 데이터 및 상기 수술자의 안구 내 삽입이 적용된 렌즈의 사이즈 정보를 기초로 학습되는 렌즈 결정 방법.
제1 항에 있어서,
상기 수술 예정자의 복수의 검사 데이터는 제1 데이터 및 제2 데이터 중 어느 하나를 포함하고,
상기 렌즈 결정 모델에 입력하여 결정되는 렌즈 사이즈의 정확도가 높도록 하는 입력 데이터의 우선순위는 상기 제1 데이터가 상기 제2 데이터보다 높은 렌즈 결정 방법.
제2 항에 있어서,
상기 렌즈 사이즈를 결정하는 단계는,
상기 수술 예정자의 검사 데이터가 상기 제1 데이터를 포함하지 않고, 상기 제2 데이터를 포함할 경우에도 상기 제2 데이터를 상기 렌즈 결정 모델에 입력하여 상기 수술 예정자의 안구에 삽입될 렌즈 사이즈를 결정하되,
상기 수술 예정자의 검사 데이터가 상기 제1 데이터를 포함할 경우에 결정되는 렌즈 사이즈의 정확도는 상기 수술 예정자의 검사 데이터가 상기 제1 데이터가 아닌 상기 제2 데이터를 포함할 경우에 결정되는 렌즈 사이즈의 정확도보다 높은 렌즈 결정 방법.
제1 항에 있어서,
상기 렌즈 사이즈를 결정하는 단계에서,
상기 수술 예정자의 검사 데이터에 따라 도출되는 렌즈 사이즈의 정확도에 대한 신뢰도를 산출하고, 상기 산출된 신뢰도를 사용자에게 제시하여 상기 렌즈 사이즈를 결정하는 렌즈 결정 방법.
제2 항에 있어서,
상기 수술 예정자의 검사 데이터가 상기 제1 데이터를 제외하고, 상기 제2 데이터 또는 이외의 데이터를 포함하는 경우, 상기 제2 데이터 또는 이외의 데이터로부터 상기 제1 데이터를 추정하는 단계;를 더 포함하고,
상기 추정하는 단계는,
상기 제1 데이터가 상기 렌즈 결정 모델에 입력되는 경우에 도출된 렌즈 사이즈에 대한 정확도는 상기 제2 데이터가 상기 렌즈 결정 모델에 입력되는 경우에 도출된 렌즈 사이즈에 대한 정확도 보다 높은 것을 특징으로 하는 렌즈 결정 방법.
제 2항에 있어서,
상기 수술 예정자의 복수의 검사 데이터 중 상기 제1 데이터는 레이저 및/또는 고주파수 초음파를 이용하여 ATA(Anterior Chamber Angle), ACD-epi(Anterior Chamber Depth), ACD-endo, CCT(Central Corneal Thickness), CLR(crystalline lens rise), WTW, Axial Length, BUT, 홍채 사이의 거리 측정, 렌즈가 들어갈 공간 크기값이 획득되고,
상기 제2 데이터는 일반 안과 검진을 이용하여 획득되는, 렌즈 결정 방법.
제1 항에 있어서,
상기 렌즈 사이즈를 결정하는 단계에서,
상기 수술 예정자의 안구에 삽입될 렌즈의 사이즈는 미리 정해진 복수의 렌즈 사이즈 중 어느 하나의 렌즈 사이즈로 결정되는 렌즈 결정 방법.
제1 항에 있어서,
상기 렌즈 사이즈를 결정하는 단계에서,
미리 정해진 복수의 렌즈 사이즈가 아닌, 상기 검사 데이터를 상기 렌즈 결정 모델에 입력하여 도출되는 비규격화된 렌즈 사이즈 중 어느 하나의 렌즈 사이즈로 결정되는 렌즈 결정 방법.
제1 항에 있어서,
상기 획득된 수술 예정자의 검사 데이터를 렌즈 결정 모델에 입력하여 복수의 렌즈 도수 중 상기 수술 예정자의 안구에 삽입될 렌즈 도수를 결정하는 단계;를 더 포함하고,
상기 렌즈 도수를 결정하는 단계는,
상기 렌즈 결정 모델에 의해 결정될 렌즈가 상기 수술 예정자의 안구에 삽입될 경우, 상기 수술 예정자의 목표한 시력이 도출되도록, 상기 렌즈 도수가 결정되고,
상기 렌즈 결정 모델은,
과거에 렌즈 삽입술을 받은 수술자의 검사 데이터 및 상기 수술자의 절개 정보를 기초로 학습되는 렌즈 결정 방법.
제9 항에 있어서,
상기 획득된 수술 예정자의 검사 데이터는 상기 수술 예정자의 안구로부터 측정된 디옵터, 난시축, 난시 방향 파라미터를 포함하고,
상기 렌즈 결정 모델에 상기 수술 예정자의 검사 데이터 및 상기 수술 예정자의 렌즈 삽입술의 각막 절개 과정에서 예상되는 절개 정보를 입력하여, 상기 수술 예정자의 목표 시력에 적합한 렌즈 도수를 결정하는 렌즈 결정 방법.
제9 항에 있어서,
상기 렌즈 결정 모델에 상기 수술 예정자의 검사 데이터를 입력될 경우, 상기 수술 예정자의 목표 시력이 도출되도록 하는 렌즈 도수 및 상기 수술 예정자의 렌즈 삽입술의 각막 절개 과정에서 예상되는 절개 정보가 결정되는 렌즈 결정 방법
제9 항에 있어서,
상기 절개 정보는 상기 렌즈 삽입술의 각막 절개 과정에서, 각막 절개 방법, 각막 절개 위치, 각막 절개 방향 및/또는 각막 절개 정도, 코마의 위치, 각막 난시 및 수정체의 난시, 근시 및 난시의 비율 중 적어도 어느 하나를 포함하는 정보인, 렌즈 결정 방법.
제1항 내지 제12항 중 어느 하나의 항의 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
기계 학습을 이용한 렌즈 삽입술 시 안구 내 삽입될 렌즈를 결정하는 장치에 있어서,
수술 예정자의 복수의 검사 데이터를 저장하는 메모리; 및
프로세서;를 포함하고,
상기 프로세서는,
상기 메모리로부터 저장된 상기 수술 예정자의 복수의 검사 데이터를 획득하고,
상기 획득된 수술 예정자의 복수의 검사 데이터를 렌즈 결정 모델에 입력하여, 복수의 렌즈 사이즈 중 상기 수술 예정자의 안구에 삽입될 렌즈의 사이즈를 결정하고,
상기 렌즈 결정 모델은
상기 렌즈 삽입술 시 안구 내 삽입될 렌즈를 결정하기 위한 공식과는 상이하며, 과거에 렌즈 삽입술을 받은 수술자의 검사 데이터 및 상기 수술자의 안구 내 삽입이 적용된 렌즈의 사이즈 정보를 기초로 학습되는 렌즈 결정 장치.