WO2021040077A1 - 시력교정술 추천 방법 및 장치 - Google Patents

시력교정술 추천 방법 및 장치 Download PDF

Info

Publication number
WO2021040077A1
WO2021040077A1 PCT/KR2019/010959 KR2019010959W WO2021040077A1 WO 2021040077 A1 WO2021040077 A1 WO 2021040077A1 KR 2019010959 W KR2019010959 W KR 2019010959W WO 2021040077 A1 WO2021040077 A1 WO 2021040077A1
Authority
WO
WIPO (PCT)
Prior art keywords
vision correction
vision
model
subject
data
Prior art date
Application number
PCT/KR2019/010959
Other languages
English (en)
French (fr)
Inventor
김진국
류익희
Original Assignee
(주)비쥬웍스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)비쥬웍스 filed Critical (주)비쥬웍스
Priority to JP2021560903A priority Critical patent/JP2022546789A/ja
Priority to EP19926732.9A priority patent/EP4024401A4/en
Priority to PCT/KR2019/010959 priority patent/WO2021040077A1/ko
Priority to US17/084,510 priority patent/US11213201B2/en
Publication of WO2021040077A1 publication Critical patent/WO2021040077A1/ko
Priority to US17/558,212 priority patent/US20220110519A1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/107—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining the shape or measuring the curvature of the cornea
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
    • A61F9/007—Methods or devices for eye surgery
    • A61F9/008—Methods or devices for eye surgery using laser
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
    • A61F9/007—Methods or devices for eye surgery
    • A61F9/008—Methods or devices for eye surgery using laser
    • A61F9/00802—Methods or devices for eye surgery using laser for photoablation
    • A61F9/00804—Refractive treatments
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
    • A61F9/007—Methods or devices for eye surgery
    • A61F9/008—Methods or devices for eye surgery using laser
    • A61F9/00802—Methods or devices for eye surgery using laser for photoablation
    • A61F9/00804—Refractive treatments
    • A61F9/00806—Correction of higher orders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
    • A61F9/007—Methods or devices for eye surgery
    • A61F9/008—Methods or devices for eye surgery using laser
    • A61F9/00825—Methods or devices for eye surgery using laser for photodisruption
    • A61F9/00827—Refractive correction, e.g. lenticle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
    • A61F9/007—Methods or devices for eye surgery
    • A61F9/008—Methods or devices for eye surgery using laser
    • A61F9/00825—Methods or devices for eye surgery using laser for photodisruption
    • A61F9/00827—Refractive correction, e.g. lenticle
    • A61F9/00829—Correction of higher orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
    • A61F9/007—Methods or devices for eye surgery
    • A61F9/008—Methods or devices for eye surgery using laser
    • A61F2009/00861—Methods or devices for eye surgery using laser adapted for treatment at a particular location
    • A61F2009/00872—Cornea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
    • A61F9/007—Methods or devices for eye surgery
    • A61F9/008—Methods or devices for eye surgery using laser
    • A61F2009/00878—Planning
    • A61F2009/0088—Planning based on wavefront
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
    • A61F9/007—Methods or devices for eye surgery
    • A61F9/008—Methods or devices for eye surgery using laser
    • A61F2009/00878—Planning
    • A61F2009/00882—Planning based on topography

Definitions

  • the present invention relates to a method and device for recommending vision correction, and more particularly, to a method and device for recommending vision correction to a subject, etc. using artificial intelligence.
  • Vision correction techniques such as LASIK and LASEK are attracting a lot of attention from people with poor eyesight regardless of age or sex. Interest in vision correction is increasing day by day to the extent that there are statistics that the population who received vision correction is 100,000 people.
  • the subject should basically select the type of surgery such as LASIK, LASEK, Smile, and lens implantation.
  • you should choose according to surgical equipment such as I LASIK, DaVinci LASIK, Crystal LASIK, Z LASIK, VIJU LASIK, and OPTI LASIK, and according to the surgical methods such as Contura Vision, Extra LASIK, and Wavefront LASIK.
  • the recommended corneal cutting amount varies according to hospitals and doctors, it is more difficult to select, and the reality is that we have no choice but to rely on the words of a doctor or counselor for the quality of vision or side effects after surgery.
  • One task is to assist the doctor's judgment or provide objective information related to vision correction to doctors, counselors, and examinees.
  • Another task is to recommend vision correction to doctors, counselors, and subjects.
  • Another task is to provide doctors, counselors, and subjects with recommended causes for vision correction surgery.
  • a method for recommending vision correction using artificial intelligence comprising: acquiring examination data of a subject, the examination data including examination data and eye characteristic data measurement values; Inputting first group data obtained from the examinee's examination data into a first prediction model to predict whether the examinee is suitable for vision correction; Predicting whether or not vision correction can be performed using a laser of the subject by inputting second group data obtained from the examinee's examination data into a second prediction model when the subject is suitable for vision correction; If the subject is capable of correcting vision using a laser, the third group data obtained from the examinee's examination data is input into a third predictive model to be used to determine whether a custom vision correction is necessary, and the subject's standard vision correction is followed.
  • the predictive model provides a method for recommending vision correction, which is learned based on at least one of examination data of a plurality of subjects who have undergone vision correction, vision correction corresponding to the plurality of subjects, and vision after vision correction of the plurality of subjects. I can.
  • a method for recommending vision correction using artificial intelligence comprising: acquiring examination data of a subject, the examination data including examination data and eye characteristic data measurement values; Inputting first group data obtained from the examinee's examination data into a first prediction model to predict whether the examinee is suitable for vision correction; Predicting whether or not vision correction using a laser of the subject is possible by inputting second group data obtained from the examinee's examination data into a second prediction model when the vision correction procedure is suitable for the examinee; Predicting whether the subject needs a custom vision correction by inputting the third group data obtained from the examination data of the subject into a third prediction model when the subject is capable of correcting vision using a laser; And when the subject is capable of correcting vision using a laser, inputting the fourth group data obtained from the examination data of the subject into a fourth prediction model to propose a vision correction procedure corresponding to the subject; including, but the custom
  • the step of predicting the necessity of vision correction may include predicting the necessity of custom vision correction
  • a method for recommending vision correction using artificial intelligence comprising: acquiring examination data of a subject, the examination data including examination data and eye characteristic data measurement values; Inputting first group data obtained from the examinee's examination data into a first prediction model to predict whether the examinee is suitable for vision correction; Predicting whether or not vision correction can be performed using a laser of the subject by inputting second group data obtained from the examinee's examination data into a second prediction model when the subject is suitable for vision correction; And when the subject is capable of correcting vision using a laser, inputting the third group data obtained from the examination data of the subject into a third prediction model to propose a vision correction procedure corresponding to the subject.
  • the step of proposing correction may include proposing vision correction based on the predicted value of the corneal shape factor after standard vision correction of the subject and the predicted value of the corneal shape factor after custom vision correction, and the third prediction model includes a plurality of patients undergoing vision correction.
  • a method for recommending a vision correction that is learned based on at least one of examination data of, vision correction corresponding to the plurality of persons to be treated, and vision after vision correction of the plurality of persons to be treated may be provided.
  • a method for recommending vision correction using artificial intelligence comprising: acquiring examination data of a subject, the examination data including examination data and eye characteristic data measurement values; Inputting first group data obtained from the examinee's examination data into a first prediction model to predict whether the examinee is suitable for vision correction; And, when vision correction is appropriate for the subject, inputting the second group data obtained from the examination data of the subject into a second prediction model to propose a vision correction procedure corresponding to the subject; including, but suggesting the vision correction procedure.
  • the correction of vision is proposed based on the predicted value of the corneal shape factor after the standard vision correction of the subject and the predicted value of the corneal shape factor after the custom vision correction, and the second prediction model includes examination data of a plurality of subjects who have undergone vision correction.
  • a method of recommending a vision correction that is learned based on at least one of a vision correction procedure corresponding to the plurality of persons to be treated and visual acuity after the vision correction operation of the plurality of persons to be treated may be provided.
  • a method for recommending vision correction using artificial intelligence comprising: acquiring examination data of a subject, the examination data including examination data and eye characteristic data measurement values; And inputting group data obtained from the examinee's examination data into a predictive model to propose a vision correction procedure corresponding to the examinee; including, wherein the step of proposing vision correction includes, the cornea after standard vision correction of the examinee A vision correction is proposed based on the shape factor predicted value and the corneal shape factor predicted value after custom vision correction, and the prediction model includes examination data of a plurality of subjects who have undergone vision correction, vision correction corresponding to the plurality of subjects, and the plurality of A method of recommending vision correction that has been learned based on at least one of the eyesight after vision correction of a person to be treated may be provided.
  • a method for assisting a doctor's judgment or providing objective information related to vision correction to a doctor, a counselor, and a subject may be provided.
  • a cause for recommending vision correction using artificial intelligence may be provided to a doctor, a counselor, a subject, and the like.
  • FIG. 1 is a diagram of a system for assisting vision correction according to an exemplary embodiment.
  • FIG. 2 is a diagram for describing a learning device/prediction device according to an exemplary embodiment.
  • FIG. 3 is a diagram illustrating a server device and a client device according to an embodiment.
  • FIG. 4 is a diagram illustrating configurations of a server device and a client device according to an embodiment.
  • FIG. 5 is a diagram of a model related to vision correction according to an exemplary embodiment.
  • FIG. 6 is a diagram illustrating a learning step and a prediction step of a model related to vision correction according to an exemplary embodiment.
  • FIG. 7 is a diagram illustrating pre-processing of input/output data according to an exemplary embodiment.
  • FIG. 8 is a diagram of a model related to vision correction including submodels connected in series according to an exemplary embodiment.
  • FIG. 9 is a diagram of a model related to vision correction including submodels connected in parallel according to an exemplary embodiment.
  • FIG. 10 is a diagram of an expected vision image according to an exemplary embodiment.
  • FIG. 11 is a diagram of a model for generating a predicted vision image using a filter according to an exemplary embodiment.
  • FIG. 12 is a diagram of a corneal topography image according to an exemplary embodiment.
  • FIG. 13 is a diagram illustrating a predictive result calculation cause analysis model including a model related to vision correction according to an exemplary embodiment.
  • FIG. 14 is a diagram illustrating a reason for calculating a prediction result according to an exemplary embodiment.
  • 15 is a diagram illustrating a serial connection of a model related to vision correction according to an exemplary embodiment.
  • 16 to 19 are diagrams for calculating an output of a model related to vision correction based on an output of a model for predicting a corneal shape factor according to an exemplary embodiment.
  • 20 is a diagram for calculating an output of a model related to vision correction based on an output of a model for predicting the necessity of a custom vision correction according to an embodiment.
  • 21 to 22 are diagrams for calculating an output of a model related to vision correction based on the output of a model proposed for vision correction according to an exemplary embodiment.
  • FIG. 23 is a diagram illustrating an output calculation of a model related to vision correction based on an output of a model suggesting a surgical parameter according to an exemplary embodiment.
  • 24 to 25 are diagrams for calculating an output of a model related to vision correction based on the output of the vision prediction model according to an exemplary embodiment.
  • 26 to 27 are diagrams for calculating an output of a model related to vision correction based on an output of a model for predicting a corneal topography image according to an exemplary embodiment.
  • FIG. 28 is a diagram for describing a combination of three or more models related to vision correction according to an exemplary embodiment.
  • 29 to 30 are diagrams for calculating an output of a model related to vision correction based on the output of the corneal shape factor prediction model and the vision prediction model, according to an exemplary embodiment.
  • 31 is a diagram for explaining merging of models related to vision correction according to an exemplary embodiment.
