TWI741762B - 由計算裝置執行的方法以及記錄媒體 - Google Patents

Abstract

本發明是有關於一種視力校正手術推薦方法，且根據本 發明的一個態樣的方法包括如下步驟：獲得被檢查者的檢查資料；自被檢查者的檢查資料預測視力校正手術是否適合被檢查者；在視力校正手術適合被檢查者時，自檢查資料對被檢查者能否進行使用雷射的視力校正手術進行預測；在對被檢查者而言能夠進行使用雷射的視力校正手術時，自檢查資料計算被檢查者在標準視力校正手術後的角膜形狀因子預測值及客製視力校正手術後的角膜形狀因子預測值；且在對被檢查者而言能夠進行使用雷射的視力校正手術時，自檢查資料建議對應於被檢查者的視力校正手術。

Description

由計算裝置執行的方法以及記錄媒體

本發明是有關於一種視力校正手術推薦方法以及裝置，且更詳細而言是有關於一種使用人工智慧為被檢查者等推薦視力校正手術的方法以及裝置。

視力校正手術(如雷射角膜原位磨鑲術(laser-assisted in situ keratomileusis，LASIK)及雷射角膜上皮磨鑲術(laser-assisted sub-epithelial keratectomy，LASEK)等)吸引了不論年女老少的視力不佳的人們的很多關注。對視力校正手術的關注正日益增加，據統計，接受視力校正手術的人口已達到了十萬人。

然而，欲接受視力校正手術的被檢查者難以判斷哪種視力校正手術適合自己。被檢查者應基本地做出對LASIK、LASEK、小切口微透鏡取出術(small incision lenticule extraction，SMILE)、晶狀體植入等手術種類的選擇。並且，被檢查者應根據iLASIK、達芬奇(DaVinci)LASIK、晶體(Crystal)LASIK、Z-LASIK、VISU LASIK、OPTI LASIK等手術設備、或者根據例如精雕近視手術(Contoura Vision)、額外(extra)LASIK、波前 (wavefront)LASIK等手術方法選擇一種類型的手術。另外，由於推薦的角膜切削量依醫院及醫生會有所不同，因此現實是被檢查者更難以選擇一種類型的手術，而且不可避免的對於手術後視力的品質或副作用僅能依賴於醫生或諮詢師的話。

一個目的是輔助醫生做出判斷或為醫生、諮詢師及被檢查者等提供客觀的視力校正手術相關資訊。

另一目的是為醫生、諮詢師及被檢查者推薦視力校正手術。

又一目的是為醫生、諮詢師及被檢查者提供推薦視力校正手術的原因。

將提供的目的不限於上述目的，且此項技術中具有通常知識者可根據本說明書及附圖清晰地理解並未提及的目的。

根據一個態樣，可提供一種視力校正手術推薦方法，所述方法使用人工智慧且由計算裝置執行，所述方法包括如下步驟：獲得被檢查者的檢查資料，所述檢查資料包括問診資料及眼睛特性資料測定值；藉由將第一組資料輸入至第一預測模型而預測所述視力校正手術是否適合所述被檢查者，所述第一組資料是自所述被檢查者的所述檢查資料中獲得的；在所述視力校正手術適合所述被檢查者時，藉由將第二組資料輸入至第二預測模型而 對所述被檢查者能否進行使用雷射的視力校正手術進行預測，所述第二組資料是自所述被檢查者的所述檢查資料中獲得的；在對所述被檢查者而言能夠進行使用所述雷射的所述視力校正手術時，藉由將第三組資料輸入至第三預測模型而計算所述被檢查者在標準視力校正手術後的角膜形狀因子預測值及在客製視力校正手術後的角膜形狀因子預測值，以用於判斷是否需要客製視力校正手術，所述第三組資料是自所述被檢查者的所述檢查資料中獲得的；以及在對所述被檢查者而言能夠進行使用所述雷射的所述視力校正手術時，藉由將第四組資料輸入至第四預測模型而建議對應於所述被檢查者的視力校正手術，所述第四組資料是自所述被檢查者的所述檢查資料中獲得的，其中所述第四預測模型是基於選自由以下組成的群組中的至少一者進行訓練的：正接受視力校正手術的多個被治療者的檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。

根據另一態樣，可提供一種視力校正手術推薦方法，所述方法使用人工智慧且由計算裝置執行，所述方法包括如下步驟：獲得被檢查者的檢查資料，所述檢查資料包括問診資料及眼睛特性資料測定值；藉由將第一組資料輸入至第一預測模型而預測所述視力校正手術是否適合所述被檢查者，所述第一組資料是自所述被檢查者的所述檢查資料中獲得的；在所述視力校正手術適合所述被檢查者時，藉由將第二組資料輸入至第二預測模型而 對所述被檢查者能否進行使用雷射的視力校正手術進行預測，所述第二組資料是自所述被檢查者的所述檢查資料中獲得的；在對所述被檢查者而言能夠進行使用所述雷射的所述視力校正手術時，藉由將第三組資料輸入至第三預測模型而預測所述被檢查者是否需要客製視力校正手術，所述第三組資料是自所述被檢查者的所述檢查資料中獲得的；以及在對所述被檢查者而言能夠進行使用所述雷射的所述視力校正手術時，藉由將第四組資料輸入至第四預測模型而建議對應於所述被檢查者的視力校正手術，所述第四組資料是自所述被檢查者的檢查資料中獲得的，其中所述對是否需要所述客製視力校正手術進行預測的步驟是基於所述被檢查者進行標準視力校正手術後的角膜形狀因子預測值及進行客製視力校正手術後的角膜形狀因子預測值來預測是否需要所述客製視力校正手術，且其中所述第四預測模型是基於選自由以下組成的群組中的至少一者進行訓練的：正接受視力校正手術的多個被治療者的檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。

根據又一態樣，可提供一種視力校正手術推薦方法，所述方法使用人工智慧且由計算裝置執行，所述方法包括如下步驟：獲得被檢查者的檢查資料，所述檢查資料包括問診資料及眼睛特性資料測定值；藉由將第一組資料輸入至第一預測模型而預測所述視力校正手術是否適合所述被檢查者，所述第一組資料是自所述被檢查者的所述檢查資料中獲得的；在所述視力校正手術 適合所述被檢查者時，藉由將第二組資料輸入至第二預測模型而對所述被檢查者能否進行使用雷射的視力校正手術進行預測，所述第二組資料是自所述被檢查者的所述檢查資料中獲得的；以及在對所述被檢查者而言能夠進行使用所述雷射的所述視力校正手術時，藉由將第三組資料輸入至第三預測模型而建議對應於所述被檢查者的視力校正手術，所述第三組資料是自所述被檢查者的所述檢查資料中獲得的，其中所述建議所述視力校正手術的步驟是基於所述被檢查者在標準視力校正手術後的角膜形狀因子預測值及在客製視力校正手術後的角膜形狀因子預測值來建議所述視力校正手術，且其中所述第三預測模型是基於選自由以下組成的群組中的至少一者進行訓練的：正接受視力校正手術的多個被治療者的檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。

根據又一態樣，可提供一種視力校正手術推薦方法，所述方法使用人工智慧且由計算裝置執行，所述方法包括如下步驟：獲得被檢查者的檢查資料，所述檢查資料包括問診資料及眼睛特性資料測定值；藉由將第一組資料輸入至第一預測模型而預測所述視力校正手術是否適合所述被檢查者，所述第一組資料是自所述被檢查者的所述檢查資料中獲得的；以及在所述視力校正手術適合所述被檢查者時，藉由將第二組資料輸入至第二預測模型而建議對應於所述被檢查者的視力校正手術，所述第二組資料是自所述被檢查者的所述檢查資料中獲得的，其中所述建議所述 視力校正手術的步驟是基於所述被檢查者在標準視力校正手術後的角膜形狀因子預測值及客製視力校正手術後的角膜形狀因子預測值來建議所述視力校正手術，且所述第二預測模型是基於選自由以下組成的群組中的至少一者進行訓練的：正接受視力校正手術的多個被治療者的檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。

根據又一態樣，可提供一種視力校正手術推薦方法，所述方法使用人工智慧且由計算裝置執行，所述方法包括如下步驟：獲得被檢查者的檢查資料，所述檢查資料包括問診資料及眼睛特性資料測定值；以及藉由將一組資料輸入至預測模型而建議對應於所述被檢查者的視力校正手術，所述一組資料是自所述被檢查者的所述檢查資料中獲得的，其中所述建議所述視力校正手術的步驟是基於所述被檢查者在標準視力校正手術後的角膜形狀因子預測值及客製視力校正手術後的角膜形狀因子預測值來建議所述視力校正手術，且其中所述預測模型是基於選自由以下組成的群組中的至少一者進行訓練的：正接受視力校正手術的多個被治療者的檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。

將提供的解決方案不限於上述解決方案，且此項技術中具有通常知識者可根據本說明書及附圖清晰地理解並未提及的解決方案。

根據一個實施例，可提供一種用於輔助醫生做出判斷或為醫生、諮詢師及被檢查者提供客觀的視力校正手術相關資訊的方法以及執行所述方法的裝置。

根據另一實施例，可使用人工智慧為醫生、諮詢師及被檢查者等推薦視力校正手術。

根據又一實施例，可使用人工智慧為醫生、諮詢師及被檢查者等提供推薦視力校正手術的原因。

將提供的效果不限於上述效果，且此項技術中具有通常知識者可根據本說明書及附圖清晰地理解並未提及的效果。

10:視力校正手術輔助系統

100:訓練裝置

300:預測裝置

500:伺服器裝置

700、700a、700b:客戶端裝置

1000、1000a、1000b:控制單元

5000、5000a、5000b:記憶體單元

9000、9000a、9000b:通訊單元

CI1、CI2:角膜地形影像

I1:第一預期視力影像

I2:第二預期視力影像

I3:第三預期視力影像

I4:第四預期視力影像

I5:第五預期視力影像

I6:第六預期視力影像

M:視力校正手術相關模型

M1:子模型/第一子模型

M2:子模型/第二子模型

M3:輸出子模型

M10:手術適合性預測模型

M11:雷射手術可用性預測模型

M12:角膜形狀因子預測模型

M13:客製視力校正手術必要性預測模型

M14:視力校正手術建議模型

M15:手術參數建議模型

M16:視力預測模型

M17:預期視力影像生成模型

M18:角膜地形影像預測模型

M19:預測結果計算原因分析模型

M25、M27、M38:合併的模型

M171:第一子模型

M172:第二子模型

M191:輸入資料擾動模型

M192:視力校正手術相關模型

M193:預測結果分析模型

Ma:第一視力校正手術相關模型

Mb:第二視力校正手術相關模型

Mab:模型

Mc:第三視力校正手術相關模型

OV:視力預測值

S10:訓練操作

S30:預測操作

S110:訓練資料獲得操作

S150:模型訓練操作

S310:輸入資料獲得操作

S350:模型執行操作

S500:預處理操作

S700:操作

S1100、S1200、S1300、S1400、S1500:操作

S2100、S2200、S2300、S2400、S2500:操作

S3100、S3200、S3300、S3400、S3500:操作

S4100、S4200、S4300、S4400:操作

S5100、S5200、S5300:操作

S6100、S6200:操作

S7100、S7200、S7300、S7400、S7500、S7600、S7700:操作

V1:Cornea_Back_Rmin

V2:散光

V3:單眼

V4:近視

V5:Op_flag

V6:Pupil_Dia

圖1是示出根據實施例的視力校正手術輔助系統的圖式。

圖2是用於闡述根據實施例的訓練裝置/預測裝置的圖式。

圖3是用於闡述根據實施例的伺服器裝置及客戶端裝置的圖式。

圖4是示出根據實施例的伺服器裝置及客戶端裝置的配置的圖式。

圖5是示出根據實施例的視力校正手術相關模型的圖式。

圖6是用於闡述根據實施例的視力校正手術相關模型的訓練操作及預測操作的圖式。

圖7是示出根據實施例的輸入/輸出資料的預處理的圖式。

圖8是示出根據實施例的包括串聯連接的子模型的視力校正 手術相關模型的圖式。

圖9是示出根據實施例的包括並聯連接的子模型的視力校正手術相關模型的圖式。

圖10示出根據實施例的預期視力影像的視圖。

圖11是示出根據實施例的使用濾波器的預期視力影像生成模型的圖式。

圖12是示出根據實施例的角膜地形影像的圖式。

圖13是示出根據實施例的包括視力校正手術相關模型的預測結果計算原因分析模型的圖式。

圖14是示出根據實施例計算的預測結果的計算原因的圖式。

圖15是示出根據實施例串聯連接的視力校正手術相關模型的圖式。

圖16至圖19是示出根據實施例的基於角膜形狀因子預測模型的輸出而計算視力校正手術相關模型的輸出的圖式。

圖20是示出根據一實施例的基於客製視力校正手術的必要性預測模型的輸出來計算視力校正手術相關模型的輸出的圖式。

圖21至圖22是示出根據實施例的基於視力校正手術建議模型的輸出來計算視力校正手術相關模型的輸出的圖式。

圖23是示出根據實施例的基於手術參數建議模型的輸出來計算視力校正手術相關模型的輸出的圖式。

圖24至圖25是示出根據實施例的基於視力預測模型的輸出來計算視力校正手術相關模型的輸出的圖式。

圖26至圖27是示出根據實施例的基於角膜地形影像預測模型的輸出來計算視力校正手術相關模型的輸出的圖式。

圖28是用於闡述根據實施例的三或更多個視力校正手術相關模型的組合的圖式。

圖29至圖30是示出根據實施例的基於角膜形狀因子預測模型及視力預測模型的輸出來計算視力校正手術相關模型的輸出的圖式。

圖31是用於闡述根據實施例的視力校正手術相關模型的合併的圖式。

圖32至圖34是示出根據實施例的視力校正手術相關模型的合併的實施實例的圖式。

圖35是示出根據實施例的視力校正手術推薦方法的第一實例的圖式。

圖36是示出根據實施例的視力校正手術推薦方法的第二實例的圖式。

圖37是示出根據實施例的視力校正手術推薦方法的第三實例的圖式。

圖38是示出根據實施例的視力校正手術推薦方法的第四實例的圖式。

圖39是示出根據實施例的視力校正手術推薦方法的第五實例的圖式。

圖40是示出根據實施例的視力校正手術推薦方法的第六實 例的圖式。

圖41是示出根據實施例的提供視力校正手術可視化資訊的方法的第一實例的圖式。

圖42是示出根據實施例的提供視力校正手術可視化資訊的方法的第二實例的圖式。

圖43是示出根據實施例的提供視力校正手術可視化資訊的方法的第三實例的圖式。

圖44是示出根據實施例的提供視力校正手術可視化資訊的方法的第四實例的圖式。

由於在本說明書中闡述的實施例旨在向熟習此項技術者清晰地闡釋本發明的思想，因此本發明並不限於本說明書中闡述的實施例，且本發明的範圍應解釋為包括不背離本發明的精神的修改形式或變形。