  • 32 to 34 are diagrams illustrating an implementation example of merging models related to vision correction according to an embodiment.
  • 35 is a diagram illustrating a method for recommending vision correction according to a first embodiment.
  • 36 is a diagram illustrating a second embodiment of a method for recommending vision correction according to an embodiment.
  • FIG. 37 is a diagram of a third embodiment of a method for recommending vision correction according to an embodiment.
  • 38 is a diagram illustrating a fourth embodiment of a method for recommending vision correction according to an embodiment.
  • 39 is a diagram illustrating a fifth embodiment of a method for recommending vision correction according to an embodiment.
  • 40 is a diagram of a sixth embodiment of a method for recommending vision correction according to an embodiment.
  • 41 is a diagram illustrating a method of providing visualization information for vision correction according to a first embodiment.
  • FIG. 42 is a diagram illustrating a second embodiment of a method of providing visualization information for vision correction according to an embodiment.
  • FIG. 43 is a diagram of a third embodiment of a method of providing visualization information for vision correction according to an embodiment.
  • 44 is a diagram of a fourth embodiment of a method of providing visualization information for vision correction according to an embodiment.
  • a method and apparatus for recommending vision correction to a subject based on examination data will be described.
  • a method and apparatus for generating a model for recommending vision correction using artificial intelligence and for recommending vision correction to a subject using the generated model will be described.
  • a method and apparatus for providing visualized vision correction related information to a subject based on examination data will be described.
  • using artificial intelligence to provide a predicted vision image after vision correction, predict a corneal topography image, or analyze the cause of the prediction result create a model that provides vision correction information, and use the generated model to give the subject.
  • a method and apparatus for providing visualization information for vision correction will be described.
  • vision correction is an operation that corrects the vision of the person to be treated, and not only surgery to correct vision through corneal cutting using lasers such as LASIK, LASEK, and SMILE, but also lenses. It should be interpreted broadly, including implantation and other non-laser vision correction.
  • the visual acuity includes visual acuity that can be measured based on the judgment of the subject and the visual acuity that can be measured through an eye examination.
  • visual acuity can be measured through an eye chart.
  • visual acuity is higher-order aberrations, which are basic refractive abnormalities such as myopia, farsightedness, and astigmatism, and spherical aberration, coma aberration, and trefoil aberration. aberrations).
  • visual acuity may include naked vision and corrected vision.
  • a method for recommending vision correction using artificial intelligence comprising: acquiring examination data of a subject, the examination data including examination data and eye characteristic data measurement values; Inputting first group data obtained from the examinee's examination data into a first prediction model to predict whether the examinee is suitable for vision correction; Predicting whether or not vision correction can be performed using a laser of the subject by inputting second group data obtained from the examinee's examination data into a second prediction model when the subject is suitable for vision correction; If the subject is capable of correcting vision using a laser, the third group data obtained from the examinee's examination data is input into a third predictive model to be used to determine whether a custom vision correction is necessary, and the subject's standard vision correction is followed.
  • the predictive model provides a method for recommending vision correction, which is learned based on at least one of examination data of a plurality of subjects who have undergone vision correction, vision correction corresponding to the plurality of subjects, and vision after vision correction of the plurality of subjects. I can.
  • the vision correction procedure may be proposed based on the predicted vision value after the vision correction procedure of the subject.
  • the vision correction procedure may be proposed by calculating an acuity predicted value after the vision correction procedure of the subject corresponding to each of the plurality of vision correction procedures.
  • vision correction may be proposed by calculating a plurality of predicted vision values corresponding to a plurality of different viewpoints.
  • the method of recommending corrective vision may further include predicting whether the subject needs a custom vision correction based on the calculated predicted value of the corneal shape factor after standard vision correction and the predicted value of the corneal shape factor after custom vision correction.It may further include.
  • vision correction may be proposed based on the calculated predicted value of the corneal shape factor after standard vision correction and the predicted value of the corneal shape factor after custom vision correction.
  • the fourth group data may include the preferences for vision correction of the subject.
  • At least one of the first prediction model, the second prediction model, the third prediction model, and the fourth prediction model includes a plurality of submodels, and a result value is calculated based on the results of the plurality of submodels. Can be calculated.
  • At least one of the first group data, the second group data, the third group data, and the fourth group data includes at least a portion of the examination data of the examinee as it is, or at least a portion of the examination data of the examinee. It may be characterized by including a new type of data calculated from.
  • the corneal shape factor predicted value may include at least one of an index of height decentration (IHD) predicted value, an index of surface variance (ISV) predicted value, and an index of vertical asymmetry (IVA) predicted value.
  • IHD index of height decentration
  • ISV index of surface variance
  • IVA index of vertical asymmetry
  • the examination data may further include gene information.
  • a method for recommending vision correction using artificial intelligence comprising: acquiring examination data of a subject, the examination data including examination data and eye characteristic data measurement values; Inputting first group data obtained from the examinee's examination data into a first prediction model to predict whether the examinee is suitable for vision correction; Predicting whether or not vision correction using a laser of the subject is possible by inputting second group data obtained from the examinee's examination data into a second prediction model when the vision correction procedure is suitable for the examinee; Predicting whether the subject needs a custom vision correction by inputting the third group data obtained from the examination data of the subject into a third prediction model when the subject is capable of correcting vision using a laser; And when the subject is capable of correcting vision using a laser, inputting the fourth group data obtained from the examination data of the subject into a fourth prediction model to propose a vision correction procedure corresponding to the subject; including, but the custom
  • the step of predicting the necessity of vision correction may include predicting the necessity of custom vision correction
  • a method for recommending vision correction using artificial intelligence comprising: acquiring examination data of a subject, the examination data including examination data and eye characteristic data measurement values; Inputting first group data obtained from the examinee's examination data into a first prediction model to predict whether the examinee is suitable for vision correction; Predicting whether or not vision correction can be performed using a laser of the subject by inputting second group data obtained from the examinee's examination data into a second prediction model when the subject is suitable for vision correction; And when the subject is capable of correcting vision using a laser, inputting the third group data obtained from the examination data of the subject into a third prediction model to propose a vision correction procedure corresponding to the subject.
  • the step of proposing correction may include proposing vision correction based on the predicted value of the corneal shape factor after standard vision correction of the subject and the predicted value of the corneal shape factor after custom vision correction, and the third prediction model includes a plurality of patients undergoing vision correction.
  • a method for recommending a vision correction that is learned based on at least one of examination data of, vision correction corresponding to the plurality of persons to be treated, and vision after vision correction of the plurality of persons to be treated may be provided.
  • a method for recommending vision correction using artificial intelligence comprising: acquiring examination data of a subject, the examination data including examination data and eye characteristic data measurement values; Inputting first group data obtained from the examinee's examination data into a first prediction model to predict whether the examinee is suitable for vision correction; And, when vision correction is appropriate for the subject, inputting the second group data obtained from the examination data of the subject into a second prediction model to propose a vision correction procedure corresponding to the subject; including, but suggesting the vision correction procedure.
  • the correction of vision is proposed based on the predicted value of the corneal shape factor after the standard vision correction of the subject and the predicted value of the corneal shape factor after the custom vision correction, and the second prediction model includes examination data of a plurality of subjects who have undergone vision correction.
  • a method of recommending a vision correction that is learned based on at least one of a vision correction procedure corresponding to the plurality of persons to be treated and visual acuity after the vision correction operation of the plurality of persons to be treated may be provided.
  • a method for recommending vision correction using artificial intelligence comprising: acquiring examination data of a subject, the examination data including examination data and eye characteristic data measurement values; And inputting group data obtained from the examinee's examination data into a predictive model to propose a vision correction procedure corresponding to the examinee; including, wherein the step of proposing vision correction includes, the cornea after standard vision correction of the examinee A vision correction is proposed based on the shape factor predicted value and the corneal shape factor predicted value after custom vision correction, and the prediction model includes examination data of a plurality of subjects who have undergone vision correction, vision correction corresponding to the plurality of subjects, and the plurality of A method of recommending vision correction that has been learned based on at least one of the eyesight after vision correction of a person to be treated may be provided.
  • the examination data of a subject-the examination data includes examination data and eye characteristic data measurement values-are obtained. step; The predicted value of the eye characteristic data after vision correction of the examinee by inputting the first group data obtained from the examination data of the examinee into a first prediction model-The predicted value of the eye characteristic data includes at least one of an acuity predicted value and a corneal shape factor predicted value -Calculating; And generating a predicted visual acuity image based on the predicted value of the eye characteristic data; including, wherein the first predictive model includes a measurement value of eye characteristic data before surgery of a plurality of subjects who have undergone vision correction, and performed on the plurality of subjects to be treated.
  • a method of providing a learned predicted vision image based on at least one of the acquired vision correction surgery parameters and the measured values of eye characteristic data after surgery of the plurality of persons to be treated may be provided.
  • the step of generating the predicted vision image may include calculating or selecting a filter based on the predicted eye characteristic data, and applying the filter to the original image to generate the predicted vision image.
  • the eye characteristic data predicted value includes a first eye characteristic data predicted value and a second eye characteristic data predicted value
  • the predicted visual acuity image includes a first predicted visual acuity image generated based on the first predicted eye characteristic data and the It is generated based on the predicted value of the second eye characteristic data, and may include a second predicted visual acuity image different from the first predicted visual acuity image.
  • each of the first predicted eye characteristic data and the second predicted eye characteristic data corresponds to a predicted value of eye characteristic data after standard vision correction and a predicted value of eye characteristic data after custom vision correction
  • Each of the predicted visual acuity images may correspond to a predicted visual acuity image after standard vision correction and a predicted visual acuity image after custom vision correction.
  • the predicted vision image may include information on at least one of clarity, light bleeding, contrast sensitivity, night vision, glare, double vision, and afterimages expected after vision correction of the subject.
  • the method of providing the predicted visual acuity image further comprises: inputting the second group data obtained from the examination data of the subject into a second prediction model to predict the corneal topography image of the subject after vision correction surgery; 2
  • the predictive model may be learned based on at least one of a preoperative corneal topography image of a plurality of recipients who have undergone vision correction, a vision correction surgery parameter performed on the plurality of recipients, and a postoperative corneal topography image of the plurality of recipients. have.
  • the method of providing the predicted visual acuity image may further include calculating a dependence of the predicted value of the eye characteristic data on the first group data.
  • the eye characteristic data predicted value includes a first eye characteristic data predicted value and a second eye characteristic data predicted value
  • the dependence includes a dependence coefficient corresponding to at least a part of the first group data
  • the dependence coefficient is And a first dependency coefficient corresponding to the predicted value of the first eye characteristic data and a second dependency coefficient corresponding to the predicted value of the second eye characteristic data, but different from the first dependency coefficient.
  • each of the predicted value of the first eye characteristic data and the predicted value of the second eye characteristic data corresponds to a predicted value of eye characteristic data after standard vision correction and a predicted value of eye characteristic data after custom vision correction
  • the first dependence coefficient and the second dependence Each of the coefficients may correspond to a dependency of a predicted value of eye characteristic data after standard vision correction on the first group data and a dependency of a predicted value of eye characteristic data after custom vision correction on the first group data.
  • the method of providing the predicted vision image may further include outputting a dependency coefficient larger than a predetermined value among the dependency coefficients or outputting a predetermined number of dependency coefficients.
  • the corneal shape factor predicted value may include at least one of an index of height decentration (IHD) predicted value, an index of surface variance (ISV) predicted value, and an index of vertical asymmetry (IVA) predicted value.
  • IHD index of height decentration
  • ISV index of surface variance
  • IVA index of vertical asymmetry
  • the vision predicted value may include at least one of a predicted value of lower-order aberrations and a predicted value of higher-order aberrations.
  • the vision correction assistance system may include a learning device and a prediction device.
  • the learning device and the prediction device may be a computing device including at least one control unit.
  • Examples of the computing device may include a desktop, a laptop, a tablet PC, and a smartphone, but are not limited thereto.
  • the learning apparatus 100 may learn and/or generate a model for calculating information related to vision correction based on the learning data (hereinafter referred to as “vision correction related model”).
  • the learning data is data necessary for learning and/or generating a model related to vision correction, such as numbers, letters, and images, and there is no limitation on the expression method thereof.
  • the learning data may include examination data and operation parameters of a person who has undergone vision correction.
  • the prediction device 300 may calculate a prediction result, which is information related to vision correction, based on the vision correction related model and input data generated through the learning device 100.
  • the input data is data that is the basis for calculating the prediction result, such as numbers, characters, and images, and there is no limitation on the expression method thereof.
  • the learning device 100 and the prediction device 300 are illustrated as being separate devices, but the learning device 100 and the prediction device 300 may be the same device. For example, it is possible to learn/generate a model related to vision correction in the same device and calculate a prediction result using the model. Alternatively, at least a partial configuration of the learning device 100 and at least a partial configuration of the prediction device 300 may have the same configuration.
  • the vision correction assistance system may include a plurality of learning devices and/or a plurality of prediction devices.
  • the learning device/prediction device may include a memory unit 5000 and a control unit 1000.
  • the learning device/prediction device may include a control unit 1000 for controlling its operation.
  • the control unit 1000 includes at least one of a central processing unit (CPU), a random access memory (RAM), a graphic processing unit (GPU), one or more microprocessors, and other electronic components capable of processing input data according to predetermined logic. It may include.
  • the controller 1000 may read system programs and various processing programs stored in the memory unit 5000. For example, the controller 1000 may develop a data processing process for performing a learning and prediction step of a vision correction related model to be described later on the RAM, and may perform various processes according to the developed program. For example, the controller 1000 may learn a model related to vision correction. As another example, the controller 1000 may generate a prediction result using a model related to vision correction.
  • the learning device/prediction device may include a memory unit 5000.
  • the memory unit 5000 may store data necessary for learning, a learning model, and a learned model related to vision correction.
  • the memory unit 5000 may store parameters and variables of a model related to vision correction.
  • the memory unit 5000 is a nonvolatile semiconductor memory, a hard disk, a flash memory, a RAM, a read only memory (ROM), an electrically erasable programmable read-only memory (EEPROM), or other tangible nonvolatile recording medium. It can be implemented as
  • the memory unit 5000 may store various processing programs, parameters for performing program processing, or processing result data.
  • the memory unit 5000 includes a data processing process program for performing the learning and prediction steps of a model related to vision correction to be described later, a diagnostic process program, parameters for executing each program, and data obtained according to the execution of these programs. (Eg, processed data or prediction results) and the like can be stored.
  • the learning device/prediction device may further include a communication unit 9000.
  • the communication unit 9000 may communicate with an external device.
  • the communication unit 9000 of the learning device may communicate with the communication unit 9000 of the prediction device.
  • the communication unit 9000 may perform wired or wireless communication.
  • the communication unit 9000 may perform bi-directional or one-way communication.
  • the learning device/prediction device illustrated in FIG. 2 is only an example, and the configuration of the learning device/prediction device is not limited thereto.
  • the vision correction assist system may include a server device and a client device.
  • 3 is a diagram for describing the server device 500 and the client devices 700a and 700b according to an exemplary embodiment.
  • the server device 500 may correspond to the above-described learning device/prediction device.
  • the server device 500 may learn, store, and/or execute a model related to vision correction.
  • the client devices 700a and 700b according to an embodiment may correspond to the above-described learning device/prediction device.
  • the client devices 700a and 700b according to an embodiment may learn, store, and/or execute a model related to vision correction.
  • the client devices 700a and 700b may acquire a learned model related to vision correction from the server device 500.
  • the client devices 700a and 700b may download a model related to vision correction from the server device 500 through a network.
  • the server device 500 may calculate a prediction result based on input data obtained from the client devices 700a and 700b.
  • the client devices 700a and 700b receive the subject's information and transmit it to the server device 500, and the server device 500 may calculate a prediction result through a vision correction-related model based on the subject's information. have.
  • the server device 500 may obtain input data from a plurality of client devices 700a and 700b.
  • the server device 500 may transmit the calculated prediction result to the client devices 700a and 700b.
  • the client devices 700a and 700b may provide a prediction result obtained from the server device 500 to a doctor, a counselor, an examinee, and the like.
  • the server device 500 according to an embodiment may obtain feedback from the client devices 700a and 700b.
  • the server device 500 according to an embodiment may transmit a prediction result to a plurality of client devices 700a and 700b.
  • the client devices 700a and 700b may request a prediction result from the server device 500.
  • the client devices 700a and 700b may transmit the received data to the server device 500.
  • the client devices 700a and 700b according to an embodiment may change at least a part of the received data and transmit it to the server device 500.
  • the client devices 700a and 700b according to an embodiment may provide a prediction result obtained from the server device 500 to a doctor, a counselor, an examinee, and the like.
  • the client devices 700a and 700b according to an embodiment may change at least a part of the prediction result obtained from the server device 500 and provide it to a doctor, a counselor, a subject, and the like.
  • FIG 3 illustrates a relationship between one server device 500 and two client devices 700a and 700b, but is not limited thereto. Can be applied.
  • the server device 500 and the client device 700 may include memory units 5000a and 5000b, control units 1000a and 1000b, and communication units 9000a and 9000b.
  • the server device 500 and the client device 700 may transmit and acquire information through the communication units 9000a and 9000b.
  • the client device 700 may acquire a model related to vision correction that has been learned from the communication unit 9000a of the server device 500 through the communication unit 9000b.
  • the client device 700 may transmit input data to the communication unit 9000a of the server device 500 through the communication unit 9000b, and the server device 500 transmits the prediction result to the client through the communication unit 9000a. It can be transmitted to the communication unit 9000b of the device 700.
  • the vision correction-related model is a model that calculates various information that can be considered during and before and after the vision correction procedure.
  • the vision correction-related model is a surgical suitability prediction model (M10), laser surgery availability prediction model (M11), corneal shape factor prediction model (M12), custom vision correction necessity prediction model (M13), Vision correction proposal model (M14), surgical parameter proposal model (M15), vision prediction model (M16), predicted vision image generation model (M17), corneal topography image prediction model (M18), and predictive result calculation cause analysis model (M19) It may include. A detailed description of each model will be described later.
  • At least some of the models M related to vision correction may be learned and/or generated in the same learning device.
  • the surgical fit prediction model M10 and the laser surgical fit prediction model M11 may be learned and/or generated in the same learning device.
  • at least some of the models M related to vision correction may be learned and/or generated in different learning devices.
  • At least some of the models M related to vision correction may be executed in the same prediction device.
  • the surgical fit prediction model M10 and the laser surgical fit prediction model M11 may be executed in the same prediction device.
  • at least some of the models M related to vision correction may be executed by different prediction devices.
  • the vision correction-related model may be learned and/or implemented as an artificial intelligence model/algorithm, and the learning and/or implementation method thereof is not limited.
  • models related to vision correction include classification algorithms, regression algorithms, supervised learning, unsupervised learning, reinforcement learning, and support vector machine. ), decision tree, random forest, LASSO, AdaBoost, XGBoost, artificial neural network, etc. Can be.
  • the model related to vision correction may be learned and/or generated through a learning step.
  • a vision correction-related model that is learned and/or generated through the learning step may calculate a prediction result through the prediction step.
  • the learning step S10 may include a learning data acquisition step S110 and a model training step S150.
  • the learning data acquisition step S110 may be a step in which the learning device acquires learning data, which is data for learning and/or generating a model related to vision correction.
  • the model learning step S150 may be a step of learning and/or generating a model related to vision correction.
  • the learning device may train and/or generate the model based on the training data acquired in the training data acquisition step.
  • model parameters constituting a model related to vision correction may be changed in the model learning step S150. According to the change of the parameter, the accuracy of the model may be improved.
  • the model related to vision correction may be learned based on information related to vision correction of a person who has undergone vision correction. For example, the model is learned based on at least one of examination data before vision correction of a plurality of patients undergoing vision correction, surgery parameters for vision correction performed on the plurality of patients, and examination data after vision correction of the plurality of patients. Can be.
  • the prediction step S30 may include an input data acquisition step S310 and a model execution step S350.
  • the input data acquisition step S310 may be a step in which the prediction apparatus acquires input data, which is data that can be used to calculate a prediction result using a vision correction related model.
  • the model execution step S350 may be a step of calculating a prediction result based on the model and input data related to vision correction that are learned and/or generated in the learning step S10.
  • the prediction device may output a prediction result based on input data and model parameters obtained from the learning device.
  • the input data of the model related to vision correction may include all information acquired about the subject.
  • the input data may include at least some of the information acquired about the subject.
  • the input data may be the same or different according to a model related to vision correction.
  • the prediction result of the model related to vision correction may vary according to the learning data.
  • the accuracy of the model related to vision correction may vary according to the learning data.
  • the prediction result may vary depending on the type of true value included in the training data.
  • the prediction result may vary depending on whether the true value considers the subject's subjective intention.
  • the subjective doctor of the subject may include a preference, such as whether he prefers a specific vision correction procedure, and an ability to pay a cost, such as how much money can be paid for the vision correction procedure.
  • the predicted result may be a medically suggested result.
  • the predicted result may be the same as the medically suggested result, but may be different.
  • the first model and the first model that are created and/or learned based on the first learning data 2 The second models trained and/or generated based on the training data may be different from each other.
  • the first prediction result output from the first model and the second prediction result output from the second model may be different from each other.
  • the accuracy of the first model and the second model may be different from each other.
  • the same model related to vision correction may be learned and/or generated.
  • the same prediction result may be calculated even in the case of a model related to vision correction that is learned and/or generated from different learning data.
  • Learning data, input data, and prediction results may include variables such as examination data and surgical parameters.
  • Examination data and surgical parameters can be expressed in various ways such as numbers, letters, images, etc., and there is no limitation on the expression method.
  • images are not limited in their dimensions, such as 2D or 3D images.
  • the examination data may include questionnaire data, which is information obtained by asking a question, not through equipment or examination, eye characteristic data, and genetic information, which are information about the eye obtained through equipment or examination.
  • the questionnaire data includes variables such as gender, age, race, living environment, occupation, income, educational background, education, and family size of the subject, medical history and family history such as hypertension and diabetes, and preference for vision correction. Can include.
  • Eye characteristic data can include all kinds of eye-related information.
  • the eye characteristic data may include variables such as visual acuity, intraocular pressure, and/or retinal test results.
  • the eyeball characteristic data may include information on the physical shape of the eyeball.
  • eye characteristic data includes white-to-white (WTW) distance, angle-to-angle (ATA) distance, internal Anterior Chamber Depth (ACD), sulcus-to-sulcus (STS) distance, and pupil size. It can contain variables such as.
  • the eye characteristic data may include information on the shape of the cornea, such as a corneal shape factor, a corneal topography image, and the like.
  • the corneal shape factor is a number representing the physical shape of the cornea, index of surface variance (ISV), index of vertical asymmetry (IVA), keratoconus index (KI), central keratoconus index (CKI), minimum radius of curvature (Rmin ), index of height asymmetry (IHA), index of height decentration (IHD), central cornea thickness, and the like.
  • the corneal topography image is an image related to the shape of the cornea, and may include a corneal topography map, an front corneal curvature image, a corneal posterior curvature image, a corneal thickness map, and the like.