儘管考量本發明實施例中的功能自當前可廣泛使用的通用用語中選擇了本文中使用的用語，但所述用語可根據熟習此項技術者的意圖、先例或新技術的出現等而變化。然而，在特定情形中，一些用語可由申請者任意選擇。在此種情形中，將在本發明實施例的對應描述中詳細闡述其含義。因此，本說明書中使用的用語應基於所述用語所具有的含義與本說明書的通篇內容進行界定，而非僅基於所述用語自身進行界定。

本說明書所附的圖式是為了容易地闡釋本發明，且圖式 所示的形狀可根據需要誇大及顯示以幫助理解本發明，且因此本發明並不受圖式限制。

在本說明書中，在認為對相關眾所習知的技術的詳細說明會使本發明的主旨含糊不清時，可省略所述詳細說明。另外，在本說明書的說明中所使用的用語「第一」、「第二」可指代不同的配置，但亦可對應於相同的配置。

以下，對基於檢查資料為被檢查者推薦視力校正手術的方法及裝置進行闡述。具體而言，對生成使用人工智慧推薦視力校正手術的模型並使用所生成的模型為被檢查者推薦視力校正手術的方法及裝置進行闡述。

另外，對基於檢查資料為被檢查者提供可視化的視力校正手術相關資訊的方法及裝置進行闡述。具體而言，對生成向被檢查者提供視力校正手術可視化資訊(例如，使用人工智慧提供視力校正手術後預期的視力影像、預測角膜地形影像、或分析預測結果的原因)的模型並使用所生成的模型為被檢查者提供視力校正手術可視化資訊的方法及裝置進行闡述。

在本說明書中，視力校正手術應被寬泛地理解為包括藉由使用雷射的角膜切削(例如，雷射角膜原位磨鑲術(LASIK)、雷射角膜上皮磨鑲術(LASEK)及小切口微透鏡取出術(SMILE)等)為被治療者的視力進行校正的手術，而且應被寬泛地解釋為包括不使用雷射的視力校正手術，例如晶狀體植入。

另外，在本說明書中，視力包括可基於被檢查者的判斷 測定的視力及可藉由眼睛檢查等測定的視力。例如，視力可藉由視力檢查表來測定。作為另一選擇，視力可包括為基本的折射誤差的低階像差(lower-order aberrations)(例如，近視、遠視及散光)以及例如球面像差(spherical aberration)、彗形像差(coma aberration)、三葉草形像差(trefoil aberration)等高階像差(higher-order aberrations)。另外，視力可包括未校正視力及校正視力。

根據一個態樣，可提供一種視力校正手術推薦方法，所述方法使用人工智慧且由計算裝置執行，所述方法包括如下步驟：獲得被檢查者的檢查資料，所述檢查資料包括問診資料及眼睛特性資料測定值；藉由將第一組資料輸入至第一預測模型而預測所述視力校正手術是否適合被檢查者，所述第一組資料是自所述被檢查者的檢查資料中獲得的；在所述視力校正手術適合所述被檢查者時，藉由將第二組資料輸入至第二預測模型而對所述被檢查者能否進行使用雷射的視力校正手術進行預測，所述第二組資料是自所述被檢查者的檢查資料中獲得的；在對所述被檢查者而言能夠進行使用雷射的視力校正手術時，藉由將第三組資料輸入至第三預測模型而計算所述被檢查者在標準視力校正手術後的角膜形狀因子預測值及在客製視力校正手術後的角膜形狀因子預測值，以用於判斷是否需要客製視力校正手術，所述第三組資料是自所述被檢查者的檢查資料中獲得的；以及在對所述被檢查者而言能夠進行使用雷射的視力校正手術時，藉由將第四組資料輸 入至第四預測模型而建議對應於所述被檢查者的視力校正手術，所述第四組資料是自所述被檢查者的檢查資料中獲得的，其中所述第四預測模型是基於選自由以下組成的群組中的至少一者進行訓練的：正接受視力校正手術的多個被治療者的檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。

在本文中，所述建議視力校正手術的步驟可為基於所述被檢查者進行視力校正手術後的視力預測值來建議視力校正手術。

在本文中，所述建議視力校正手術的步驟可為藉由計算各自對應於多個視力校正手術的視力校正手術後所述被檢查者的視力預測值來建議視力校正手術。

在本文中，所述建議視力校正手術的步驟可藉由計算與多個不同的時間點對應的多個視力預測值來建議視力校正手術。

在本文中，所述方法可更包括如下步驟：基於所計算的標準視力校正手術後的角膜形狀因子預測值及所計算的客製視力校正手術後的角膜形狀因子預測值，對所述被檢查者是否需要客製視力校正手術進行預測。

在本文中，所述建議視力校正手術的步驟可為基於所計算的標準視力校正手術後的角膜形狀因子預測值及所計算的客製視力校正手術後的角膜形狀因子預測值來建議視力校正手術。

在本文中，在藉由考量所述多個被治療者對視力校正手 術的偏好而對所述第四預測模型進行訓練時，所述第四組資料可包括所述被檢查者對視力校正手術的偏好。

在本文中，選自由所述第一預測模型、所述第二預測模型、所述第三預測模型及所述第四預測模型組成的群組中的至少一者可包括多個子模型，並基於所述多個子模型的結果計算結果。

在本文中，選自由所述第一組資料、所述第二組資料、所述第三組資料及所述第四組資料組成的群組中的至少一者可照原樣包括所述被檢查者的檢查資料中的至少一部分、或包括根據所述被檢查者的檢查資料中的至少一部分計算的一種新類型的資料。

在本文中，所述角膜形狀因子預測值可包括選自由高度偏心指數(index of height decentration，IHD)預測值、表面變異指數(index of surface variance，ISV)預測值及垂直不對稱指數(index of vertical asymmetry，IVA)預測值組成的群組中的至少一者。

在本文中，所述檢查資料可更包括遺傳資訊。

根據另一態樣，可提供一種視力校正手術推薦方法，所述方法使用人工智慧且由計算裝置執行，所述方法包括如下步驟：獲得被檢查者的檢查資料，所述檢查資料包括問診資料及眼睛特性資料測定值；藉由將第一組資料輸入至第一預測模型而預測所述視力校正手術是否適合被檢查者，所述第一組資料是自所述被檢查者的檢查資料中獲得的；在所述視力校正手術適合所述 被檢查者時，藉由將第二組資料輸入至第二預測模型而對所述被檢查者能否進行使用雷射的視力校正手術進行預測，所述第二組資料是自所述被檢查者的檢查資料中獲得的；在對所述被檢查者而言能夠進行使用雷射的視力校正手術時，藉由將第三組資料輸入至第三預測模型而預測所述被檢查者是否需要客製視力校正手術，所述第三組資料是自所述被檢查者的檢查資料中獲得的；以及在對所述被檢查者而言能夠進行使用雷射的視力校正手術時，藉由將第四組資料輸入至第四預測模型而建議對應於所述被檢查者的視力校正手術，所述第四組資料是自所述被檢查者的檢查資料中獲得的，其中所述對是否需要客製視力校正手術進行預測的步驟是基於所述被檢查者進行標準視力校正手術後的角膜形狀因子預測值及進行客製視力校正手術後的角膜形狀因子預測值來預測是否需要客製視力校正手術，且其中所述第四預測模型是基於選自由以下組成的群組中的至少一者進行訓練的：正接受視力校正手術的多個被治療者的檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。

根據又一態樣，可提供一種視力校正手術推薦方法，所述方法使用人工智慧且由計算裝置執行，所述方法包括如下步驟：獲得被檢查者的檢查資料，所述檢查資料包括問診資料及眼睛特性資料測定值；藉由將第一組資料輸入至第一預測模型而預測所述視力校正手術是否適合所述被檢查者，所述第一組資料是自所述被檢查者的檢查資料中獲得的；在所述視力校正手術適合 所述被檢查者時，藉由將第二組資料輸入至第二預測模型而對所述被檢查者能否進行使用雷射的視力校正手術進行預測，所述第二組資料是自所述被檢查者的檢查資料中獲得的；且在對所述被檢查者而言能夠進行使用雷射的視力校正手術時，藉由將第三組資料輸入至第三預測模型而建議對應於所述被檢查者的視力校正手術，所述第三組資料是自所述被檢查者的檢查資料中獲得的，其中所述建議視力校正手術的步驟為基於所述被檢查者在標準視力校正手術後的角膜形狀因子預測值及在客製視力校正手術後的角膜形狀因子預測值來建議視力校正手術，且其中所述第三預測模型是基於選自由以下組成的群組中的至少一者進行訓練的：正接受視力校正手術的多個被治療者的檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。

根據又一態樣，可提供一種視力校正手術推薦方法，所述方法使用人工智慧且由計算裝置執行，所述方法包括如下步驟：獲得被檢查者的檢查資料，所述檢查資料包括問診資料及眼睛特性資料測定值；藉由將第一組資料輸入至第一預測模型而預測所述視力校正手術是否適合被檢查者，所述第一組資料是自所述被檢查者的檢查資料中獲得的；在所述視力校正手術適合所述被檢查者時，藉由將第二組資料輸入至第二預測模型而建議對應於所述被檢查者的視力校正手術，所述第二組資料是自所述被檢查者的檢查資料中獲得的，其中所述建議視力校正手術的步驟為 基於所述被檢查者在標準視力校正手術後的角膜形狀因子預測值及在客製視力校正手術後的角膜形狀因子預測值來建議視力校正手術，且其中所述第二預測模型是基於選自由以下組成的群組中的至少一者進行訓練的：正接受視力校正手術的多個被治療者的檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。

根據再一態樣，可提供一種視力校正手術推薦方法，所述方法使用人工智慧且由計算裝置執行，所述方法包括如下步驟：獲得被檢查者的檢查資料，所述檢查資料包括問診資料及眼睛特性資料測定值；以及藉由將一組資料輸入至預測模型而建議對應於所述被檢查者的視力校正手術，所述一組資料是自所述被檢查者的檢查資料中獲得的，其中所述建議視力校正手術的步驟為基於所述被檢查者在標準視力校正手術後的角膜形狀因子預測值及在客製視力校正手術後的角膜形狀因子預測值來建議視力校正手術，且其中所述預測模型是基於選自由以下組成的群組中的至少一者進行訓練的：正接受視力校正手術的多個被治療者的檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。

根據又一實施例，可提供一種用於提供視力校正手術後的預期視力影像的方法，所述方法使用人工智慧且由計算裝置執行，所述方法包括如下步驟：獲得被檢查者的檢查資料，所述檢查資料包括問診資料及眼睛特性資料測定值；藉由將自所述被檢 查者的檢查資料中獲得的第一組資料輸入至第一預測模型而計算所述被檢查者在視力校正手術後的多條眼睛特性資料的預測值，所述多條眼睛特性資料的所述預測值包括視力預測值及角膜形狀因子預測值中的至少一者；以及基於所述多條眼睛特性資料的預測值生成預期視力影像，其中所述第一預測模型可基於以下中的至少一者進行訓練：已接受視力校正手術的多個被治療者在手術之前的多條眼睛特性資料的測定值、對所述多個被治療者執行的視力校正手術的手術參數、以及所述多個被治療者在手術後的多條眼睛特性資料的測定值。

在本文中，所述生成預期視力影像的步驟可包括基於多條眼睛特性資料的預測值來計算或選擇濾波器、以及將所述濾波器應用於原始影像以生成預期視力影像。

在本文中，所述多條眼睛特性資料的預測值可包括眼睛特性資料的第一預測值及眼睛特性資料的第二預測值，且所述預期視力影像可包括基於所述眼睛特性資料的第一預測值生成的第一預期視力影像、以及基於所述眼睛特性資料的第二預測值生成且與所述第一預期視力影像不同的第二預期視力影像。