  • Eye characteristic data can be obtained through tomography such as Pentacam, CASIA2, AL-Scan, OQAS, topography, optical coherence tomography (OCT), ultrasound biomicroscopy (UBM) equipment, etc., but is not limited thereto.
  • Information that can be obtained through the above equipment and similar equipment and information derived therefrom may be included in the eye characteristic data.
  • Genetic information may be obtained through genetic testing or the like. Genetic information can be used to determine whether or not vision correction is suitable for a subject. Alternatively, the genetic information may be used to predict side effects after vision correction surgery. For example, the onset of corneal dystrophy can be predicted through genetic information.
  • Surgical parameters are variables related to the performance of vision correction, such as LASIK, LASEK, Smile, lens implantation, standard vision correction, custom vision correction, type of vision correction, corneal flap thickness, flap diameter, flap.
  • Variables that can be changed during vision correction such as side cut angle, corneal cutting profile, eye suction ring operation time, optical zone, hinge position, hinge structure such as hinge angle and hinge width, can be included.
  • Standard vision correction may mean vision correction for correcting low-order aberrations
  • custom vision correction may mean vision correction for correcting low-order and high-order aberrations.
  • the types of surgical parameters to be considered may differ depending on the operator of standard vision correction and custom vision correction.
  • the types of surgical parameters considered according to the person undergoing custom vision correction may include the types of the surgical parameters considered according to the person undergoing standard vision correction.
  • the number of surgical parameters that change in response to the operator of standard vision correction may be different from that of custom vision correction.
  • Standard vision correction and custom vision correction can be classified according to the number of surgical parameters that change in response to the person to be treated.
  • the number of surgical parameters (hereinafter referred to as "reference values") that change in response to the operator who distinguishes standard vision correction and custom vision correction may be a predetermined value. For example, when the number of surgical parameters that change in response to the patient to be treated is greater than or equal to a reference value, custom vision correction may be performed, and when the number of surgical parameters is smaller than the reference value, standard vision correction may be performed.
  • Standard vision correction and custom vision correction may vary depending on the hospital, doctor, and/or timing performing the vision correction procedure.
  • the reference value may vary depending on the hospital, the doctor and/or the timing.
  • Custom vision correction may include contour vision surgery and wavefront surgery.
  • the quality of vision may be improved compared to the case of performing standard vision correction.
  • the quality of vision is a term that comprehensively refers to the good or bad of vision, as well as the acuity, low and high aberration measured through the acuity chart, as well as the clarity of vision, light bleeding, contrast sensitivity, night vision, glare, double vision, afterimages, It can be judged based on other discomfort.
  • the input/output data may include not only a measured value that can be obtained/measured through a medical examination and a medical examination, but also a predicted value that can be calculated through a model related to vision correction.
  • the eye characteristic data may include not only the measured value of the eye characteristic data of the subject acquired/measured through an examination before vision correction, but also the predicted value of the eye characteristic data after vision correction of the subject calculated through a model related to vision correction. have.
  • Input/output data may be input to a model related to vision correction through pre-processing.
  • the learning device may pre-process the acquired input/output data and then use it for learning a model related to vision correction.
  • the prediction device may pre-process the acquired input/output data and then input it into a model related to vision correction to calculate a prediction result.
  • the preprocessing should be broadly interpreted to include all changes applied to the input/output data, and is not limited to the examples disclosed herein.
  • the preprocessing may include selecting at least some of the variables included in the input/output data, such as feature selection.
  • preprocessing may include t-test, Gini index, information gain, relief, DistAUC, signal to noice, MRMR, Fisher score, Laplacian score, SPEC, and the like.
  • the preprocessing may include creating a new variable from at least some of the variables included in the input/output data, such as feature extraction.
  • the preprocessing may include principle component analysis, linear discriminant analysis, canonical correlation analysis, singular value decomposition, ISOMAP, locally linear embedding, and the like.
  • pre-processing may include generating a spectrum from the numerical value or generating an image from the numerical value.
  • the pre-processing may include a processing method when a variable required by a vision correction-related model (or a learning device and/or a prediction device) is not included in the input/output data, such as processing a missing value.
  • the preprocessing may include treating the missing value as the average of the corresponding variable or treating it as the mode.
  • the accuracy of models related to vision correction can be improved.
  • the accuracy of a model related to vision correction including the feature selection step may be better than that of a model not including it.
  • the accuracy of a vision correction-related model that generates an image from a numerical value and calculates a prediction result based on the image may be better than that of a vision correction-related model that calculates a prediction result based on the numerical value.
  • input/output data may be input to a model related to vision correction through a pre-processing step (S500).
  • the vision correction-related model may calculate a prediction result based on the pre-processed input/output data (S700).
  • the model related to vision correction may include a plurality of sub-models (sub-models).
  • the plurality of sub-models may calculate a prediction result based on the input data.
  • the model related to vision correction may include submodels connected in series and/or in parallel, such as an ensemble model.
  • the model related to vision correction may include a plurality of submodels connected in series.
  • the fact that the sub-models are connected in series includes calculating the output of at least one sub-model based on the output of at least one sub-model, such as the output of the first sub-model being the input of the second sub-model. can do.
  • the fact that the sub-models are serially connected may include sequentially passing through a plurality of sub-models in order to obtain a prediction result from the input data through a model related to vision correction.
  • the model M related to vision correction may include a first sub-model M1 and a second sub-model M2 connected in series.
  • the first sub-model M1 may calculate an output based on input/output data
  • the second sub-model M2 may calculate a prediction result based on the output of the first sub-model M1.
  • the model related to vision correction may include a plurality of submodels connected in parallel.
  • the fact that the sub-models are connected in parallel may include that the output of the sub-model does not affect the output of the other sub-model, such as that the output of the first sub-model does not depend on the output of the second sub-model.
  • Inputs of a plurality of submodels connected in parallel may be the same.
  • inputs of a plurality of sub-models connected in parallel may be different.
  • the first examination data input to the first sub-model may be different from the second examination data input to the second sub-model.
  • the first examination data may include at least some other variables compared to the second examination data.
  • the first examination data may include a preference for vision correction, but the second examination data may not include a preference for vision correction.
  • the first checkup data includes the same type of variable as the second checkup data, but may have different values.
  • the first examination data and the second examination data include corneal thickness, but the method of obtaining the numerical value is different (for example, corneal thickness is measured with different devices), so the numerical value may be different. have.
  • the vision correction-related model may include an output sub-model that calculates an output based on outputs of a plurality of sub-models connected in parallel. For example, when outputs of a plurality of sub-models are the same, the output sub-model may provide the same output. As another example, when the outputs of the plurality of sub-models are different, the output sub-model may output a result of considering the outputs of the plurality of sub-models at a predetermined ratio, or may provide a specific output among the plurality of outputs. As another example, the output sub-model may output a result generated based on the output of a plurality of sub-models.
  • the model M related to vision correction may include a first sub-model M1 and a second sub-model M2 connected in parallel.
  • the vision correction-related model M may include an output sub-model M3 that calculates an output based on the outputs of the first sub-model M1 and the second sub-model M2.
  • the first sub-model M1 and the second sub-model M2 calculate a first output and a second output, respectively, based on input/output data, and the output sub-model M3 is based on the first output and the second output. Prediction results can be calculated.
  • An example of a model related to vision correction including sub-models connected in parallel may be an ensemble, but is not limited thereto.
  • the surgical suitability prediction model can predict whether vision correction is appropriate or inappropriate for a subject.
  • the surgical suitability prediction model may predict surgical suitability based on input data.
  • the suitability of vision correction can mean the medical suitability. Accordingly, the input data of the surgical suitability prediction model may not include the subject's preference for vision correction. Alternatively, the surgical suitability prediction model may predict the operation suitability without considering the patient's preference for vision correction surgery.
  • Surgical suitability may include whether surgery is possible and whether surgery is necessary.
  • the surgical suitability prediction model may determine that a subject who does not need surgery because of good vision is unsuitable for surgery.
  • the surgical suitability prediction model may determine that a subject who is unable to increase visual acuity through vision correction is unsuitable for surgery.
  • the surgical suitability may be output as a fit/unsuitable operation.
  • the surgical suitability may be output by quantifying or visualizing the suitability for surgery.
  • the laser surgery prediction model can predict whether a subject can or cannot correct vision using a laser.
  • the vision correction using a laser may mean a surgery for correcting vision by cutting the cornea using a laser.
  • the laser surgery availability prediction model may predict laser surgery availability based on input data.
  • Whether or not to correct vision using a laser may mean medical or not. Accordingly, the input data of the laser surgery possibility prediction model may not include the subject's preference for vision correction. Alternatively, the laser surgery availability prediction model may predict the laser surgery availability without considering a subject's preference for vision correction surgery.
  • the laser operation availability may be output as laser operation enabled/disabled.
  • the possibility of laser surgery may be output by quantifying or visualizing the possibility of surgery.
  • the corneal shape factor prediction model can predict the corneal shape factor after vision correction of the subject.
  • the model can predict one or more corneal shape factors.
  • the corneal shape factor prediction model can predict the corneal shape factor based on input data.
  • the input data of the corneal shape factor prediction model may include surgical parameters.
  • the input data may include the type of surgery as a surgery parameter.
  • the model may predict a corneal shape factor corresponding to the input surgical parameter.
  • the output of the model may include a corneal shape factor predicted value after LASIK, a corneal shape factor predicted value after LASIK, and a corneal shape factor predicted value after smile.
  • the output of the model may include a corneal shape factor predicted value after standard vision correction and a corneal shape factor predicted value after custom vision correction.
  • the corneal shape factor prediction model can predict a corneal shape factor corresponding to a predetermined surgical parameter regardless of whether the input data includes a surgical parameter. For example, if the model is trained to predict the corneal shape factor after standard vision correction and the corneal shape factor after custom vision correction, even if the input data of the model does not include surgical parameters, the model is the corneal shape factor after standard vision correction. The predicted value and the predicted value of the corneal shape factor after custom vision correction can be output.
  • Table 1 is an output of a corneal shape factor prediction model according to an embodiment.
  • the corneal shape factor prediction model may output IHD, ISV, and IVA values of a subject.
  • the corneal shape factor prediction model includes the subject's IHD, ISV, and IVA measurements obtained before vision correction, the predicted IHD, ISV, and IVA values after standard vision correction, and the predicted IHD, ISV, and IVA values after custom vision correction. can do.
  • the model for predicting the need for custom vision correction can predict whether a subject needs custom vision correction.
  • the custom vision correction need prediction model may predict the need for custom vision correction based on the input data.
  • the model for predicting the need for custom vision correction can predict the need for custom vision correction without considering the patient's preference for vision correction.
  • the custom vision correction need prediction model may predict the need for custom vision correction in consideration of the subject's vision correction preference.
  • the output of the model for predicting the need for custom vision correction may vary.
  • the necessity prediction model for custom vision correction may determine whether a subject needs custom vision correction based on eye characteristics data such as corneal shape factors and corneal topography images.
  • the custom vision correction need prediction model may determine the need for custom vision correction based on the absolute value of the corneal shape factor. For example, a model for predicting the need for a custom vision correction can predict that a subject needs a custom vision correction if the corneal shape factor is outside a certain range.
  • the custom vision correction need prediction model may determine the need for custom vision correction based on the relative values of the corneal shape factor. For example, the necessity prediction model for custom vision correction may compare the difference between the corneal shape factor after standard vision correction and the corneal shape factor after custom vision correction to determine the need for custom vision correction.
  • the vision correction proposal model can propose a vision correction procedure corresponding to the subject.
  • the model may output one vision correction procedure.
  • the model may output a plurality of vision correction techniques.
  • the model may output a plurality of vision correction procedures together with information on their priorities.
  • the vision correction proposal model may propose vision correction based on the input data.
  • Vision correction corresponding to the subject may refer to a vision correction that is calculated by a model proposed for vision correction without considering the patient's preference for vision correction.
  • the vision correction procedure corresponding to the subject may refer to a vision correction procedure calculated by the vision correction proposal model in consideration of the examinee's preference for vision correction.
  • the output of the vision correction proposal model may vary.
  • the output of the vision correction proposal model may be that the necessity of a custom vision correction procedure is considered.
  • the output may be a standard LASIK, a custom LASIK, a standard LASEK, a custom LASEK, a standard smile, a custom smile, and the like, taking into account the necessity of custom vision correction.
  • the output of the vision correction proposal model may be that the necessity of a custom vision correction procedure is not considered.
  • the output may be one that does not take into account the necessity of custom vision correction such as LASIK, LASEK, Smile, and lens implantation.
  • the vision correction proposal model may suggest vision correction based on the quality of vision after vision correction.
  • the model may propose vision correction based on a predicted vision value after vision correction corresponding to a plurality of vision correction techniques.
  • Table 2 is an output of a model proposed for vision correction according to an embodiment.
  • the proposed model for vision correction may output LASIK, LASEK, and Smile surgery along with priority information such as fitness.
  • values corresponding to smiles are larger than values corresponding to LASIK and LASEK, which may mean that the vision correction proposal model suggests smile as the first priority.
  • information on the priority may be output in various ways to indicate the priority.
  • the surgical parameter proposal model can suggest surgical parameters.
  • the model may suggest one or more surgical parameters.
  • the surgical parameter suggestion model can suggest surgical parameters based on input data.
  • the input data of the surgical parameter proposal model may include data in the form of an image.
  • the image may be an image obtained through measurement and/or inspection using equipment, such as a corneal topography map.
  • the image may be an image generated through interpolation, extrapolation, or artificial intelligence based on the measured value.
  • the image may be an image generated from a corneal shape factor.
  • the surgical parameter suggestion model may have better results after vision correction surgery performed on the basis of the surgery parameters proposed based on the image than the surgery results after vision correction surgery performed on the basis of the surgical parameters proposed based on the numerical values.
  • the surgical results after vision correction performed based on the surgical parameters suggested by the model based on the corneal topography image are the vision correction performed based on the proposed surgical parameters based on corneal shape factors such as IHD, ISV, and IVA. It may be better than the results of the surgery afterwards.
  • the surgery result may mean the quality of vision after surgery.
  • the surgical result may mean the shape of the cornea after surgery.
  • the visual acuity prediction model can predict the visual acuity of the subject after corrective vision.
  • the vision prediction model may output a vision prediction value based on input data.
  • the model can predict more than one vision.
  • Input data of the vision prediction model may include surgical parameters.
  • the input data may include the type of surgery as a surgery parameter.
  • the model may predict visual acuity corresponding to the input surgical parameter.
  • the output of the model may include a vision prediction value after LASIK, a vision prediction value after LASIK, and a vision prediction value after Smile.
  • the output of the model may include a vision predicted value after standard vision correction and a vision predicted value after custom vision correction.
  • the visual acuity prediction model can predict visual acuity corresponding to a predetermined surgical parameter regardless of whether the input data includes a surgical parameter. For example, if the model is trained to predict visual acuity after standard vision correction and visual acuity after custom vision correction, even if the input data of the model does not include surgical parameters, the model will be the predicted visual acuity value after standard vision correction and after custom vision correction. A vision predicted value can be output.
  • the vision prediction model may predict vision corresponding to a plurality of different visions.
  • the model may predict visual acuity corresponding to the first time and the second time after vision correction.
  • Examples of a plurality of different views include one day, one week, one month, six months, and one year after vision correction, but are not limited thereto.
  • the vision prediction model may predict a visual acuity recovery rate of a subject based on vision prediction values corresponding to a plurality of different views. For example, the model may predict a visual acuity recovery rate based on the first time and the second time after vision correction.
  • the predicted visual acuity image generation model can predict the visual field of the subject after corrective vision.
  • the model may generate an image (hereinafter referred to as "expected visual acuity image") visualizing the quality of visual acuity of the subject after corrective vision.
  • expected visual acuity image visualizing the quality of visual acuity of the subject after corrective vision.
  • the model outputs the predicted vision image, it is possible to more easily explain the vision correction procedure to the subject.
  • the model visualizes and outputs the visual field after corrective vision, the subject can more clearly understand the expected result after the corrective vision, and through this, it is possible to receive help in selecting the corrective vision.
  • the input data of the predicted vision image generation model may include surgical parameters.
  • the input data may include the type of surgery as a surgery parameter.
  • the model may predict an expected visual acuity image corresponding to the input surgical parameter.
  • the output of the model may include an expected vision image after LASIK, an expected vision image after LASEK, and an expected vision image after Smile.
  • the output of the model may include an expected vision image after standard vision correction and a predicted vision image after custom vision correction.
  • the output of the model may include a plurality of predicted visual acuity images corresponding to the plurality of surgical ranges.
  • the predicted visual acuity image generation model may generate a predicted visual acuity image corresponding to a predetermined surgical parameter regardless of whether the input data includes the surgical parameter. For example, if the model is trained to generate a predicted visual acuity image after standard vision correction and a predicted visual acuity image after custom vision correction, even if the input data of the model does not include a surgical parameter, the model is a predicted visual acuity image after standard vision correction. And a predicted vision image after the custom vision correction procedure may be output.
  • the predicted vision image may include information on at least one of clarity, light bleeding, contrast sensitivity, night vision, glare, double vision, and afterimages expected after vision correction of the subject.
  • the predicted vision images I1 and I2 may be expressed by visualizing information on the clarity of vision.
  • the predicted visual acuity images I3, I4, I5, and I6 may be expressed by visualizing information on light bleeding.
  • the plurality of predicted vision images may correspond to different surgical parameters.
  • the first predicted visual acuity image I1 may correspond to the clarity of visual acuity after a custom vision correction
  • the second predicted visual acuity image I2 may correspond to the clarity of visual acuity after the standard visual acuity correction.
  • the third to sixth predicted visual acuity images I3-I6 may be predicted visual acuity images corresponding to different optical zones.
  • the surgical range of the third predicted visual acuity image I3 may be larger than that of the fourth to sixth predicted visual acuity images I4-I6.
  • the predicted vision image according to an embodiment may be generated through filtering using a filter.
  • filtering is a concept used in a general image processing field, and may mean generating a filtered image by convolving an image and a filter.
  • filters include an average filter, a weighted average filter, a low-pass filter, a Gaussian filter, a median filter, and a bilateral filter. ), a blurring filter, a high-pass filter, an unsharp masking, a high-boost filter, a sharpening filter, etc. It is not limited thereto.
  • the predicted vision image generation model M17 may include a first submodel M171 and a second submodel M172.
  • the first sub-model M171 may calculate and/or select a filter based on input data.
  • the input data may include a predicted value of eye characteristic data after vision correction of the subject, and the first sub-model M171 may calculate and/or select a filter based on the predicted value of the eye characteristic data.
  • the input data includes a measurement value of eye characteristic data and a surgical parameter of the subject, and the first sub-model M171 may calculate and/or select a filter based on the measurement value of the eye characteristic data and the operation parameter. .
  • the second sub-model M172 may generate a predicted vision image based on a filter calculated and/or selected by the first sub-model M171.
  • the second sub-model M172 may generate a predicted vision image by applying the filter to an original image.
  • the original image is an image that serves as a basis for generating the predicted eyesight image, and may be input from the outside of the predicted eyesight image generating model M17 or included in the model M17.
  • the corneal topography image prediction model can predict the corneal topography image after vision correction of the subject.
  • the model can predict one or more corneal topographic images.
  • the corneal topography image prediction model may generate a corneal topography image based on input data.
  • the input data of the corneal topography image prediction model may include surgical parameters.
  • the input data may include the type of surgery as a surgery parameter.
  • the model can predict the corneal topography image corresponding to the input surgical parameter.
  • the output of the model may include a corneal topography image after LASIK, a corneal topography image after LASEK, and a corneal topography image after Smile.
  • the output of the model may include a corneal topography image after standard vision correction and a corneal topography image after custom vision correction.
  • the corneal topography image prediction model can generate a corneal topography image corresponding to a predetermined surgery parameter regardless of whether the input data includes the surgery parameter. For example, if the model is trained to generate a visual acuity after standard vision correction and a corneal topography image after a custom vision correction, even if the input data of the model does not include a surgical parameter, the model is a corneal topography image and custom after standard vision correction. Corneal topography images can be output after vision correction surgery.
  • the input data of the corneal topography image prediction model may include a corneal topography image of the subject measured before vision correction.
  • 12 is a diagram of a corneal topography image according to an exemplary embodiment.
  • the corneal topography image prediction model M18 may predict the corneal topography image CI2 of the subject after vision correction based on the corneal topography image CI1 of the subject measured before vision correction.
  • the corneal topography image CI1 is input to the model M18, but other input data may be input together.
  • the predictive result calculation cause analysis model may analyze the cause of the prediction result generated by the vision correction-related model.
  • the model may calculate dependence on input data of a model related to vision correction.
  • the dependence may include how a specific variable of the input data has had an effect on the prediction result.
  • the prediction result calculation cause analysis model may output the prediction result calculation cause.
  • the model may output one or more reasons for calculating the prediction results.
  • the cause of the prediction result is expressed as a numerical value such as the dependence coefficient
  • the cause of the prediction result is not limited to this, and the expression method such as numerical value, image, text, and combinations thereof is not limited. none.
  • the predictive result calculation cause analysis model may output at least a part of the dependence coefficient.
  • the model may output all of the calculated dependence coefficients.
  • the predictive result calculation cause analysis model can output a dependence coefficient that falls within a certain range of the calculated dependence coefficients. For example, the model may output a dependence coefficient greater than a predetermined value among the calculated dependence coefficients. Alternatively, the model may output the calculated dependence coefficient when the absolute value is greater than a predetermined value.
  • the predictive result calculation cause analysis model can output a certain number of dependence coefficients.
  • the model may output a predetermined number of dependence coefficients.
  • Predictive result calculation cause analysis model is surgical suitability predictive cause analysis model, laser surgery predictive cause analysis model, corneal shape factor predictive cause analysis model, custom vision correction necessity predictive cause analysis model, vision correction suggested cause analysis model, surgical parameter suggested cause It may include an analysis model, a vision prediction cause analysis model, a predicted vision image generation cause analysis model, and a corneal topography image prediction cause analysis model.
  • the vision prediction cause analysis model may calculate how a variable included in the input data of the vision prediction model has an influence and that the vision prediction model predicts vision.
  • the vision prediction cause analysis model may calculate the dependence of the vision prediction value calculated by the vision prediction model on input data of the vision prediction model.
  • the predictive result calculation cause analysis model may include at least some of the models related to vision correction.
  • the vision prediction cause analysis model may include a vision prediction model.
  • the prediction result calculation cause analysis model M19 may include an input data disturbance model M191, a vision correction related model M192, and a prediction result analysis model M193.
  • the input data disturbance model M191 may output disturbed input data based on the input data.
  • the model M191 may output one or more disturbed input data.
  • perturbation of input data may mean changing input data, such as changing values of at least some variables included in the input data.
  • disturbance may mean increasing or decreasing the value.
  • disturbance may mean increasing or decreasing a pixel value of at least some pixels of the image.