在本文中，所述眼睛特性資料的第一預測值及所述眼睛特性資料的第二預測值可分別對應於標準視力校正手術後的眼睛特性資料的預測值及客製視力校正手術後的眼睛特性資料的預測值，且所述第一預期視力影像及所述第二預期視力影像可分別與標準視力校正手術後的預期視力影像及客製視力校正手術後的預 期視力影像對應。

在本文中，所述預期視力影像可包括關於選自由以下組成的群組中的至少一者的資訊：所述被檢查者進行視力校正手術後預期的視力的清晰度、光線透射(light bleeding)、對比敏感度、夜間視力、眩光、複視(double vision)、及餘像(afterimage)。

在本文中，提供所述預期視力影像的方法可更包括以下步驟：藉由將自所述被檢查者的檢查資料中獲得的第二組資料輸入至第二預測模型而對所述被檢查者進行視力校正手術後的角膜地形影像進行預測，其中所述第二預測模型可基於選自由以下組成的群組中的至少一者來訓練：已接受視力校正手術的多個被治療者在手術之前的角膜地形影像、對所述多個被治療者執行的視力校正手術的手術參數以及所述多個被治療者進行手術後的角膜地形影像。

在本文中，提供所述預期視力影像的方法可更包括如下步驟：計算所述眼睛特性資料的預測值對所述第一組資料的依賴性。

在本文中，所述多條眼睛特性資料的預測值可包括眼睛特性資料的第一預測值及眼睛特性資料的第二預測值，所述依賴性可包括與所述第一組資料的至少一條資料對應的依賴係數，且所述依賴係數可包括與所述眼睛特性資料的第一預測值對應的第一依賴係數及與所述眼睛特性資料的第二預測值對應且與所述第一依賴係數不同的第二依賴係數。

在本文中，所述眼睛特性資料的第一預測值及所述眼睛特性資料的第二預測值可分別與標準視力校正手術後的眼睛特性資料的預測值及客製視力校正手術後的眼睛特性資料的預測值對應，且所述第一依賴係數及所述第二依賴係數可分別與標準視力校正手術後眼睛特性資料的預測值對所述第一組資料的依賴性以及客製視力校正手術後眼睛特性資料的預測值對所述第一組資料的依賴性對應。

在本文中，提供所述預期視力影像的方法可更包括如下步驟：輸出所述依賴係數中大於預定值的依賴係數或輸出預定數目的依賴係數。

在本文中，所述角膜形狀因子預測值可包括高度偏心指數(IHD)預測值、表面變異指數(ISV)預測值及垂直不對稱指數(IVA)預測值中的至少一者。

在本文中，所述視力預測值可包括低階像差(lower-order aberrations)預測值及高階像差(higher-order aberrations)預測值中的至少一者。

根據實施例的視力校正手術輔助系統可包括訓練裝置及預測裝置。此處，訓練裝置及預測裝置可為包括至少一個控制單元的計算裝置。所述計算裝置的實例可包括桌上型電腦(desktop computer)、膝上型電腦(laptop computer)、平板個人電腦(personal computer，PC)以及智慧型電話，但並不限於此。

圖1是示出根據實施例的視力校正手術輔助系統10的圖 式。參照圖1，訓練裝置100可基於訓練資料來訓練及/或生成其中生成與視力校正手術相關的資訊的模型(以下稱為「視力校正手術相關模型」)。此處，訓練資料是為訓練及/或生成視力校正手術相關模型所需的資料，例如數字、文字、影像等，且對其表現方式不進行限制。例如，訓練資料可包括已接受視力校正手術的被治療者的檢查資料及手術參數。

預測裝置300可基於由訓練裝置100生成的視力校正手術相關模型及輸入資料來計算作為與視力校正手術相關的資訊的預測結果。此處，輸入資料是例如數字、文字、影像等作為計算預測結果的基礎的資料，且對其表現方式不進行限制。

訓練資料、輸入資料、預測結果及視力校正手術相關模型的具體實例將在下文進行描述。

在圖1中，訓練裝置100及預測裝置300被示出為單獨的裝置，但訓練裝置100及預測裝置300可為同一裝置。例如，可在同一裝置內訓練及/或生成視力校正手術相關模型，並可使用所述模型計算預測結果。作為另一選擇，訓練裝置100的至少一些組件及預測裝置300的至少一些組件可為相同的。

另外，根據實施例的視力校正手術輔助系統可包括多個訓練裝置及/或多個預測裝置。

圖2是用於闡述根據實施例的訓練裝置/預測裝置的圖式。參照圖2，根據實施例的訓練裝置/預測裝置可包括記憶體單元5000及控制單元1000。

根據實施例的訓練裝置/預測裝置可包括用於控制其操作的控制單元1000。控制單元1000可包括中央處理單元(Central Processing Unit，CPU)、隨機存取記憶體(Random Access Memory，RAM)、圖形處理單元(Graphic Processing Unit，GPU)、一或多個微處理器及能夠根據預定邏輯處理輸入資料的一或多個電子零件。

控制單元1000可讀取儲存在記憶體單元5000中的系統程式及各種處理程式。例如，控制單元1000可在RAM中進行用於執行下文將描述的視力校正手術相關模型的訓練及預測操作的資料加工處理等，且根據所進行的程式來執行各種處理。例如，控制單元1000可執行視力校正手術相關模型的訓練。作為另一實例，控制單元1000可使用視力校正手術相關模型來生成預測結果。

根據實施例的訓練裝置/預測裝置可包括記憶體單元5000。記憶體單元5000可儲存為訓練所需的資料、訓練模型及所訓練的視力校正手術相關模型。記憶體單元5000可儲存視力校正手術相關模型的參數、變數等。

記憶體單元5000可被實作為非揮發性半導體記憶體、硬碟、快閃記憶體、RAM、唯讀記憶體(read-only memory，ROM)、電可擦除可程式唯讀記憶體(electrically erasable programmable read-only memory，EEPROM)或有形(tangible)非揮發性記錄媒體等。

記憶體單元5000可儲存各種處理程式、用於執行程式處 理的參數或所述處理的結果資料等。例如，記憶體單元5000可儲存：下文將描述的用於執行視力校正手術相關模型的訓練及預測操作的資料加工處理程式、診斷處理程式、用於執行各程式的參數以及根據執行所述程式而得到的資料(例如，經處理資料或預測結果)。

根據實施例的訓練裝置及/或預測裝置可更包括通訊單元9000。通訊單元9000可與外部裝置進行通訊。例如，訓練裝置的通訊單元9000可與預測裝置的通訊單元9000進行通訊。通訊單元9000可執行有線或無線通訊。通訊單元9000可執行雙向(bi-directional)或單向通訊。

圖2中所示的訓練裝置/預測裝置僅是例示性的，且訓練裝置及/或預測裝置的配置並不限於此。

根據實施例的視力校正手術輔助系統可包括伺服器裝置及客戶端裝置。圖3是用於闡述根據實施例的伺服器裝置500以及客戶端裝置700a及700b的圖式。

根據實施例的伺服器裝置500可對應於上述訓練裝置/預測裝置。根據實施例的伺服器裝置500可訓練、儲存及/或實行視力校正手術相關模型。

根據實施例的客戶端裝置700a及700b可對應於上述訓練裝置/預測裝置。根據實施例的客戶端裝置700a及700b可訓練、儲存及/或實行視力校正手術相關模型。

根據實施例的客戶端裝置700a及700b可自伺服器裝置 500獲得經訓練的視力校正手術相關模型。例如，客戶端裝置700a及700b可經由網路自伺服器裝置500下載視力校正手術相關模型。

根據實施例的伺服器裝置500可基於自客戶端裝置700a及700b獲得的輸入資料計算預測結果。例如，客戶端裝置700a及700b可接收關於被檢查者的資訊並將所述資訊傳送至伺服器裝置500，且伺服器裝置500可基於關於所述被檢查者的資訊使用視力校正手術相關模型計算預測結果。根據實施例的伺服器裝置500可自多個客戶端裝置700a及700b獲得輸入資料。

根據實施例的伺服器裝置500可將所計算的預測結果傳送至客戶端裝置700a及700b。例如，客戶端裝置700a及700b可將自伺服器裝置500獲得的預測結果提供給醫生、諮詢師及被檢查者。根據實施例的伺服器裝置500可自客戶端裝置700a及700b獲得回饋。根據實施例的伺服器裝置500可將預測結果傳送至所述多個客戶端裝置700a及700b。

根據實施例的客戶端裝置700a及700b可自伺服器裝置500請求預測結果。

根據實施例的客戶端裝置700a及700b可將所輸入的資料傳送至伺服器裝置500。根據實施例的客戶端裝置700a及700b可改變多條所輸入的資料並將經改變的資料傳送至伺服器裝置500。根據實施例的客戶端裝置700a及700b可將自伺服器裝置500獲得的預測結果提供給醫生、諮詢師及被檢查者。根據實施例的 客戶端裝置700a及700b可改變自伺服器裝置500獲得的預測結果的至少一部分並將經改變的預測結果提供給醫生、諮詢師及被檢查者。

在圖3中，示出了一個伺服器裝置500與兩個客戶端裝置700a及700b之間的關係，但並不限於此，且所述關係可應用於一或多個伺服器裝置500及一或多個客戶端裝置700a及700b。

圖4是示出根據一實施例的伺服器裝置500及客戶端裝置700的配置的圖式。參照圖4，伺服器裝置500及客戶端裝置700可包括記憶體單元5000a及5000b、控制單元1000a及1000b、以及通訊單元9000a及9000b。伺服器裝置500及客戶端裝置700可分別藉由通訊單元9000a及9000b傳送並獲得資訊。例如，客戶端裝置700可藉由其通訊單元9000b自伺服器裝置500的通訊單元9000a獲得經訓練的視力校正手術相關模型。作為另一實例，客戶端裝置700可藉由其通訊單元9000b將輸入資料傳送至伺服器裝置500的通訊單元9000a，且伺服器裝置500可藉由其通訊單元9000a將預測結果傳送至客戶端裝置700的通訊單元9000b。

如上所述，視力校正手術相關模型是在其中生成可在視力校正手術期間、之前及之後考量的各種資訊的模型。

圖5是示出根據實施例的視力校正手術相關模型M的圖式。參照圖5，視力校正手術相關模型M可包括手術適合性預測模型M10、雷射手術可用性預測模型M11、角膜形狀因子預測模型M12、客製視力校正手術必要性預測模型M13、視力校正手術 建議模型M14、手術參數建議模型M15、視力預測模型M16、預期視力影像生成模型M17、角膜地形影像預測模型M18及預測結果計算原因分析模型M19。下文將給出各模型的詳細說明。

可在同一訓練裝置中訓練及/或生成視力校正手術相關模型M中的至少一部分模型。例如，可在同一訓練裝置中訓練及/或生成手術適合性預測模型M10及雷射手術可用性預測模型M11。作為另一選擇，可在不同的訓練裝置中訓練及/或生成視力校正手術相關模型M中的至少一部分模型。

可在同一預測裝置中實行視力校正手術相關模型M中的至少一部分模型。例如，可在同一預測裝置中實行手術適合性預測模型M10及雷射手術可用性預測模型M11。此外，可在不同的預測裝置中實行視力校正手術相關模型M中的至少一部分模型。

根據實施例的視力校正手術相關模型可使用人工智慧模型/演算法來訓練及/或實作，且對其訓練及/或實作方法不進行限制。例如，視力校正手術相關模型可使用如下各種機器訓練模型/演算法及深度訓練模型/演算法來訓練及/或實作：分類(classification)演算法、迴歸(regression)演算法、監督學習(supervised learning)、無監督學習(unsupervised learning)、強化學習(reinforcement learning)、支持向量機(support vector machine)、決策樹(decision tree)、隨機森林(random forest)、最小絕對值壓縮及選擇運算子(least absolute shrinkage and selection operator，LASSO)、自適應提升(Adaptive Boosting， AdaBoost)、極端梯度提升(eXtreme Gradient Boosting，XGBoost)、人工神經網路(artificial neural network)等。

可藉由訓練操作訓練及/或生成根據實施例的視力校正手術相關模型。藉由訓練操作訓練及/或生成的視力校正手術相關模型可藉由預測操作來計算預測結果。

圖6是用於闡述根據實施例的視力校正手術相關模型的訓練操作S10及預測操作S30的圖式。參照圖6，訓練操作S10可包括訓練資料獲得操作S110及模型訓練操作S150。

訓練資料獲得操作S110可為由訓練裝置獲得訓練資料的操作，所述訓練資料是用於訓練及/或生成視力校正手術相關模型的資料。

模型訓練操作S150可為訓練及/或生成視力校正手術相關模型的操作。在模型訓練操作S150中，訓練裝置可基於在訓練資料獲得操作中獲得的訓練資料來訓練及/或生成模型。例如，可在模型訓練操作S150中更改構成視力校正手術相關模型的模型參數。根據所述參數的變化，可提高所述模型的準確度。

可基於已接受視力校正手術的被治療者的視力校正手術相關的資訊來訓練視力校正手術相關模型。例如，所述模型可基於選自由以下組成的群組中的至少一者進行訓練：已接受視力校正手術的多個被治療者進行視力校正手術之前的檢查資料、對所述多個被治療者執行的視力校正手術的手術參數以及在所述多個被治療者進行視力校正手術之後的檢查資料。

參照圖6，預測操作S30可包括輸入資料獲得操作S310及模型執行操作S350。

輸入資料獲得操作S310可為由預測裝置獲得輸入資料的操作，所述輸入資料是可用於使用視力校正手術相關模型來計算預測結果的資料。

模型執行操作S350可為基於在訓練操作S10中訓練及/或生成的視力校正手術相關模型及輸入資料來計算預測結果的操作。例如，預測裝置可基於輸入資料及自訓練裝置獲得的模型參數來輸出預測結果。

視力校正手術相關模型的輸入資料可包括所獲得的關於被檢查者的所有資訊。作為另一選擇，所述輸入資料可包括所獲得的關於被檢查者的資訊中的至少一部分。另外，所述輸入資料根據視力校正手術相關模型可相同亦可不同。

視力校正手術相關模型的預測結果可根據訓練資料而不同。此外，視力校正手術相關模型的準確度可根據訓練資料而不同。

預測結果可能會根據訓練資料中包含的真實值的類型而不同。例如，預測結果可能會根據真實值是否考量被檢查者的主觀意圖而不同。在本文中，被檢查者的主觀意圖可包括偏好(例如，所述被檢查者是否偏好特定的視力校正手術)及費用支付能力(例如，可為視力校正手術支付多少費用)。在不考量被檢查者的主觀意圖時，預測結果可為醫學上建議的結果。另一方面，在 考量被檢查者的主觀意圖時，預測結果可與醫學上建議的結果相同或不同。

在第一訓練資料及第二訓練資料是自不同的醫院獲得或自不同的醫生獲得或者是不同時期的訓練資料時，基於所述第一訓練資料訓練及/或生成的第一模型與基於所述第二訓練資料訓練及/或生成的第二模型可彼此不同。因此，自所述第一模型輸出的第一預測結果與自所述第二模型輸出的第二預測結果可彼此不同。另外，所述第一模型的準確度與所述第二模型的準確度可彼此不同。

然而，即使在所述多條訓練資料不同時，亦可訓練及/或生成相同的視力校正手術相關模型。作為另一選擇，即使在基於多條不同的訓練資料訓練及/或生成視力校正手術相關模型時，亦可計算出相同的預測結果。

訓練資料、輸入資料及預測結果(以下稱為「輸入/輸出資料」)可包括檢查資料及例如手術參數等變數。檢查資料及手術參數可以例如數字、文字、影像等以各種方式表現，且對其表現方式不進行限制。另外，影像為二維(two-dimensional，2D)影像或三維(three-dimensional，3D)影像等，對其維度並無限制。

檢查資料可包括問診資料、眼睛特性資料及遺傳資訊，所述問診資料為藉由在不經受設備或檢查的情況下進行詢問而獲得的資訊，所述眼睛特性資料為藉由設備或檢查而獲得的關於眼睛的資訊。

問診資料可包括例如以下變數：人口統計特性，例如性別、年齡、種族；居住環境，例如被檢測者的居住地區；職業；收入；學歷；教育；被檢測者的家庭規模；病史及家族病史，例如高血壓、糖尿病等；以及被檢查者對視力校正手術的偏好。

眼睛特性資料可包括與眼睛相關的所有種類的資訊。例如，眼睛特性資料可包括如視力、眼壓及/或視網膜檢查結果等變數。

眼睛特性資料可包括關於眼睛的物理形狀的資訊。例如，眼睛特性資料可包括例如白至白(white-to-white，WTW)距離、角至角(angle-to-angle，ATA)距離、內部前房深度(internal anterior chamber depth，ACD)、溝至溝(sulcus-to-sulcus，STS)距離、瞳孔大小等變數。作為另一實例，眼睛特性資料可包括例如角膜形狀因子、角膜地形影像等關於角膜形狀的資訊。此處，角膜形狀因子是表示角膜的物理形狀的數值，且可包括例如表面變異指數(ISV)、垂直不對稱指數(IVA)、圓錐角膜指數(keratoconus index，KI)、中央圓錐角膜指數(central keratoconus index，CKI)、最小曲率半徑(minimum radius of curvature，Rmin)、高度不對稱指數(index of height asymmetry，IHA)、高度偏心指數(IHD)、中央角膜厚度(central cornea thickness)等變數。另外，角膜地形影像是關於角膜形狀的影像，且可包括角膜地形圖、角膜前曲率影像、角膜後曲率影像、角膜厚度圖等。

眼睛特性資料可藉由例如眼前節分析儀(Pentacam)、 CASIA2、AL-Scan、光學品質分析系統(Optical Quality Analysis System，OQAS)等斷層攝影術(tomography)、地形學、光同調斷層掃描(optical coherence tomography，OCT)、超音波生物顯微鏡(ultrasound biomicroscopy，UBM)設備等來獲得，但並不限於此。可藉由上述設備及與其類似的設備獲得的資訊以及源自所述設備的資訊可包括在眼睛特性資料中。

遺傳資訊可藉由遺傳測試等獲得。遺傳資訊可用於判斷視力校正手術是否適合被檢查者。此外，遺傳資訊可用於預測視力校正手術後的副作用。例如，可藉由遺傳資訊預測是否存在角膜營養不良。

手術參數是與視力校正手術效能相關的變數，且可包括在視力校正手術期間可更改的變數：例如視力校正手術的類型，例如LASIK、LASEK、SMILE、晶狀體植入、標準視力校正手術、客製視力校正手術等；角膜瓣厚度(flap thickness)；角膜瓣直徑(flap diameter)；瓣側切角(flap side cut angle)；角膜切削輪廓；眼睛吸環操作時間(suction time)；光學區域(optic zone)；鉸鏈結構，例如鉸鏈位置(hinge position)、鉸鏈角度(hinge angle)及鉸鏈寬度(hinge width)等。

標準視力校正手術可指代用於校正低階像差的視力校正手術，而客製視力校正手術可指代用於校正低階像差及高階像差的視力校正手術。

根據標準視力校正手術的被治療者及客製視力校正手術 的被治療者而要考量的手術參數的類型可能會不同。例如，根據客製視力校正手術的被治療者考量的手術參數的類型可包括根據進行標準視力校正手術的被治療者考量的手術參數的類型。

根據標準視力校正手術的被治療者而變化的手術參數的數目可與根據客製視力校正手術的被治療者而變化的手術參數的數目不同。可藉由根據被治療者而變化的手術參數的數目來區分標準視力校正手術及客製視力校正手術。根據被治療者而變化的用以區分標準視力校正手術與客製視力校正手術的手術參數的數目(以下稱為「參考值」)可為預定值。例如，在根據被治療者而變化的手術參數的數目大於或等於參考值時，可執行客製視力校正手術，而當手術參數的數目小於參考值時，可執行標準視力校正手術。

標準視力校正手術及客製視力校正手術可根據執行視力校正手術的醫院、醫生及/或時期而不同。例如，參考值可根據醫院、醫生及/或時期而不同。

客製視力校正手術可包括精雕近視手術(Contoura Vision)及波前(wavefront)LASIK。

在執行客製視力校正手術時的視力品質可相較於執行標準視力校正手術時提高。視力的品質是概括性地表示視力好壞的用語，且不僅可基於藉由視力測定表測定的視力、低階像差及高階像差、而且可藉由視力的清晰度、光線透射、對比敏感度、夜間視力、眩光、複視、餘像及其他不適等來判斷。

輸入/輸出資料不僅可包括可藉由問診及檢查而獲得/測定的測定值，而且可包括可藉由視力校正手術相關模型計算的預測值。例如，眼睛特性資料不僅可包括在視力校正手術之前藉由檢查而獲得/測定的眼睛特性資料測定值，而且包括在視力校正手術之後藉由視力校正手術相關模型計算的眼睛特性資料的預測值。

輸入/輸出資料可經預處理而被輸入至視力校正手術相關模型中。例如，訓練裝置可將獲得的輸入/輸出資料預處理且然後將其用於視力校正手術相關模型的訓練。作為另一選擇，預測裝置可將獲得的輸入/輸出資料預處理，且然後將所獲得的輸入/輸出資料輸入至視力校正手術相關模型中以計算預測結果。

預處理應被寬泛地解釋為包括應用至輸入/輸出資料的所有變化，且不限於本說明書中揭露的實例。

預處理可包括選擇輸入/輸出資料中包含的變數的至少一部分，例如特徵選擇。例如，預處理可包括t-測試(t-test)、基尼指數(Gini index)、資訊增益(information gain)、緩解(relief)、DistAUC，訊號對雜訊(signal to noise)、最小冗餘最大相關(minimum-Redundancy-Maximum-Relevance，MRMR)、費舍爾分數(Fisher score)、拉普拉斯分數(Laplacian score)、譜特徵選擇(spectral feature selection，SPEC)等。

預處理可包括自輸入/輸出資料中包括的變數的至少一部分中生成新變數，例如特徵提取。例如，預處理可包括主成分分 析(principle component analysis)、線性判別分析(linear discriminant analysis)、典型相關分析(canonical correlation analysis)、奇異值分解(singular value decomposition)、等距特徵映射(isometric feature mapping，ISOMAP)、局部線性嵌入(locally linear embedding)等。作為另一實例，預處理可包括自數值生成光譜或自數值生成影像。

在輸入/輸出資料中不包括視力校正手術相關模型(或訓練裝置及/或預測裝置)所需的變數時，預處理可包括例如缺失值處理(missing value processing)等處理方法。例如，預處理可包括將缺失值處理為相應變數的平均值或將缺失值處理為眾數。

藉由預處理可提高視力校正手術相關模型的準確度。例如，包括特徵選擇的視力校正手術相關模型的準確度可較不包括特徵選擇的模型的準確度高。作為另一實例，其中自數值生成影像並基於所述影像計算預測結果的視力校正手術相關模型的準確度可較其中基於數值計算預測結果的視力校正手術相關模型的準確度高。

圖7是示出根據實施例的輸入/輸出資料的預處理的圖式。參照圖7，可藉由預處理操作S500將輸入/輸出資料輸入至視力校正手術相關模型中。視力校正手術相關模型可基於經預處理的輸入/輸出資料來計算預測結果(S700)。

視力校正手術相關模型可包括多個子模型。所述多個子模型可基於輸入資料來計算預測結果。

視力校正手術相關模型可包括其中串聯及/或並聯連接子模型的模型，例如整體模型(ensemble model)等。

視力校正手術相關模型可包括串聯連接的多個子模型。此處，串聯連接的子模型可意指至少一個子模型的輸出是基於至少另一個子模型的輸出而計算的，例如第一子模型的輸出是第二子模型的輸入等。作為另一選擇，串聯連接的子模型被可意指多個子模型應被依序執行，以藉由視力校正手術相關模型自輸入資料獲得預測結果。

圖8是示出根據實施例的包括串聯連接的子模型M1及M2的視力校正手術相關模型M的圖式。參照圖8，視力校正手術相關模型M可包括串聯連接的第一子模型M1及第二子模型M2。第一子模型M1可基於輸入/輸出資料來計算輸出，且第二子模型M2可基於第一子模型M1的輸出來計算預測結果。

視力校正手術相關模型可包括並聯連接的多個子模型。此處，並聯連接的子模型可意指一個子模型的輸出不對另一子模型的輸出帶來影響，例如第一子模型的輸出不依賴於第二子模型的輸出等。

並聯連接的多個子模型的輸入可相同。作為另一選擇，並聯連接的多個子模型的輸入可不同。例如，輸入至第一子模型的第一檢查資料可與輸入至第二子模型的第二檢查資料不同。

第一檢查資料可包括與第二檢查資料的變數不同的至少一些變數。例如，所述第一檢查資料可包括對視力校正手術的偏 好，但所述第二檢查資料可不包括對視力校正手術的偏好。

所述第一檢查資料可具有與所述第二檢查資料相同類型的變數，但所述變數可具有不同的值。例如，所述第一檢查資料及所述第二檢查資料可包括角膜厚度，但獲得角膜厚度的數值的方法不同(例如，利用不同的裝置測定角膜厚度)，因此數值可不同。

視力校正手術相關模型可包括其中基於並聯連接的多個子模型的輸出來計算輸出的輸出子模型。例如，在所述多個子模型的輸出相同時，輸出子模型可提供所述相同的輸出。作為另一實例，在所述多個子模型的輸出不同時，輸出子模型可輸出以預定比率考量所述多個子模型的輸出的結果，或者可提供所述多個輸出中的特定輸出。作為又一實例，輸出子模型可輸出基於所述多個子模型的輸出而生成的結果。

圖9是示出根據實施例的包括並聯連接的子模型M1及M2的視力校正手術相關模型M的圖式。參照圖9，視力校正手術相關模型M可包括並聯連接的第一子模型M1及第二子模型M2。另外，視力校正手術相關模型M可包括其中基於第一子模型M1及第二子模型M2的輸出來計算輸出的輸出子模型M3。第一子模型M1及第二子模型M2可基於輸入/輸出資料來分別計算第一輸出及第二輸出，且輸出子模型M3可基於第一輸出及第二輸出來計算預測結果。

作為包括並聯連接的子模型的視力校正手術相關模型的 實例可包括整體模型，但不限於此。

以下，將闡述視力校正手術相關模型的個別實例。

手術適合性預測模型可預測視力校正手術是否適合被檢查者。手術適合性預測模型可基於輸入資料來預測手術適合性。

視力校正手術的適合性可指代醫學適合性。因此，手術適合性預測模型的輸入資料可不包括被檢查者對視力校正手術的偏好。作為另一選擇，手術適合性預測模型可在不考量被檢查者對視力校正手術偏好的情況下預測手術適合性。