  • the vision correction related model M192 may output a first prediction result corresponding to the input data and a second prediction result corresponding to the disturbed input data based on the input data and the disturbed input data.
  • the vision correction-related model M192 included in the prediction result calculation cause analysis model M19 is a vision prediction model
  • the first prediction result and the second prediction result may be different prediction values.
  • the model may output a plurality of prediction results corresponding to the plurality of disturbed input data.
  • the prediction result analysis model M193 may output a reason for calculating the prediction result based on the prediction result.
  • the model M193 may calculate the reason for calculating the prediction result based on a difference between the first prediction result calculated from the undisturbed input data and the second prediction result calculated from the disturbed input data.
  • the dependence of the first prediction result on the first variable may be calculated based on a difference between the first prediction result and the second prediction result calculated from the input data in which the first variable is disturbed.
  • the reason for calculating the prediction result may be expressed by numerical values and images. Characters such as Cornea_Back_Rmin(V1), Astigmatism(V2), Mono(V3), Nearsightedness(V4), Op_flag(V5) and Pupil_Dia(V6) shown in FIG. 14 may correspond to variables included in the input data. 5.95(N1), -0.5(N2), 0(N3), -1.37(N4), 2(N5), 3.1(N6), etc.expressed to correspond to the above characters correspond to the values of variables included in the input data. Can be.
  • the dependence of prediction results on variables can be visualized and expressed.
  • the dependence may be expressed by the length, color, and direction of the arrow.
  • the length of the arrow may correspond to the absolute value of the dependence coefficient.
  • the direction and color of the arrow may correspond to the sign of the dependence coefficient. 14 shows the predicted visual acuity value (OV) is 1.18, Cornea_Back_Rmin (V1), Astigmatism (V2), Mono (V3) and Nearsightedness (V4) positively influence the predicted visual acuity value, and Op_flag (V5) and Pupul_Dia (V6) It can be interpreted as having a negative effect on the predicted visual acuity.
  • An example of the model for analyzing the cause of the prediction result calculation may include a Local Interpretable Model-agnostic Explanations (LIME), but is not limited thereto.
  • LIME Local Interpretable Model-agnostic Explanations
  • Models related to vision correction can be combined with each other.
  • the models may be combined by at least one of a serial connection and a parallel connection.
  • the fact that the vision correction-related models are serially connected may include calculating an output of at least one other vision correction-related model based on the output of the at least one vision correction-related model.
  • the fact that the vision correction-related models are connected in parallel may include that the output of the vision correction-related model does not affect the output of the other vision correction-related models.
  • FIG. 15 is a diagram illustrating a serial connection of a model related to vision correction according to an exemplary embodiment.
  • the first vision correction-related model Ma and the second vision correction-related model Mb may be combined by serial connection.
  • the first vision correction-related model Ma may calculate a first prediction result based on the first input data and the second prediction result output by receiving the second input data from the second vision correction-related model Mb. have.
  • 16 to 19 are diagrams for calculating an output of a model related to vision correction based on an output of a model for predicting a corneal shape factor according to an exemplary embodiment.
  • the custom vision correction necessity prediction model M13 is a custom vision correction procedure of the subject based on the corneal shape factor and the first input data that the corneal shape factor prediction model M12 receives and outputs the second input data.
  • the need can be predicted.
  • the vision correction proposal model M14 performs vision correction corresponding to the subject based on the corneal shape factor and the first input data that the corneal shape factor prediction model M12 receives and outputs second input data. I can suggest.
  • the predicted visual acuity image generation model M17 is predicted after vision correction of the subject based on the corneal shape factor and first input data that the corneal shape factor prediction model M12 receives and outputs second input data. It is possible to create a vision image.
  • the corneal topography image prediction model M18 is based on the corneal shape factor and the first input data that the corneal shape factor prediction model M12 receives and outputs the second input data. Terrain images can be predicted.
  • the vision correction suggestion model M14 is a vision corresponding to a subject based on the need for custom vision correction and the first input data output by the custom vision correction necessity prediction model M13 input and output second input data. Orthodontics can be suggested.
  • 21 to 22 are diagrams for calculating an output of a model related to vision correction based on the output of a model proposed for vision correction according to an exemplary embodiment.
  • the corneal shape factor prediction model M12 is based on the vision correction procedure and the first input data that the vision correction proposal model M14 receives and outputs the second input data. Factors can be predicted.
  • the vision prediction model M16 calculates an acuity prediction value after the vision correction procedure of the subject based on the vision correction procedure and the first input data that the vision correction proposal model M14 receives and outputs the second input data. can do.
  • the predicted visual acuity image generation model may generate a predicted visual acuity image of the subject after the corrective vision based on the corrective surgery and the first input data obtained by receiving the second input data and outputting the second input data.
  • the corneal topography image prediction model may predict the corneal topography image of the subject's vision correction surgery based on the vision correction surgery and the first input data output by the vision correction proposal model receiving the second input data.
  • FIG. 23 is a diagram illustrating an output calculation of a model related to vision correction based on an output of a model suggesting a surgical parameter according to an exemplary embodiment.
  • the vision prediction model M16 calculates a vision predicted value after corrective vision of the subject based on the surgical parameters and the first input data output by the surgery parameter suggestion model M15 receiving the second input data. I can.
  • the corneal shape factor prediction model may predict the corneal shape factor after vision correction of the subject based on the surgical parameter and the first input data output by receiving the second input data from the surgical parameter proposal model.
  • the predicted visual acuity image generation model may generate a predicted visual acuity image after corrective vision of the subject based on the first input data and the surgical parameter that the surgical parameter suggestion model receives and outputs the second input data.
  • the corneal topography image prediction model may predict the corneal topography image after vision correction of the subject based on the surgical parameters and the first input data that the surgical parameter suggestion model receives and outputs the second input data.
  • 24 to 25 are diagrams for calculating an output of a model related to vision correction based on the output of the vision prediction model according to an exemplary embodiment.
  • the vision correction proposal model M14 may propose a vision correction procedure corresponding to the subject based on the vision prediction value and the first input data output by the vision prediction model M16 receiving second input data. have.
  • the predicted visual acuity image generation model M17 generates a predicted visual acuity image of the subject after vision correction based on the visual acuity predicted value and the first input data output by the visual acuity prediction model M16 receiving second input data. Can be generated.
  • 26 to 27 are diagrams for calculating an output of a model related to vision correction based on an output of a model for predicting a corneal topography image according to an exemplary embodiment.
  • the custom vision correction necessity prediction model M13 is a custom vision correction procedure of a subject based on the corneal topography image and the first input data that the corneal topography image prediction model M18 receives and outputs the second input data.
  • the need can be predicted.
  • the vision correction proposal model M14 performs vision correction corresponding to the subject based on the corneal topography image and the first input data that the corneal topography image prediction model M18 receives and outputs the second input data. I can suggest.
  • the corneal shape factor prediction model may predict the corneal shape factor after vision correction of the subject based on the corneal topography image and the first input data that the corneal topography image prediction model receives and outputs the second input data.
  • the predicted visual acuity image generation model may generate a predicted visual acuity image after vision correction of the subject based on the corneal terrain image and the first input data that the corneal terrain image prediction model receives and outputs second input data.
  • FIG. 28 is a diagram for describing a combination of three or more models related to vision correction according to an exemplary embodiment.
  • the first vision correction-related model Ma the second prediction result obtained by receiving the second input data from the second vision correction-related model Mb, and the third vision correction-related model Mc
  • the third prediction result obtained by receiving the third input data and outputting the first input data and the first prediction result may be calculated by receiving the first input data.
  • the first vision correction-related model Ma may be viewed as being connected in series with the second vision correction-related model Mb and the third vision correction-related model Mc.
  • the second vision correction-related model (Mb) and the third vision correction-related model (Mc) can be viewed as being connected in parallel.
  • 29 to 30 are diagrams for calculating an output of a model related to vision correction based on the output of the corneal shape factor prediction model and the vision prediction model, according to an exemplary embodiment.
  • the corneal shape factor prediction model M12 receives the second input data and outputs the corneal shape factor
  • the vision prediction model M16 receives the third input data. Based on the output predicted vision value and the first input data, it is possible to propose a vision correction procedure corresponding to the subject.
  • the corneal shape factor prediction model M12 receives and outputs the second input data, and the vision prediction model M16 inputs the third input data. Based on the received and output acuity predicted value and first input data, a predicted visual acuity image may be generated after vision correction of the subject.
  • Models related to vision correction can be merged with each other.
  • the plurality of models related to vision correction may be merged into one model to perform at least some of the functions of the plurality of individual models.
  • the first vision correction-related model and the second vision correction-related model may be merged to form one model Mab.
  • the one model Mab may calculate a prediction result based on input data.
  • the prediction result may include information corresponding to at least one of a first prediction result corresponding to an output of the first vision correction-related model and a second prediction result corresponding to an output of the second vision correction-related model.
  • the prediction result may include at least one of a first prediction result and a second prediction result.
  • the prediction result may include at least one of a first prediction result and a second prediction result.
  • FIG. 31 a case of merging two models has been described, but the present invention is not limited thereto, and it is also possible to merge three or more models.
  • 32 to 34 are diagrams illustrating an implementation example of merging models related to vision correction according to an embodiment.
  • a corneal shape factor prediction model and a custom vision correction necessity prediction model may be merged.
  • the merged model M25 may calculate a prediction result based on input data.
  • the prediction result may include information corresponding to at least one of a corneal shape factor and a need for custom vision correction.
  • the prediction result may include at least one of a corneal shape factor and a need for custom vision correction.
  • a model for predicting the necessity of a custom vision correction and a model for suggesting vision correction may be merged.
  • the merged model M27 may calculate a prediction result based on input data.
  • the prediction result may include information corresponding to at least one of necessity of custom vision correction and vision correction.
  • the prediction result may include at least one of necessity of custom vision correction and vision correction.
  • a laser surgery possibility prediction model, a custom vision correction necessity prediction model, and an vision correction proposal model may be merged.
  • the merged model M38 may calculate a prediction result based on input data.
  • the prediction result may include information corresponding to at least one of whether or not laser surgery, need for custom vision correction, and vision correction.
  • the prediction result may include at least one of whether or not laser surgery, the need for custom vision correction, and vision correction.
  • the method of recommending vision correction may be implemented using one or more models related to vision correction.
  • whether or not to execute at least one vision correction-related model may depend on a prediction result of at least one other vision correction-related model.
  • whether or not the second vision correction-related model is executed may depend on the prediction result of the first vision correction-related model.
  • Each step of the method for recommending vision correction to be described later may be performed by a prediction device.
  • 35 is a diagram illustrating a method for recommending vision correction according to a first embodiment.
  • acquiring examination data of a subject S1100
  • predicting whether the subject is suitable for vision correction S1200
  • correcting vision using a laser of the subject are possible.
  • Predicting whether or not S1300
  • calculating a predicted value of a corneal shape factor of the subject S1400
  • proposing a vision correction procedure corresponding to the subject S1500.
  • Acquiring the examination data of the subject may include obtaining, by the computing device, examination data including the examination data and the eye characteristic data measurement values.
  • Predicting whether the examinee is suitable for vision correction may include predicting whether the examinee is suitable for vision correction by inputting the first group data obtained from the examination data of the examinee into the first prediction model.
  • the first prediction model may be a surgical suitability prediction model.
  • the surgical suitability prediction model may predict the suitability for vision correction of the subject based on the first group data.
  • Predicting whether or not the subject's laser can be used for vision correction includes inputting the second group data obtained from the examinee's examination data into a second prediction model to predict whether the subject's laser can be used for vision correction. can do. Whether or not the step (S1300) is performed may depend on whether or not vision correction is appropriate for the subject. For example, the step S1300 may be performed when vision correction is appropriate for the subject.