手術適合性可包括是否可進行手術以及是否需要進行手術。例如，手術適合性預測模型可將視力良好而不需要進行手術的被檢查者判斷為不適合手術。作為另一實例，手術適合性預測模型可將不能藉由視力校正手術來提高其視力的被檢查者判斷為不適合手術。

可將手術適合性輸出為適合或不適合手術。作為另一選擇，可藉由將手術適合度量化或可視化來輸出手術適合性。

雷射手術可用性預測模型可預測使用雷射的視力校正手術對被檢查者而言是否可進行。此處，使用雷射的視力校正手術可指代藉由使用雷射的角膜切削來校正視力的手術。雷射手術可用性預測模型可基於輸入資料來預測是否可進行雷射手術。

使用雷射的視力校正手術的可用性可指代醫學可用性。因此，雷射手術可用性預測模型的輸入資料可不包括被檢查者對視力校正手術的偏好。作為另一選擇，雷射手術可用性預測模型 可不考量被檢查者對視力校正手術的偏好而預測雷射手術可用性。

可將雷射手術可用性輸出為可進行/不可進行雷射手術。作為另一選擇，可藉由將手術可用度數值化或可視化來輸出雷射手術可用性。

角膜形狀因子預測模型可預測被檢查者進行視力校正手術後的角膜形狀因子。所述模型可預測一或多個角膜形狀因子。角膜形狀因子預測模型可基於輸入資料來預測角膜形狀因子。

角膜形狀因子預測模型的輸入資料可包括手術參數。例如，所述輸入資料可包括手術類型作為手術參數。所述模型可預測與輸入的手術參數對應的角膜形狀因子。例如，在輸入資料包括LASIK、LASEK及SMILE作為手術參數時，所述模型的輸出可包括在進行LASIK後的角膜形狀因子預測值、在進行LASEK後的角膜形狀因子預測值以及在進行SMILE後的角膜形狀因子預測值。作為另一實例，在輸入資料包括標準視力校正手術及客製視力校正手術作為手術參數時，所述模型的輸出可包括在進行標準視力校正手術後的角膜形狀因子預測值及在進行客製視力校正手術後的角膜形狀因子預測值。

不論輸入資料是否包括手術參數，角膜形狀因子預測模型均可預測與預定手術參數對應的角膜形狀因子。例如，在所述模型進行訓練以預測進行標準視力校正手術後的角膜形狀因子及進行客製視力校正手術後的角膜形狀因子的情形中，即使所述模 型的輸入資料不包括手術參數，所述模型亦可輸出進行標準視力校正手術後的角膜形狀因子預測值、以及進行客製視力校正手術後的角膜形狀因子預測值。

表1示出根據實施例的角膜形狀因子預測模型的輸出。參照表1，角膜形狀因子預測模型可輸出被檢查者的IHD、ISV及IVA值。此外，角膜形狀因子預測模型可包括在視力校正手術之前獲得的被檢查者的IHD、ISV及IVA測定值、在標準視力校正手術之後預測的IHD、ISV及IVA值、以及在客製視力校正手術之後預測的IHD、ISV及IVA值。

客製視力校正手術必要性預測模型可預測被檢查者是否需要客製視力校正手術。客製視力校正手術必要性預測模型可基於輸入資料預測客製視力校正手術必要性。

客製視力校正手術必要性預測模型可預測客製視力校正手術必要性，而無需考量被檢查者對於視力校正手術的偏好。作為另一選擇，客製視力校正手術必要性預測模型可考量被檢查者對於視力校正手術的偏好來預測客製視力校正手術必要性。客製 視力校正手術必要性預測模型的輸出可根據是否考量被檢查者對於視力校正手術的偏好而變化。

客製視力校正手術必要性預測模型可基於例如角膜形狀因子及角膜地形影像等眼睛特性資料來判斷被檢查者是否需要客製視力校正手術。

客製視力校正手術必要性預測模型可基於角膜形狀因子的絕對數值來確定客製視力校正手術必要性。例如，當角膜形狀因子超出某一範圍時，客製視力校正手術必要性預測模型可預測被檢查者需要客製視力校正手術。

客製視力校正手術必要性預測模型可基於角膜形狀因子的相對數值來確定客製視力校正手術必要性。例如，客製視力校正手術必要性預測模型可將標準視力校正手術後的角膜形狀因子與客製視力校正手術後的角膜形狀因子進行比較，以確定客製視力校正手術必要性。

視力校正手術建議模型可建議對應於被檢查者的視力校正手術。例如，所述模型可輸出一個視力校正手術。作為另一實例，所述模型可輸出多個視力校正手術。作為又一實例，所述模型可輸出多個視力校正手術以及關於其優先級的資訊。

視力校正手術建議模型可基於輸入資料建議視力校正手術。

對應於被檢查者的視力校正手術可指在不考量被檢查者對於視力校正手術的偏好的情況下由視力校正手術建議模型確定 的視力校正手術。作為另一選擇，對應於被檢查者的視力校正手術可指在考量被檢查者對於視力校正手術的偏好的情況下由視力校正手術建議模型確定的視力校正手術。視力校正手術建議模型的輸出可根據是否考量被檢查者對於視力校正手術的偏好而變化。

視力校正手術建議模型的輸出可考量客製視力校正手術必要性來確定。例如，可考量客製視力校正手術必要性(例如標準LASIK、客製LASIK、標準LASEK、客製LASEK、標準SMILE、客製SMILE等)來確定輸出。

作為另一選擇，可在不考量客製視力校正手術必要性的情況下確定視力校正手術建議模型的輸出。例如，可在不考量客製視力校正手術必要性(例如LASIK、LASEK、SMILE、晶狀體植入等)的情況下確定輸出。

視力校正手術建議模型可基於視力校正手術後的視力品質來建議視力校正手術。例如，所述模型可基於視力校正手術之後的視力預測值來建議視力校正手術，其對應於多個視力校正手術。

表2示出根據實施例的視力校正手術建議模型的輸出。參照表2，視力校正手術建議模型可輸出LASIK、LASEK及SMILE以及關於其優先級的資訊，例如適合性。在表2中，對應於SMILE的值大於對應於LASIK及LASEK的值，此可意指視力校正手術建議模型優先建議SMILE。除了表2的方法之外，可以各種方式 輸出關於優先級的資訊，以指示優先級。

手術參數建議模型可建議手術參數。所述模型可建議一或多個手術參數。手術參數建議模型可基於輸入資料建議手術參數。

手術參數建議模型的輸入資料可包括影像形式的資料。此處，影像可為藉由使用設備進行量測及/或監查而獲得的影像，例如角膜地形圖。作為另一選擇，影像可為基於量測的數值藉由內插、外推、人工智慧等獲得的影像。例如，影像可為自角膜形狀因子生成的影像。

基於由手術參數建議模型基於影像建議的手術參數執行的視力校正手術之後的手術結果可能優於基於依據數值建議的手術參數執行的視力校正手術之後的手術結果。例如，基於由模型基於角膜地形影像建議的手術參數執行的視力校正手術之後的手術結果可能優於基於依據角膜形狀因子(例如IHD、ISV、IVA等)建議的手術參數執行的視力校正手術之後的手術結果。此處，手術結果可指手術後的視力品質。作為另一選擇，手術結果可指手術後的角膜形狀。

視力預測模型可預測被檢查者在視力校正手術後的視力。視力預測模型可基於輸入資料輸出視力預測值。所述模型可預測一或多個視力。

視力預測模型的輸入資料可包括手術參數。例如，輸入資料可包括手術類型作為手術參數。所述模型可預測對應於輸入手術參數的視力。例如，當輸入資料包括LASIK、LASEK及SMILE作為手術參數時，模型的輸出可包括LASIK之後的視力預測值、LASEK之後的視力預測值及SMILE之後的視力預測值。作為另一實例，當輸入資料包括標準視力校正手術及客製視力校正手術作為手術參數時，模型的輸出可包括標準視力校正手術後的視力預測值及客製視力校正手術後的視力預測值。

視力預測模型可預測對應於預定手術參數的視力，而無論輸入資料是否包括手術參數。例如，在對模型進行訓練以預測標準視力校正手術後的視力及客製視力校正手術後的視力的情形中，即使當模型的輸入資料不包括手術參數時，模型亦可輸出標準視力校正手術後的視力預測值及客製視力校正手術後的視力預測值。

視力預測模型可預測對應於多個不同時間點的視力。例如，所述模型可預測對應於視力校正手術後的第一時間及第二時間的視力。多個不同時間點的實例可包括視力校正手術後的一天、一周、一個月、六個月、一年等，但不限於此。

視力預測模型可基於對應於多個不同時間點的視力預測 值來預測被檢查者的視力恢復率。例如，所述模型可基於視力校正手術後的第一時間及第二時間來預測視力恢復率。

預期視力影像生成模型可預測視力校正手術後被檢查者的視野。所述模型可生成藉由可視化被檢查者在視力校正手術後的視力品質而獲得的影像(以下稱為「預期視力影像」)。所述模型輸出預期的視力影像，使得可更容易地向被檢查者解釋視力校正手術。所述模型可視化並輸出視力校正手術後的視野，使得被檢查者可更清楚地理解視力校正手術後的預期結果，並因此可在選擇視力校正手術時獲得幫助。

預期視力影像生成模型的輸入資料可包括手術參數。例如，輸入資料可包括手術類型作為手術參數。所述模型可預測對應於輸入的手術參數的預期視力影像。例如，當輸入資料包括LASIK、LASEK及SMILE作為手術參數時，模型的輸出可包括LASIK後的預期視力影像、LASEK後的預期視力影像及SMILE後的預期視力影像。作為另一實例，當輸入資料包括標準視力校正手術及客製視力校正手術作為手術參數時，模型的輸出可包括標準視力校正手術後的預期視力影像及客製視力校正手術後的預期視力影像。作為又一實例，當輸入資料包括多個視區時，模型的輸出可包括對應於所述多個視區的多個預期視力影像。

預期視力影像生成模型可生成對應於預定手術參數的預期視力影像，而無論輸入資料是否包括手術參數。例如，在對模型進行訓練以生成標準視力校正手術後的預期視力影像及客製視 力校正手術後的預期視力影像的情形中，即使當模型的輸入資料不包括手術參數時，模型亦可輸出標準視力校正手術後的預期視力影像及客製視力校正手術後的預期視力影像。

預期視力影像可包括關於選自由以下組成的群組中的至少一者的資訊：被檢查者進行視力校正手術後預期的視力的清晰度、光線透射、對比敏感度、夜間視力、眩光、複視、及餘像。

圖10示出根據實施例的預期視力影像的視圖。參照圖10的a，預期視力影像I1及I2可藉由將關於視力清晰度的資訊可視化來表達。參照圖10的b，預期視力影像I3、I4、I5及I6可藉由將關於光線模糊的資訊可視化來表達。

多個預期視力影像可對應於不同的手術參數。參照圖10的a，第一預期視力影像I1可對應於客製視力校正手術後的視力清晰度，且第二預期視力影像I2可對應於標準視力校正手術後的視力清晰度。參照圖10的b，第三預期視力影像I3至第六預期視力影像I6可為對應於不同視區的預期視力影像。例如，第三預期視力影像I3的視區可大於第四預期視力影像I4至第六預期視力影像I6的視區。

根據實施例的預期視力影像可藉由使用濾波器進行濾波來生成。此處，濾波是在一般影像處理領域中使用的概念，並且可指藉由影像及濾波器的卷積來生成經濾波影像。濾波器的實例可包括平均濾波器、加權平均濾波器、低通濾波器、高斯濾波器(Gaussian filter)、中值濾波器、雙邊濾波器、模糊濾波器、高通 濾波器、反銳化遮罩、高頻提升濾波器(high-boost filter)、銳化濾波器等，但不限於此。

圖11是示出根據實施例的使用濾波器的預期視力影像生成模型M17的圖式。參照圖11，預期視力影像生成模型M17可包括第一子模型M171及第二子模型M172。

第一子模型M171可基於輸入資料計算及/或選擇濾波器。例如，輸入資料可包括視力校正手術後被檢查者的眼睛特性資料的預測值，並且第一子模型M171可基於眼睛特性資料的預測值來計算及/或選擇濾波器。作為另一實例，輸入資料可包括被檢查者的眼睛特性資料的測定值及手術參數，並且第一子模型M171可基於眼睛特性資料的測定值及手術參數來計算及/或選擇濾波器。

第二子模型M172可基於由第一子模型M171計算及/或選擇的濾波器來生成預期視力影像。例如，第二子模型M172可藉由將濾波器應用於原始影像來生成預期視力影像。此處，原始影像是用作生成預期視力影像的基礎的影像，並且可自預期視力影像生成模型M17外部輸入，或者可包括在模型M17中。

角膜地形影像預測模型可預測視力校正手術後被檢查者的角膜地形影像。所述模型可預測一或多個角膜地形影像。角膜地形影像預測模型可基於輸入資料生成角膜地形影像。

角膜地形影像預測模型的輸入資料可包括手術參數。例如，輸入資料可包括手術類型作為手術參數。所述模型可預測對 應於輸入的手術參數的角膜地形影像。例如，當輸入資料包括LASIK、LASEK及SMILE作為手術參數時，模型的輸出可包括LASIK後的角膜地形影像、LASEK後的角膜地形影像及SMILE後的角膜地形影像。作為另一實例，當輸入資料包括標準視力校正手術及客製視力校正手術作為手術參數時，模型的輸出可包括標準視力校正手術後的角膜地形影像及客製視力校正手術後的角膜地形影像。

角膜地形影像預測模型可生成對應於預定手術參數的角膜地形影像，而無論輸入資料是否包括手術參數。例如，在對模型進行訓練以生成標準視力校正手術後的角膜地形影像及客製視力校正手術後的角膜地形影像的情形中，即使當模型的輸入資料不包括手術參數時，模型亦可輸出標準視力校正手術後的角膜地形影像及客製視力校正手術後的角膜地形影像。

角膜地形影像預測模型的輸入資料可包括在視力校正手術之前量測的被檢查者的角膜地形影像。圖12是示出根據實施例的角膜地形影像的圖式。參照圖12，角膜地形影像預測模型M18可基於視力校正手術之前被檢查者的角膜地形影像CI1來預測視力校正手術之後被檢查者的角膜地形影像CI2。在圖12中，僅將角膜地形影像CI1示出為輸入至模型M18，但亦可輸入其他多條輸入資料。

預測結果計算原因分析模型可分析由視力校正手術相關模型生成的預測結果的計算原因。所述模型可計算視力校正手術 相關模型對輸入資料的依賴性。此處，依賴性可包括輸入資料的特定變數對預測結果的影響。

預測結果計算原因分析模型可輸出預測結果的計算原因。所述模型可輸出預測結果的一或多個計算原因。在下文中，為便於闡述，將預測結果的計算原因表示為數值，例如依賴係數(dependency coefficient)，但預測結果的計算原因不限於此，並且對其例如數值、影像、文本及其組合等表示方法並無限制。

預測結果計算原因分析模型可輸出至少一些依賴係數。例如，所述模型可輸出所有所計算的依賴係數。

預測結果計算原因分析模型可輸出所計算的依賴係數中落在特定範圍內的依賴係數。例如，所述模型可輸出所計算的依賴係數中大於預定值的依賴係數。作為另一選擇，所述模型可輸出所計算的依賴係數中絕對值大於預定值的依賴係數。

預測結果計算原因分析模型可輸出一定數量的依賴係數。例如，所述模型可輸出預定數量的依賴係數。

預測結果計算原因分析模型可包括手術適合性預測分析模型、雷射手術可用性預測分析模型、角膜形狀因子預測分析模型、客製視力校正手術必要性預測分析模型、視力校正手術建議分析模型、手術參數建議分析模型、視力預測分析模型、預期視力影像生成分析模型及角膜地形影像預測分析模型。例如，視力預測分析模型可計算視力預測模型的輸入資料中包括的變數對預測視力預測模型的視力的影響。作為另一選擇，視力預測分析模 型可計算由視力預測模型計算的視力預測值對視力預測模型的輸入資料的依賴性。

預測結果計算原因分析模型可包括視力校正手術相關模型的至少一部分模型。例如，視力預測分析模型可包括視力預測模型。

圖13是示出根據實施例的包括視力校正手術相關模型M192的預測結果計算原因分析模型M19的圖式。參照圖13，預測結果計算原因分析模型M19可包括輸入資料擾動模型M191、視力校正手術相關模型M192及預測結果分析模型M193。

輸入資料擾動模型M191可輸出基於輸入資料擾動的輸入資料。模型M191可輸出一或多條擾動輸入資料。此處，輸入資料的擾動可指輸入資料的改變，例如輸入資料中包括的至少部分變數的改變。例如，當變數是數值時，擾動可指值的增加或減少。作為另一選擇，當變數是影像時，擾動可指影像的至少部分畫素的畫素值的增加或減少。

視力校正手術相關模型M192可基於輸入資料及擾動輸入資料輸出對應於輸入資料的第一預測結果及對應於擾動輸入資料的第二預測結果。例如，當預測結果計算原因分析模型M19中包括的視力校正手術相關模型M192是視力預測模型時，第一預測結果及第二預測結果可為不同的視力預測值。此外，當擾動輸入資料被設置有多條擾動輸入資料時，模型可輸出對應於所述多條擾動輸入資料的多個預測結果。

預測結果分析模型M193可基於預測結果輸出預測結果的計算原因。例如，模型M193可基於自未擾動輸入資料計算的第一預測結果及自擾動輸入資料計算的第二預測結果來計算預測結果的計算原因。具體而言，第一預測結果對第一變數的依賴性可基於第一預測結果與自其中第一變數被擾動的輸入資料計算的第二預測結果之間的差來計算。

圖14是示出根據實施例計算的預測結果的計算原因的視圖，且具體而言，是示出視力預測的原因的視圖。參照圖14，預測結果的計算原因可表示為數值及影像。圖14中示出的例如Cornea_Back_Rmin V1、散光(Astigmatism)V2、單眼(Mono)V3、近視(Nearsightedness)V4、Op_flag V5及Pupil_Dia V6等字符可對應於輸入資料中包括的變數。表示為對應於字符的5.95 N1、-0.5 N2、0 N3、-1.37 N4、2 N5及3.1 N6可對應於輸入資料中包括的變數的數值。

預測結果對變數的依賴性可被可視化及表達。例如，所述依賴性可用箭頭的長度、顏色及方向來表達。參照圖14，箭頭的長度可對應於依賴係數的絕對值。此外，箭頭的方向及顏色可對應於依賴係數的符號。在圖14中，可解釋為視力預測值OV為1.18，Cornea_Back_Rmin V1、散光V2、單眼V3及近視V4對視力預測值有積極影響，而Op_flag V5及Pupil_Dia V6對視力預測值有消極影響。

預測結果計算原因分析模型的實例可包括模型無關的局 部可解釋性闡述(local interpretable model-agnostic explanation，LIME)等，但不限於此。

視力校正手術相關模型可彼此組合。所述模型可以串聯連接方式或並聯連接方式中的至少一種方式進行組合。

串聯連接的視力校正手術相關模型可意指至少一個視力校正手術相關模型的輸出是基於至少另一視力校正手術相關模型的輸出來計算的。

並聯連接的視力校正手術相關模型可意指一個視力校正手術相關模型的輸出不影響另一視力校正手術相關模型的輸出。

在下文中，將闡述視力校正手術相關模型的組合的實例。

圖15是示出根據實施例串聯連接的視力校正手術相關模型的圖式。參照圖15，第一視力校正手術相關模型Ma與第二視力校正手術相關模型Mb可以串聯方式組合。第一視力校正手術相關模型Ma可基於第一輸入資料及由接收第二輸入資料的第二視力校正手術相關模型Mb輸出的第二預測結果來計算第一預測結果。

圖16至圖19是示出根據實施例的基於角膜形狀因子預測模型的輸出而計算視力校正手術相關模型的輸出的圖式。

參照圖16，客製視力校正手術必要性預測模型M13可基於由接收第二輸入資料及第一輸入資料的角膜形狀因子預測模型M12輸出的角膜形狀因子來預測被檢查者的客製視力校正手術必要性。

參照圖17，視力校正手術建議模型M14可基於由接收第二輸入資料及第一輸入資料的角膜形狀因子預測模型M12輸出的角膜形狀因子來建議對應於被檢查者的視力校正手術。

參照圖18，預期視力影像生成模型M17可基於由接收第二輸入資料及第一輸入資料的角膜形狀因子預測模型M12輸出的角膜形狀因子來生成視力校正手術後被檢查者的預期視力影像。

參照圖19，角膜地形影像預測模型M18可基於由接收第二輸入資料及第一輸入資料的角膜形狀因子預測模型M12輸出的角膜形狀因子來預測視力校正手術後被檢查者的角膜地形影像。

圖20是示出根據實施例基於客製視力校正手術必要性預測模型的輸出來計算視力校正手術相關模型的輸出的圖式。參照圖20，視力校正手術建議模型M14可基於由接收第二輸入資料及第一輸入資料的客製視力校正手術必要性預測模型M13輸出的客製視力校正手術必要性來建議對應於被檢查者的視力校正手術。

圖21及圖22是示出根據實施例的基於視力校正手術建議模型的輸出來計算視力校正手術相關模型的輸出的圖式。

參照圖21，角膜形狀因子預測模型M12可基於由接收第二輸入資料及第一輸入資料的視力校正手術建議模型M14輸出的視力校正手術來預測視力校正手術後被檢查者的角膜形狀因子。

參照圖22，視力預測模型M16可基於由接收第二輸入資料及第一輸入資料的視力校正手術建議模型M14輸出的視力校正手術來計算視力校正手術後被檢查者的視力預測值。

預期視力影像生成模型可基於由接收第二輸入資料及第一輸入資料的視力校正手術建議模型輸出的視力校正手術來生成視力校正手術後被檢查者的預期視力影像。

角膜地形影像預測模型可基於由接收第二輸入資料及第一輸入資料的視力校正手術建議模型輸出的視力校正手術來預測視力校正手術後被檢查者的角膜地形影像。

圖23是示出根據實施例的基於手術參數建議模型的輸出來計算視力校正手術相關模型的輸出的圖式。

參照圖23，視力預測模型M16可基於由接收第二輸入資料及第一輸入資料的手術參數建議模型M15輸出的手術參數來計算視力校正手術後被檢查者的視力預測值。

角膜形狀因子預測模型可基於由接收第二輸入資料及第一輸入資料的手術參數建議模型輸出的手術參數來預測視力校正手術後被檢查者的角膜形狀因子。

預期視力影像生成模型可基於由接收第二輸入資料及第一輸入資料的手術參數建議模型輸出的手術參數來生成視力校正手術後被檢查者的預期視力影像。

角膜地形影像預測模型可基於由接收第二輸入資料及第一輸入資料的手術參數建議模型輸出的手術參數來預測視力校正手術後被檢查者的角膜地形影像。

圖24及圖25是示出根據實施例的基於視力預測模型的輸出來計算視力校正手術相關模型的輸出的圖式。

參照圖24，視力校正手術建議模型M14可基於由接收第二輸入資料及第一輸入資料的視力預測模型M16輸出的視力預測值來建議對應於被檢查者的視力校正手術。

參照圖25，預期視力影像生成模型M17可基於由接收第二輸入資料及第一輸入資料的視力預測模型M16輸出的視力預測值來生成視力校正手術後被檢查者的預期視力影像。

圖26及圖27是示出根據實施例的基於角膜地形影像預測模型的輸出來計算視力校正手術相關模型的輸出的圖式。

參照圖26，客製視力校正手術必要性預測模型M13可基於由接收第二輸入資料及第一輸入資料的角膜地形影像預測模型M18輸出的角膜地形影像來預測被檢查者的客製視力校正手術必要性。

參照圖27，視力校正手術建議模型M14可基於由接收第二輸入資料及第一輸入資料的角膜地形影像預測模型M18輸出的角膜地形影像來建議對應於被檢查者的視力校正手術。

角膜形狀因子預測模型可基於由接收第二輸入資料及第一輸入資料的角膜地形影像預測模型輸出的角膜地形影像來預測視力校正手術後被檢查者的角膜形狀因子。

預期視力影像生成模型可基於由接收第二輸入資料及第一輸入資料的角膜地形影像預測模型輸出的角膜地形影像來生成視力校正手術後被檢查者的預期視力影像。

三或更多個視力校正手術相關模型可串聯及/或並聯組 合。圖28是用於闡述根據實施例的三或更多個視力校正手術相關模型的組合的圖式。參照圖28，第一視力校正手術相關模型Ma可藉由輸入由接收第二輸入資料的第二視力校正手術相關模型Mb輸出的第二預測結果、由接收第三輸入資料的第三視力校正手術相關模型Mc輸出的第三預測結果以及第一輸入資料來計算第一預測結果。此處，第一視力校正手術相關模型Ma可被視為串聯連接至第二視力校正手術相關模型Mb及第三視力校正手術相關模型Mc。此外，第二視力校正手術相關模型Mb與第三視力校正手術相關模型Mc可被視為彼此並聯連接。

圖29及30是示出根據實施例的基於角膜形狀因子預測模型及視力預測模型的輸出來計算視力校正手術相關模型的輸出的圖式。

參照圖29，視力校正手術建議模型M14可基於由接收第二輸入資料的角膜形狀因子預測模型M12輸出的角膜形狀因子、由接收第三輸入資料的視力預測模型M16輸出的視力預測值及第一輸入資料來建議對應於被檢查者的視力校正手術。

參照圖30，預期視力影像生成模型M17可基於由接收第二輸入資料的角膜形狀因子預測模型M12輸出的角膜形狀因子、由接收第三輸入資料的視力預測模型M16輸出的視力預測值及第一輸入資料來生成視力校正手術後被檢查者的預期視力影像。

視力校正手術相關模型可彼此合併。多個視力校正手術相關模型可被合併成一個模型，以執行所述多個個別模型的至少 部分功能。

圖31是用於闡述根據實施例的視力校正手術相關模型的合併的圖式。參照圖31，第一視力校正手術相關模型與第二視力校正手術相關模型可被合併以形成一個模型Mab。所述一個模型Mab可基於輸入資料計算預測結果。此處，預測結果可包括與對應於第一視力校正手術相關模型的輸出的第一預測結果或對應於第二視力校正手術相關模型的輸出的第二預測結果中的至少一者對應的資訊。例如，預測結果可包括第一預測結果或第二預測結果中的至少一者。作為另一選擇，預測結果可包括關於第一預測結果或第二預測結果中的至少一者的資訊。