  • the second predictive model may be a predictive model for whether or not to perform laser surgery.
  • the laser surgery availability prediction model may predict the laser surgery availability of a subject based on the second group data.
  • the predicted value of the corneal shape factor after standard vision correction and the corneal shape after custom vision correction by inputting the third group data obtained from the examinee's examination data into the third prediction model. It may include calculating a factor predicted value. Whether or not the step S1400 is performed may depend on whether or not the subject can perform vision correction using a laser. For example, the step S1400 may be performed when the subject is capable of correcting vision using a laser.
  • the third prediction model may be a corneal shape factor prediction model.
  • the third prediction model may predict a corneal shape factor based on the third group data. In this case, the necessity of custom vision correction may be determined based on the corneal shape factor.
  • Proposing vision correction corresponding to the subject may include inputting the fourth group data obtained from the examinee's examination data into the fourth predictive model to propose a corresponding vision correction procedure to the subject. Whether or not the step (S1500) is performed may depend on whether or not the subject can perform vision correction using a laser. For example, the step S1500 may be performed when the subject is capable of correcting vision using a laser.
  • the fourth predictive model may be learned based on at least one of examination data of a plurality of subjects who have undergone vision correction, vision correction corresponding to the plurality of subjects, and vision after vision correction of the plurality of subjects.
  • the fourth prediction model may be a model for suggesting vision correction.
  • the fourth prediction model may propose a vision correction procedure corresponding to the subject based on the fourth group data.
  • the predicted value of the corneal shape factor and/or the necessity of a custom vision correction may not be considered.
  • the vision correction may include LASIK, LASEK and Smile.
  • the vision correction may include lens implantation, which is the same in other embodiments and implementations of the present specification.
  • vision correction in which the predicted value of the corneal shape factor and/or the necessity of custom vision correction is considered may be determined by a doctor and/or a counselor.
  • doctors and/or counselors may use custom vision such as standard LASIK, standard LASEK, standard smile, custom LASIK, custom LASEK, and custom smile based on the corneal shape factor predicted value and vision correction output from the vision correction recommendation method of FIG. Vision correction can be decided in consideration of the need for correction.
  • custom vision such as standard LASIK, standard LASEK, standard smile, custom LASIK, custom LASEK, and custom smile based on the corneal shape factor predicted value and vision correction output from the vision correction recommendation method of FIG. Vision correction can be decided in consideration of the need for correction.
  • 36 is a diagram illustrating a second embodiment of a method for recommending vision correction according to an embodiment.
  • the method for recommending vision correction includes obtaining examination data of a subject (S2100), predicting whether the subject is suitable for vision correction (S2200), and correcting vision using a laser of the subject. Predicting whether or not (S2300), calculating a predicted value of a corneal shape factor of the subject (S2400), and proposing a vision correction procedure corresponding to the subject (S2500).
  • the corneal shape factor predicted value after standard vision correction and the corneal shape factor predicted value after custom vision correction calculated in the step of calculating the corneal shape factor predicted value of the subject can suggest vision correction based on.
  • the vision correction procedure may be one in which the necessity of a custom vision correction procedure is considered.
  • the vision correction may include standard LASIK, standard LASEK, standard smile, custom LASIK, custom LASEK and custom smile.
  • the vision correction may include lens implantation.
  • FIG. 37 is a diagram of a third embodiment of a method for recommending vision correction according to an embodiment.
  • obtaining examination data of a subject S3100
  • predicting whether the subject is suitable for vision correction S3200
  • correcting vision using a laser of the subject are possible.
  • Predicting whether or not S3300
  • predicting whether the subject needs a custom vision correction S3400
  • suggesting a corresponding vision correction to the subject S3500.
  • step S3400 predicting whether the subject needs custom vision correction by inputting the third group data obtained from the examinee's examination data into the third prediction model. May include. Whether or not the step S3400 is performed may depend on whether or not the subject can perform vision correction using a laser. For example, the step S3400 may be performed when the subject is capable of correcting vision using a laser.
  • the third predictive model may be a predictive model for necessity of custom vision correction.
  • the third prediction model may predict the need for custom vision correction based on the third group data.
  • the necessity of custom vision correction may be predicted based on the predicted value of the corneal shape factor after standard vision correction of the subject and the predicted value of the corneal shape factor after custom vision correction.
  • the step of predicting whether the subject needs a custom vision correction (S3400) and the step of suggesting a corresponding vision correction to the subject (S3500) may be connected.
  • the output of the step S3500 of suggesting a vision correction corresponding to the subject may be calculated based on the output of the step S3400 of predicting whether the subject needs a custom vision correction.
  • the output of the step (S3400) of predicting whether the subject needs a custom vision correction may be calculated based on the output of the step (S3500) of proposing a vision correction procedure corresponding to the subject (S3500).
  • vision correction may be proposed based on the necessity of a custom vision correction procedure calculated in the step (S3400) of predicting whether the subject needs a custom vision correction procedure (S3400).
  • the vision correction may include standard LASIK, standard LASEK, standard smile, custom LASIK, custom LASEK and custom smile.
  • the vision correction may include lens implantation.
  • a second vision correction procedure may be output based on the first vision correction procedure calculated in the step (S3500) of proposing a vision correction procedure corresponding to the subject.
  • the first vision correction may not be a necessity of a custom vision correction
  • the second vision correction may be a need of a custom vision correction.
  • a custom vision correction in the step of predicting whether the subject needs a custom vision correction (S3400), whether to execute or not may be determined based on the type of the first vision correction procedure calculated in the step (S3500) of proposing a corresponding vision correction procedure to the subject.
  • a custom vision correction necessity prediction model may not be executed, and when the first vision correction is of the second type, a custom vision correction necessity prediction model may be executed.
  • the first type and the second type may be classified according to whether the cornea is cut using a laser.
  • the first type may be a non-laser vision correction such as lens implantation
  • the second type may be a laser vision correction such as LASIK, LASEK, and Smile.
  • the first type and the second type may be classified according to whether custom surgery is possible.
  • the first type may be a vision correction procedure in which custom surgery is not possible
  • the second type may be a vision correction procedure in which a custom surgery is possible.
  • a predetermined criterion may exist as to whether a custom surgery is possible for vision correction.
  • these standards may vary depending on technological advances, hospitals, surgical devices, and doctors' circumstances and judgments.
  • the first type may include smile and lens implantation
  • the second type may include LASIK and LASEK
  • Two types may include LASIK, LASEK and Smile.
  • 38 is a diagram illustrating a fourth embodiment of a method for recommending vision correction according to an embodiment.
  • obtaining examination data of a subject S4100
  • predicting whether the subject is suitable for vision correction S4200
  • correcting vision using a laser of the subject are possible.
  • Predicting whether or not S4300
  • proposing a corresponding vision correction to the subject S4400
  • the step of acquiring the examination data of the subject in FIG. 38 (S4100), the step of predicting whether the subject is suitable for vision correction (S4200), and the step of predicting whether the subject's laser can be used for vision correction (S4300) are the same as in FIG. Therefore, a description thereof will be omitted.
  • Proposing a vision correction procedure corresponding to the examinee may include inputting the third group data obtained from the examination data of the examinee into a third predictive model to propose a vision correction procedure corresponding to the examinee.
  • step S4400 Whether or not the step S4400 is performed may depend on whether or not the subject can perform vision correction using a laser.
  • the step (S4400) may be performed when the subject is capable of correcting vision using a laser.
  • vision correction may be proposed based on the predicted value of the corneal shape factor after standard vision correction of the subject and the predicted value of the corneal shape factor after custom vision correction.
  • the third prediction model may be a model in which a custom vision correction necessity prediction model and an vision correction proposal model are merged.
  • the third predictive model may be learned based on at least one of examination data of a plurality of subjects who have undergone vision correction, vision correction corresponding to the plurality of subjects, and vision after vision correction of the plurality of subjects.
  • the third prediction model may output information on at least one of necessity of custom vision correction and vision correction based on the third group data.
  • the output of the third prediction model may include at least one of necessity of custom vision correction and vision correction.
  • 39 is a diagram illustrating a fifth embodiment of a method for recommending vision correction according to an embodiment.
  • the method for recommending vision correction includes acquiring examination data of a subject (S5100), predicting whether the subject is suitable for vision correction (S5200), and suggesting corrective vision corresponding to the subject. It may include a step (S5300).
  • the step of acquiring the examination data of the examinee in FIG. 39 (S5100) and the step of predicting whether the examinee is suitable for vision correction (S5200) are the same as those of FIG. 35, so a description thereof will be omitted.
  • Proposing a vision correction procedure corresponding to the subject may include inputting the second group data obtained from the examinee's examination data into a second prediction model to propose a vision correction procedure corresponding to the subject.
  • Whether or not the step (S5300) is performed may depend on whether or not vision correction is appropriate for the subject.
  • the step S5300 may be performed when vision correction is appropriate for the subject.
  • vision correction may be proposed based on the predicted value of the corneal shape factor after standard vision correction of the subject and the predicted value of the corneal shape factor after custom vision correction.
  • the second prediction model may be a model in which a laser surgery possibility prediction model, a custom vision correction necessity prediction model, and an vision correction proposal model are merged.
  • the second predictive model may be learned based on at least one of examination data of a plurality of subjects who have undergone vision correction, vision correction corresponding to the plurality of subjects, and vision after vision correction of the plurality of subjects.
  • the second prediction model may output information on at least one of whether or not laser surgery, necessity of custom vision correction, and vision correction surgery, based on the second group data.
  • the output of the second prediction model may include at least one of whether or not laser surgery, necessity of custom vision correction, and vision correction.
  • 40 is a diagram of a sixth embodiment of a method for recommending vision correction according to an embodiment.
  • a method for recommending vision correction may include acquiring examination data of a subject (S6100) and proposing a vision correction procedure corresponding to the subject (S6200).
  • the step (S6100) of acquiring the examination data of the examinee of FIG. 40 is the same as that of FIG. 35, and thus a description thereof will be omitted.
  • Proposing a vision correction procedure corresponding to the examinee may include inputting group data obtained from the examination data of the examinee into a predictive model to propose a vision correction procedure corresponding to the examinee.
  • vision correction may be proposed based on the predicted value of the corneal shape factor after standard vision correction of the subject and the predicted value of the corneal shape factor after custom vision correction.
  • the predictive model may be a model in which a surgical fit prediction model, a laser surgical fit prediction model, a custom vision correction necessity prediction model, and an vision correction proposal model are merged.
  • the predictive model may be learned based on at least one of examination data of a plurality of persons undergoing vision correction, vision correction corresponding to the plurality of persons to be treated, and vision after vision correction of the plurality of persons to be treated.
  • the predictive model may output information on at least one of whether or not to perform surgery, whether or not to perform laser surgery, necessity for custom vision correction, and corrective vision based on input data.
  • the output of the predictive model may include at least one of whether or not surgery is appropriate, whether or not to perform laser surgery, necessity of custom vision correction, and vision correction.
  • the combination and/or merging of the above-described method for recommending vision correction and the model related to vision correction is only an example, and in addition, the method for recommending vision correction may be implemented in various ways, or combined and/or combined with the model related to vision correction.
  • the method of providing visualization information for vision correction may be implemented using one or more models related to vision correction.
  • whether or not to execute at least one vision correction-related model may depend on a prediction result of at least one other vision correction-related model.
  • whether or not the second vision correction-related model is executed may depend on the prediction result of the first vision correction-related model.