在圖31中，闡述了合併兩個模型的情形，但不限於此，並且可合併三或更多個模型。

圖32至34是示出根據實施例的視力校正手術相關模型的合併的實施實例的圖式。

參照圖32，可合併角膜形狀因子預測模型與客製視力校正手術必要性預測模型。合併的模型M25可基於輸入資料計算預測結果。預測結果可包括與角膜形狀因子或客製視力校正手術必要性中的至少一者對應的資訊。例如，預測結果可包括角膜形狀因子或客製視力校正手術必要性中的至少一者。

參照圖33，可合併客製視力校正手術必要性預測模型與視力校正手術建議模型。合併的模型M27可基於輸入資料計算預測結果。預測結果可包括與客製視力校正手術必要性或視力校正 手術中的至少一者對應的資訊。例如，預測結果可包括客製視力校正手術必要性或視力校正手術中的至少一者。

參照圖34，可合併雷射手術可用性預測模型、客製視力校正手術必要性預測模型及視力校正手術建議模型。合併的模型M38可基於輸入資料計算預測結果。預測結果可包括與選自由雷射手術可用性、客製視力校正手術必要性及視力校正手術組成的群組中的至少一者對應的資訊。例如，預測結果可包括選自由雷射手術可用性、客製視力校正手術必要性及視力校正手術組成的群組中的至少一者。

在下文中，將闡述視力校正手術的推薦方法的實例。

視力校正手術的推薦方法可使用一或多個視力校正手術相關模型來實施。當使用多個視力校正手術相關模型來實施所述方法時，是否執行至少一個視力校正手術相關模型可取決於至少另一視力校正手術相關模型的預測結果。例如，是否執行第二視力校正手術相關模型可取決於第一視力校正手術相關模型的預測結果。

以下將闡述的視力校正手術的推薦方法的操作可由預測裝置來執行。

圖35是示出根據實施例的視力校正手術的推薦方法的第一實例的圖式。

參照圖35，根據實施例的視力校正手術的推薦方法可包括獲得被檢查者的檢查資料的操作S1100、預測視力校正手術是否 適合被檢查者的操作S1200、預測被檢查者能否進行使用雷射的視力校正手術的操作S1300、計算被檢查者的角膜形狀因子預測值的操作S1400、以及建議對應於被檢查者的視力校正手術的操作S1500。

獲得被檢查者的檢查資料的操作S1100可包括由計算裝置獲得包括問診資料及眼睛特性資料的測定值的檢查資料。

預測視力校正手術是否適合被檢查者的操作S1200可包括藉由將自被檢查者的檢查資料獲得的第一組資料輸入至第一預測模型來預測視力校正手術是否適合被檢查者。第一預測模型可為手術適合性預測模型。手術適合性預測模型可基於第一組資料預測視力校正手術是否適合被檢查者。

預測被檢查者能否進行使用雷射的視力校正手術的操作S1300可包括藉由將自被檢查者的檢查資料獲得的第二組資料輸入至第二預測模型來預測被檢查者能否進行使用雷射的視力校正手術。是否執行操作S1300可取決於視力校正手術是否適合被檢查者。例如，當視力校正手術適合於被檢查者時，可執行操作S1300。第二預測模型可為雷射手術可用性預測模型。雷射手術可用性預測模型可基於第二組資料預測被檢查者的雷射手術可用性。

計算被檢查者的角膜形狀因子預測值的操作S1400可包括藉由將自被檢查者的檢查資料獲得的第三組資料輸入至第三預測模型來計算被檢查者在標準視力校正手術之後的角膜形狀因子 預測值及被檢查者在客製視力校正手術之後的角膜形狀因子預測值。是否執行操作S1400可取決於被檢查者能否進行使用雷射的視力校正手術。例如，當被檢查者能夠進行使用雷射的視力校正手術時，可執行操作S1400。第三預測模型可為角膜形狀因子預測模型。第三預測模型可基於第三組資料預測角膜形狀因子。在此種情形中，可基於角膜形狀因子來確定客製視力校正手術必要性。

建議對應於被檢查者的視力校正手術的操作S1500可包括藉由將自被檢查者的檢查資料獲得的第四組資料輸入至第四預測模型來建議對應於被檢查者的視力校正手術。是否執行操作S1500可取決於被檢查者能否進行使用雷射的視力校正手術。例如，當被檢查者能夠進行使用雷射的視力校正手術時，可執行操作S1500。第四預測模型可基於選自由以下組成的群組中的至少一者進行訓練：已接受視力校正手術的多個被治療者的檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。第四預測模型可為視力校正手術建議模型。第四預測模型可基於第四組資料建議對應於被檢查者的視力校正手術。

參照圖35，視力校正手術可為在不考量角膜形狀因子預測值及/或客製視力校正手術必要性的情況下確定的手術。例如，視力校正手術可包括LASIK、LASEK及SMILE。此外，由於即使當能夠進行雷射視力校正手術時亦並非不能進行晶狀體植入，因此視力校正手術可包括晶狀體植入，其在本說明書的其他實例及 實施實例中是相同的。在此種情形中，可由醫生及/或諮詢師確定其中考量了角膜形狀因子預測值及/或客製視力校正手術必要性的視力校正手術。例如，醫生及/或諮詢師可考量客製視力校正手術的必要性基於由圖35的視力校正手術的推薦方法輸出的角膜形狀因子預測值及視力校正手術來確定視力校正手術，例如標準LASIK、標準LASEK、標準SMILE、客製LASIK、客製LASEK、客製SMILE等。

圖36是示出根據實施例的視力校正手術的推薦方法的第二實例的圖式。

參照圖36，根據實施例的視力校正手術的推薦方法可包括獲得被檢查者的檢查資料的操作S2100、預測視力校正手術是否適合被檢查者的操作S2200、預測被檢查者能否進行使用雷射的視力校正手術的操作S2300、計算被檢查者的角膜形狀因子預測值的操作S2400、以及建議對應於被檢查者的視力校正手術的操作S2500。

由於圖36的視力校正手術的推薦方法類似於圖35，因此將主要闡述與圖35的區別。

參照圖36，在建議對應於被檢查者的視力校正手術的操作S2500中，可基於在計算被檢查者的角膜形狀因子預測值的操作中計算的標準視力校正手術之後的角膜形狀因子預測值及客製視力校正手術之後的角膜形狀因子預測值來建議視力校正手術。視力校正手術可為考量客製視力校正手術必要性而確定的手術。 例如，視力校正手術可包括標準LASIK、標準LASEK、標準SMILE、客製LASIK、客製LASEK及客製SMILE。此外，視力校正手術可包括晶狀體植入。

圖37是示出根據實施例的視力校正手術的推薦方法的第三實例的圖式。

參照圖37，根據實施例的視力校正手術的推薦方法可包括獲得被檢查者的檢查資料的操作S3100、預測視力校正手術是否適合被檢查者的操作S3200、預測被檢查者能否進行使用雷射的視力校正手術的操作S3300、預測被檢查者是否需要客製視力校正手術的操作S3400、以及建議對應於被檢查者的視力校正手術的操作S3500。

由於圖37的視力校正手術的推薦方法類似於圖35，因此將主要闡述與圖35的區別。

參照圖37，預測被檢查者是否需要客製視力校正手術的操作S3400可包括藉由將自被檢查者的檢查資料獲得的第三組資料輸入至第三預測模型來預測被檢查者是否需要客製視力校正手術。是否執行操作S3400可取決於被檢查者能否進行使用雷射的視力校正手術。例如，當被檢查者能夠進行使用雷射的視力校正手術時，可執行操作S3400。第三預測模型可為客製視力校正手術必要性預測模型。第三預測模型可基於第三組資料預測客製視力校正手術必要性。在操作中，可基於標準視力校正手術後被檢查者的角膜形狀因子預測值及客製視力校正手術後被檢查者的角膜 形狀因子預測值來預測客製視力校正手術必要性。

可連接預測被檢查者是否需要客製視力校正手術的操作S3400及建議對應於被檢查者的視力校正手術的操作S3500。例如，建議對應於被檢查者的視力校正手術的操作S3500的輸出可基於預測被檢查者是否需要客製視力校正手術的操作S3400的輸出來計算。作為另一選擇，預測被檢查者是否需要客製視力校正手術的操作S3400的輸出可基於建議對應於被檢查者的視力校正手術的操作S3500的輸出來計算。

例如，在建議對應於被檢查者的視力校正手術的操作S3500中，可基於在預測被檢查者是否需要客製視力校正手術的操作S3400中確定的客製視力校正手術必要性來建議視力校正手術。例如，視力校正手術可包括標準LASIK、標準LASEK、標準SMILE、客製LASIK、客製LASEK及客製SMILE。此外，視力校正手術可包括晶狀體植入。

作為另一實例，在預測被檢查者是否需要客製視力校正手術的操作S3400中，可基於在建議對應於被檢查者的視力校正手術的操作S3500中確定的第一視力校正手術來輸出第二視力校正手術。此處，第一視力校正手術可為不考量客製視力校正手術必要性而確定的手術，且第二視力校正手術可為考量客製視力校正手術必要性而確定的手術。

作為又一實例，可基於在建議對應於被檢查者的視力校正手術的操作S3500中確定的第一視力校正手術的類型來判斷是 否執行預測被檢查者是否需要客製視力校正手術的操作S3400。例如，當第一視力校正手術是第一類型的視力校正手術時，可不執行客製視力校正手術必要性預測模型，並且當第一視力校正手術是第二類型的視力校正手術時，可執行客製視力校正手術必要性預測模型。

可根據是否使用雷射切削角膜來區分第一類型與第二類型。例如，第一類型可為非雷射視力校正手術(例如，晶狀體植入)，且第二類型可為雷射視力校正手術(例如LASIK、LASEK、SMILE)。

可根據是否可進行客製手術來區分第一類型與第二類型。例如，第一類型可為其中不可進行客製手術的視力校正手術，且第二類型可為其中可進行客製手術的視力校正手術。此處，對於視力校正手術是否是可進行客製手術的手術，可存在預定的標準。然而，所述標準可根據技術進步、醫院、手術裝置、醫生的情況及決定等而變化。例如，當不可進行客製SMILE手術時，第一類型可包括SMILE及晶狀體植入，且第二類型可包括LASIK及LASEK。另一方面，當可進行客製SMILE手術時，第一類型可包括晶狀體植入，且第二類型可包括LASIK、LASEK及SMILE。

圖38是示出根據實施例的視力校正手術的推薦方法的第四實例的圖式。

參照圖38，根據實施例的視力校正手術的推薦方法可包括獲得被檢查者的檢查資料的操作S4100、預測視力校正手術是否 適合被檢查者的操作S4200、預測被檢查者能否進行使用雷射的視力校正手術的操作S4300、以及建議對應於被檢查者的視力校正手術的操作S4400。

由於圖38的獲得被檢查者的檢查資料的操作S4100、預測視力校正手術是否適合被檢查者的操作S4200、以及預測被檢查者能否進行使用雷射的視力校正手術的操作S4300與圖35相同，因此對其不再予以贅述。

建議對應於被檢查者的視力校正手術的操作S4400可包括藉由將自被檢查者的檢查資料獲得的第三組資料輸入至第三預測模型來建議對應於被檢查者的視力校正手術。

是否執行操作S4400可取決於被檢查者能否進行使用雷射的視力校正手術。例如，當被檢查者能夠進行使用雷射的視力校正手術時，可執行操作S4400。在操作S4400中，可基於標準視力校正手術後被檢查者的角膜形狀因子預測值及客製視力校正手術後被檢查者的角膜形狀因子預測值來建議視力校正手術。

第三預測模型可為其中客製視力校正手術必要性預測模型與視力校正手術建議模型彼此合併的模型。第三預測模型可基於選自由以下組成的群組中的至少一者進行訓練：已接受視力校正手術的多個被治療者的多條檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。第三預測模型可基於第三組資料輸出關於客製視力校正手術必要性或視力校正手術中的至少一者的資訊。例如，第三預測模 型的輸出可包括客製視力校正手術必要性或視力校正手術中的至少一者。

圖39是示出根據實施例的視力校正手術的推薦方法的第五實例的圖式。

參照圖39，根據實施例的視力校正手術的推薦方法可包括獲得被檢查者的檢查資料的操作S5100、預測視力校正手術是否適合被檢查者的操作S5200、以及建議對應於被檢查者的視力校正手術的操作S5300。

由於圖39所示的獲得被檢查者的檢查資料的操作S5100及預測視力校正手術是否適合被檢查者的操作S5200與圖35相同，因此對其不再予以贅述。

建議對應於被檢查者的視力校正手術的操作S5300可包括藉由將自被檢查者的檢查資料獲得的第二組資料輸入至第二預測模型來建議對應於被檢查者的視力校正手術。

是否執行操作S5300可取決於視力校正手術是否適合被檢查者。例如，當視力校正手術適合被檢查者時，可執行操作S5300。在操作S5300中，可基於被檢查者在標準視力校正手術後的角膜形狀因子預測值及被檢查者在客製視力校正手術後的角膜形狀因子預測值來建議視力校正手術。

第二預測模型可為其中雷射手術可用性預測模型、客製視力校正手術必要性預測模型及視力校正手術建議模型被合併的模型。第二預測模型可基於選自由以下組成的群組中的至少一者 進行訓練：已接受視力校正手術的多個被治療者的多條檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。第二預測模型可基於第二組資料輸出與選自由以下組成的群組中的至少一者有關的資訊：雷射手術可用性、客製視力校正手術必要性及視力校正手術。例如，第二預測模型的輸出可包括選自由以下組成的群組中的至少一者：雷射手術可用性、客製視力校正手術必要性及視力校正手術。

圖40是示出根據實施例的視力校正手術的推薦方法的第六實例的圖式。

參照圖40，根據實施例的視力校正手術的推薦方法可包括獲得被檢查者的檢查資料的操作S6100、以及建議對應於被檢查者的視力校正手術的操作S6200。

由於圖40的獲得被檢查者的檢查資料的操作S6100與圖35相同，因此對其不再予以贅述。

建議對應於被檢查者的視力校正手術的操作S6200可包括藉由將自被檢查者的檢查資料獲得的一組資料輸入至預測模型來建議對應於被檢查者的視力校正手術。在操作S6200中，可基於被檢查者在標準視力校正手術後的角膜形狀因子預測值及被檢查者在客製視力校正手術後的角膜形狀因子預測值來建議視力校正手術。

預測模型可為其中將手術適合性預測模型、雷射手術可用性預測模型、客製視力校正手術必要性預測模型及視力校正手 術建議模型合併的模型。所述預測模型可基於選自由以下組成的群組中的至少一者進行訓練：已接受視力校正手術的多個被治療者的多條檢查資料、與所述多個被治療者對應的視力校正手術及所述多個被治療者進行視力校正手術後的視力。所述預測模型可基於輸入資料輸出與選自由以下組成的群組中的至少一者有關的資訊：手術適合性、雷射手術可用性、客製視力校正手術必要性及視力校正手術。例如，所述預測模型的輸出可包括選自由以下組成的群組中的至少一者：手術適合性、雷射手術可用性、客製視力校正手術必要性及視力校正手術。

視力校正手術的推薦方法及視力校正手術相關模型的組合及/或合併僅為示例性的，且此外，可實施視力校正手術的推薦方法，或者可以各種方式組合及/或合併視力校正手術相關模型。

在下文中，將闡述提供視力校正手術可視化資訊的方法的實例。

提供視力校正手術可視化資訊的方法可使用一或多個視力校正手術相關模型來實施。當使用多個視力校正手術相關模型實施所述方法時，是否實行至少一個視力校正手術相關模型可取決於至少另一視力校正手術相關模型的預測結果。例如，是否實行第二視力校正手術相關模型可取決於第一視力校正手術相關模型的預測結果。

提供視力校正手術可視化資訊的方法可包括提供預期視力影像的方法、提供角膜地形影像的方法及提供預測結果計算原 因的方法。

提供預期視力影像的方法可使用預期視力影像生成模型來實施。提供角膜地形影像的方法可使用角膜地形影像預測模型來實施。提供預測結果計算原因的方法可使用預測結果計算原因分析模型來實施。

下面將闡述的提供視力校正手術可視化資訊的方法的操作可由預測裝置來執行。

圖41是示出根據實施例的提供視力校正手術可視化資訊的方法的第一實例的圖式。

參照圖41，根據實施例的提供視力校正手術可視化資訊的方法可包括獲得被檢查者的檢查資料的操作S7100、計算視力校正手術後被檢查者的眼睛特性資料的預測值的操作S7200、以及生成預期視力影像的操作S7300。此外，儘管未示出，但根據實施例的提供視力校正手術可視化資訊的方法可更包括輸出預期視力影像。

獲得被檢查者的檢查資料的操作S7100可包括由計算裝置獲得包括問診資料及眼睛特性資料的測定值的檢查資料。

計算視力校正手術後被檢查者的眼睛特性資料的預測值的操作S7200可包括藉由將自被檢查者的檢查資料獲得的第一組資料輸入至第一預測模型來計算眼睛特性資料的預測值，所述眼睛特性資料包括被檢查者的視力預測值或在視力校正手術後的角膜形狀因子預測值中的至少一者。

第一預測模型可基於選自由以下組成的群組中的至少一者進行訓練：已接受視力校正手術的多個被治療者在手術前的多條眼睛特性資料的測定值、對所述多個被治療者執行的視力校正手術的手術參數、以及所述多個被治療者手術後的多條眼睛特性資料的測定值。第一預測模型可包括視力預測模型或角膜形狀因子預測模型中的至少一者。作為另一選擇，第一預測模型可為視力預測模型與角膜形狀因子預測模型被合併的模型。第一預測模型可基於第一組資料計算視力校正手術後被檢查者的眼睛特性資料的預測值。

生成預期視力影像的操作S7300可包括基於眼睛特性資料的預測值生成預期視力影像。

圖42是示出根據實施例的提供視力校正手術可視化資訊的方法的第二實例的圖式。

參照圖42，根據實施例的提供視力校正手術可視化資訊的方法可更包括基於眼睛特性資料的預測值計算及/或選擇濾波器的操作S7600、以及將濾波器應用於原始影像的操作S7700。

基於眼睛特性資料的預測值來計算及/或選擇濾波器的操作S7600可由圖11的第一子模型M171來執行。

將濾波器應用於原始影像的操作S7700可包括將濾波器應用於原始影像以生成預期視力影像。操作S7700可由圖11的第二子模型M172來執行。

圖43是示出根據實施例的提供視力校正手術可視化資訊 的方法的第三實例的圖式。

參照圖43，根據實施例的提供視力校正手術可視化資訊的方法可更包括預測視力校正手術後被檢查者的角膜地形影像的操作S7400。

預測視力校正手術後被檢查者的角膜地形影像的操作S7400可包括藉由將自被檢查者的檢查資料獲得的第二組資料輸入至第二預測模型來預測視力校正手術後被檢查者的角膜地形影像。

第二預測模型可基於選自由以下組成的群組中的至少一者進行訓練：已接受視力校正手術的多個被治療者在手術前的角膜地形影像、對所述多個被治療者執行的視力校正手術的手術參數、以及所述多個被治療者在手術後的角膜地形影像。第二預測模型可為角膜地形影像預測模型。第二預測模型可基於第二組資料預測被檢查者在視力校正手術後的角膜地形影像。

圖44是示出根據實施例的提供視力校正手術可視化資訊的方法的第四實例的圖式。

參照圖44，根據實施例的提供視力校正手術可視化資訊的方法可更包括計算眼睛特性資料的預測值對第一組資料的依賴性的操作S7500。此外，儘管未示出，但根據實施例的提供視力校正手術可視化資訊的方法可更包括輸出依賴係數。

依賴係數的輸出可包括輸出依賴係數中大於預定值的依賴係數，或者輸出預定數量的依賴係數。

根據實施例的方法可以程式指令的形式實施，所述程式指令可藉由各種電腦單元執行並記錄在電腦可讀取媒體中。電腦可讀取媒體可包括程式指令、資料文件、資料結構或其組合。記錄在電腦可讀取媒體中的程式指令可針對實施例專門設計及準備，或者可為熟習電腦軟體領域者可能習知的指令。電腦可讀取媒體的實例包括例如硬碟、軟碟及磁帶等磁性媒體、例如光碟只讀記憶體(compact disc read-only memory，CD-ROM)及數位視訊光碟(digital video disc，DVD)等光學媒體、例如軟磁光碟等磁光媒體、以及專門製作用於儲存及執行程式指令的硬體裝置，例如ROM、隨機存取記憶體(random access memory，RAM)或快閃記憶體。程式指令的實例可包括由編譯器生成的機器代碼及可在電腦中使用解譯器執行的高級語言代碼。此種硬體裝置可被配置為至少一個軟體模組以便執行實施例的操作，反之亦可。

以上已基於實施例闡述了本發明的配置及特徵，但本發明不限於此，並且對熟習此項技術者而言顯而易見的是，可在本發明的精神及範圍內進行各種改變或修改。因此，揭示了此類改變或修改落在隨附申請專利範圍的範圍內。

[發明實施方式]

如上所述，在本發明的技術解決方案中，已闡述了相關事項。

S1100、S1200、S1300、S1400、S1500:操作

Claims (11)

1. 一種由計算裝置執行的方法，所述方法包括：獲得被檢查者的檢查資料，其中所述檢查資料包括問診資料及眼睛特性資料的測定值，所述眼睛特性資料的所述測定值包括表現所述被檢查者在進行視力校正手術之前的角膜形狀的一或多個測定值，所述測定值包括選自由以下組成的群組中的至少一者：在進行視力校正手術之前的高度偏心指數(IHD)、在進行視力校正手術之前的表面變異指數(ISV)、以及在進行視力校正手術之前的垂直不對稱指數(IVA)；藉由將第一組資料輸入至第一預測模型而計算一或多個第一預測值及一或多個第二預測值，其中所述第一組資料從所述被檢查者的所述檢查資料中獲得的，其中所述第一預測值表現所述被檢查者在進行利用預定手術參數的雷射視力校正手術之後的預測角膜形狀，所述第二預測值表現所述被檢查者在進行利用客製手術參數的雷射視力校正手術之後的預測角膜形狀，其中所述第一預測值包括選自由以下組成的群組中的至少一者：在進行利用預定手術參數的所述雷射視力校正手術之後的高度偏心指數(IHD)預測值、在進行利用預定手術參數的所述雷射視力校正手術之後的表面變異指數(ISV)預測值、以及在進行利用預定手術參數的所述雷射視力校正手術之後的垂直不對稱指數 (IVA)預測值，以及其中所述第二預測值包括選自由以下組成的群組中的至少一者：在進行利用客製手術參數的所述雷射視力校正手術之後的高度偏心指數預測值、在進行利用客製手術參數的所述雷射視力校正手術之後的表面變異指數預測值、以及在進行利用客製手術參數的所述雷射視力校正手術之後的垂直不對稱指數(IVA)預測值；輸出所述測定值、所述第一預測值、以及所述第二預測值，以用於基於所述測定值、所述第一預測值、以及所述第二預測值判斷所述被檢查者是否需要利用客製手術參數的所述雷射視力校正手術；以及藉由將第二組資料輸入至第二預測模型而建議對應於所述被檢查者的視力校正手術的類型，其中所建議的所述類型包括雷射角膜原位磨鑲術、雷射角膜上皮磨鑲術、或小切口微透鏡取出術，以及其中所述第二組資料是自所述被檢查者的所述檢查資料中獲得的其中所述第二預測模型基於選自由以下組成的群組中的至少一者進行訓練：正接受視力校正手術的多個被治療者的所述檢查資料、與所述多個被治療者對應的視力校正手術的類型、以及所述多個被治療者進行視力校正手術後的視力，以及其中用於所述被檢查者的推薦視力校正手術是藉由組合由所述第一預測模型及所述第二預測模型所取得的結果來判斷，由此 用於所述被檢查者的所述推薦視力校正手術為利用預定手術參數的雷射角膜原位磨鑲術、利用預定手術參數的雷射角膜上皮磨鑲術、利用預定手術參數的小切口微透鏡取出術、利用客製手術參數的雷射角膜原位磨鑲術、利用客製手術參數的雷射角膜上皮磨鑲術及利用客製手術參數的小切口微透鏡取出術中的一者。
2. 如請求項1所述的方法，其中所述建議包括基於所述被檢查者進行一或多個視力校正手術後的一或多個視力預測值來建議所述類型。
3. 如請求項2所述的方法，其中所述建議包括藉由計算所述被檢查者進行所述一或多個視力校正手術後的所述一或多個視力預測值來建議所述類型，所述視力預測值中的每一者與所述視力校正手術對應。
4. 如請求項2所述的方法，其中所述建議包括藉由計算與多個不同的時間點對應的多個視力預測值來建議所述類型。
5. 如請求項1所述的方法，其中所述方法更包括：基於所述測定值、所述第一預測值、以及所述第二預測值對所述被檢查者是否需要利用客製手術參數的所述雷射視力校正手術。
6. 如請求項1所述的方法，更包括：藉由將第三組資料輸入至手術適合性預測模型預測視力校正手術是否適合所述被檢查者，所述第三組資料是自所述被檢查者的所述檢查資料中獲得的；以及其中在視力校正手術適合所述被檢查者時，藉由將第四組資 料輸入至雷射手術適合性預測模型對所述被檢查者能否進行使用所述雷射視力校正手術進行預測，所述第四組資料是自所述被檢查者的所述檢查資料中獲得的。
7. 如請求項1所述的方法，其中當所述第二預測模型是藉由考量所述多個被治療者對視力校正手術的偏好進行訓練時，所述第二組資料包括所述被檢查者對視力校正手術的偏好。
8. 如請求項1所述的方法，其中所述第一預測模型或所述第二預測模型中的至少一者包括多個子模型，並基於所述多個子模型的結果計算結果。
9. 如請求項1所述的方法，其中所述第一組資料或所述第二組資料中的至少一者照原樣包括所述被檢查者的所述檢查資料中的至少一部分、或包括根據所述被檢查者的所述檢查資料中的至少一部分計算的一種新類型的資料。
10. 如請求項1所述的方法，其中所述檢查資料更包括遺傳資訊。
11. 一種記錄媒體，能夠由計算裝置讀取，且記錄在所述計算裝置上用於執行如請求項1所述的方法的程式。

Images