  • the method of providing visualization information for vision correction may include a method of providing a predicted vision image, a method of providing a corneal topography image, and a method of providing a cause for calculating a predicted result.
  • the method of providing the predicted eyesight image may be implemented through a predicted eyesight image generation model.
  • the method of providing a corneal topography image can be implemented through a corneal topography image prediction model.
  • the method of providing the cause of the prediction result calculation may be implemented through a model for analyzing the cause of the prediction result calculation.
  • Each step of the method for providing visualization information for vision correction to be described later may be performed by a prediction device.
  • 41 is a diagram illustrating a method of providing visualization information for vision correction according to a first embodiment.
  • acquiring examination data of a subject (S7100), calculating a predicted value of eye characteristic data after vision correction of the subject (S7200), and a predicted visual acuity image It may include the step of generating (S7300).
  • the method of providing visualization information for vision correction according to an embodiment may further include outputting a predicted vision image.
  • Acquiring the examination data of the subject may include obtaining, by the computing device, examination data including the examination data and the eye characteristic data measurement values.
  • step of calculating the predicted value of eye characteristic data after vision correction of the subject (S7200) at least one of the predicted value of visual acuity and the predicted value of corneal shape factor after the patient's vision correction surgery by inputting the first group data obtained from the examination data of the subject into the first prediction model It may include calculating a predicted value of eye characteristic data including one.
  • the first predictive model is based on at least one of a pre-operative eye characteristic data measurement value of a plurality of people undergoing vision correction, an vision correction surgery parameter performed on the plurality of people to be treated, and a measurement value of eye characteristic data after surgery of the plurality of people to be treated. It can be learned on the basis of.
  • the first prediction model may include at least one of a vision prediction model and a corneal shape factor prediction model.
  • the first prediction model may be a model in which a vision prediction model and a corneal shape factor prediction model are merged.
  • the first prediction model may calculate a predicted value of eye characteristic data after vision correction of the subject based on the first group data.
  • Generating the predicted visual acuity image may include generating a predicted visual acuity image based on the predicted value of eye characteristic data.
  • FIG. 42 is a diagram illustrating a second embodiment of a method of providing visualization information for vision correction according to an embodiment.
  • the method of providing visualization information for vision correction further includes calculating and/or selecting a filter based on a predicted value of eye characteristic data (S7600) and applying the filter to an original image (S7700).
  • Calculating and/or selecting a filter based on the predicted value of eye characteristic data (S7600) may be performed by the first sub-model M171 of FIG. 11.
  • Applying the filter to the original image may include applying the filter to the original image to generate a predicted vision image.
  • the step S7700 may be performed by the second sub-model M172 of FIG. 11.
  • FIG. 43 is a diagram of a third embodiment of a method of providing visualization information for vision correction according to an embodiment.
  • the method of providing visualization information for vision correction may further include predicting a corneal topography image after vision correction of a subject (S7400).
  • the step of predicting the corneal topography image after vision correction of the subject may include predicting the corneal topography image after vision correction of the subject by inputting the second group data obtained from the examinee's examination data into the second prediction model. have.
  • the second predictive model is to be learned based on at least one of a preoperative corneal topography image of a plurality of recipients who have undergone vision correction, a vision correction surgery parameter performed on the plurality of recipients, and a postoperative corneal topography image of the plurality of recipients.
  • the second prediction model may be a corneal topography image prediction model.
  • the second prediction model may predict a corneal topography image of a subject after vision correction based on the second group data.
  • 44 is a diagram of a fourth embodiment of a method of providing visualization information for vision correction according to an embodiment.
  • the method of providing visualization information for vision correction may further include calculating a dependence of the predicted value of eye characteristic data on the first group data (S7500 ).
  • the method of providing visualization information for vision correction according to an embodiment may further include outputting a dependence coefficient.
  • the step of outputting the dependency coefficient may include outputting a dependency coefficient larger than a predetermined value among the dependency coefficients or outputting a predetermined number of dependency coefficients.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computing devices and recorded in a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination.
  • the program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • Examples of program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computing device using an interpreter or the like.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Vascular Medicine (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Urology & Nephrology (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Eye Examination Apparatus (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 시력교정술 추천 방법에 관한 것으로, 본 발명의 일 양상에 따른 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법은, 피검자의 검진데이터를 획득하는 단계; 상기 피검자의 검진데이터로부터 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계; 상기 피검자에게 시력교정술이 적합한 경우 상기 피검자의 검진데이터로부터 상기 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계; 상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 커스텀 시력교정술이 필요한지 여부에 대한 판단에 이용되도록 상기 피검자의 검진데이터로부터 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값을 산출하는 단계; 및 상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 상기 피검자의 검진데이터로부터 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함한다.

Description

시력교정술 추천 방법 및 장치
시력교정술 추천 방법 및 장치에 관한 것으로, 보다 상세하게는 인공지능을 이용하여 피검자 등에게 시력교정술을 추천하는 방법 및 장치에 관한 것이다.
라식, 라섹과 같은 시력교정술은 남녀노소를 불문하고 시력이 좋지 않은 사람들의 많은 관심을 받고 있다. 시력교정술을 받은 인구가 10만 명에 달한다는 통계가 존재할 정도로 시력교정술에 대한 관심은 나날이 증가하고 있다.
하지만 시력교정술을 받으려는 피검자는 자신에게 맞는 시력교정술이 무엇인지 판단하기가 어렵다. 피검자는 기본적으로 라식, 라섹, 스마일, 렌즈 삽입술 등 수술 종류에 대한 선택을 하여야 한다. 뿐만 아니라, 라식 내에서도 아이 라식, 다빈치 라식, 크리스탈 라식, Z라식, 비쥬 라식, 옵티 라식 등 수술 장비에 따른 선택 및 콘투라 비전, 엑스트라 라식, 웨이브프론트 라식 등 수술법에 따른 선택을 하여야 한다. 또한, 병원 및 의사에 따라 추천하는 각막 절삭량 등이 달라지므로 선택에 더욱 어려움이 존재하고, 수술 후 시력의 질이나 부작용 등에 대해 의사 또는 상담사의 말에 의존할 수밖에 없는 현실이다.
일 과제는, 의사의 판단을 보조하거나 의사, 상담사 및 피검자 등에게 객관적인 시력교정술 관련 정보를 제공하는 것에 있다.
다른 일 과제는, 의사, 상담사 및 피검자 등에게 시력교정술을 추천하는 것에 있다.
또 다른 일 과제는, 시력교정술을 추천하는 원인을 의사, 상담사 및 피검자 등에게 제공하는 것에 있다.
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 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서, 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계; 상기 피검자에게 시력교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계; 상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 커스텀 시력교정술이 필요한지 여부에 대한 판단에 이용되도록 상기 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값을 산출하는 단계; 및 상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제4 그룹 데이터를 제4 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되, 상기 제4 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된 시력교정술 추천 방법이 제공될 수 있다.
다른 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서, 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계; 상기 피검자에게 시력 교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계; 상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 상기 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계; 및 상기 피검자에게 레이저를 이용한 시력 교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제4 그룹 데이터를 제4 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되, 상기 커스텀 시력교정술 필요성 여부를 예측하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 커스텀 시력교정술 필요성 여부를 예측하고, 상기 제4 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된 시력교정술 추천 방법이 제공될 수 있다.
또 다른 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서, 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계; 상기 피검자에게 시력교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계; 및 상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되, 상기 시력교정술을 제안하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안하고, 상기 제3 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된 시력교정술 추천 방법이 제공될 수 있다.
또 다른 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서, 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계; 및 상기 피검자에게 시력교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되, 상기 시력교정술을 제안하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안하고, 상기 제2 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된 시력교정술 추천 방법이 제공될 수 있다.
또 다른 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서, 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 및 상기 피검자의 검진데이터로부터 획득한 그룹 데이터를 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되, 상기 시력교정술을 제안하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안하고, 상기 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된 시력교정술 추천 방법이 제공될 수 있다.
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, 의사의 판단을 보조하거나 의사, 상담사 및 피검자 등에게 객관적인 시력교정술 관련 정보를 제공하기 위한 방법 및 이를 수행하는 장치가 제공될 수 있다.
다른 일 실시예에 의하면, 인공지능을 이용하여 의사, 상담사 및 피검자 등에게 시력교정술을 추천할 수 있다.
또 다른 일 실시예에 의하면, 인공지능을 이용하여 시력교정술을 추천하는 원인을 의사, 상담사 및 피검자 등에게 제공할 수 있다.
효과가 상술한 효과로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일 실시예에 따른 시력교정술 보조 시스템에 관한 도면이다.
도 2는 일 실시예에 따른 학습 장치/예측 장치를 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 서버 장치 및 클라이언트 장치를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 서버 장치 및 클라이언트 장치의 구성에 관한 도면이다.
도 5는 일 실시예에 따른 시력교정술 관련 모델에 관한 도면이다.
도 6은 일 실시예에 따른 시력교정술 관련 모델의 학습 단계 및 예측 단계를 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 입출력데이터의 전처리에 관한 도면이다.
도 8은 일 실시예에 따른 직렬적으로 연결된 서브모델을 포함하는 시력교정술 관련 모델에 관한 도면이다.
도 9는 일 실시예에 따른 병렬적으로 연결된 서브모델을 포함하는 시력교정술 관련 모델에 관한 도면이다.
도 10은 일 실시예에 따른 예상 시력 이미지에 관한 도면이다.
도 11은 일 실시예에 따른 필터를 이용하는 예상 시력 이미지 생성 모델에 관한 도면이다.
도 12는 일 실시예에 따른 각막지형이미지에 관한 도면이다.
도 13은 일 실시예에 따른 시력교정술 관련 모델을 포함하는 예측결과 산출 원인 분석 모델에 관한 도면이다.
도 14는 일 실시예에 따른 예측결과 산출 원인에 관한 도면이다.
도 15는 일 실시예에 따른 시력교정술 관련 모델의 직렬적 연결에 관한 도면이다.
도 16 내지 도 19는 일 실시예에 따른 각막형상인자 예측 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 20은 일 실시예에 따른 커스텀 시력교정술 필요성 예측 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 21 내지 도 22는 일 실시예에 따른 시력교정술 제안 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 23은 일 실시예에 따른 수술파라미터 제안 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 24 내지 도 25는 일 실시예에 따른 시력 예측 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 26 내지 도 27은 일 실시예에 따른 각막지형이미지 예측 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 28은 일 실시예에 따른 3개 이상의 시력교정술 관련 모델의 조합을 설명하기 위한 도면이다.
도 29 내지 도 30은 일 실시예에 따른 각막형상인자 예측 모델 및 시력 예측 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 31은 일 실시예에 따른 시력교정술 관련 모델의 병합을 설명하기 위한 도면이다.
도 32 내지 도 34는 일 실시예에 따른 시력교정술 관련 모델 병합의 구현예에 관한 도면이다.
도 35는 일 실시예에 따른 시력교정술 추천 방법의 제1 실시예에 관한 도면이다.
도 36은 일 실시예에 따른 시력교정술 추천 방법의 제2 실시예에 관한 도면이다.
도 37은 일 실시예에 따른 시력교정술 추천 방법의 제3 실시예에 관한 도면이다.
도 38은 일 실시예에 따른 시력교정술 추천 방법의 제4 실시예에 관한 도면이다.
도 39는 일 실시예에 따른 시력교정술 추천 방법의 제5 실시예에 관한 도면이다.
도 40은 일 실시예에 따른 시력교정술 추천 방법의 제6 실시예에 관한 도면이다.
도 41은 일 실시예에 따른 시력교정술 시각화 정보 제공 방법의 제1 실시예에 관한 도면이다.
도 42는 일 실시예에 따른 시력교정술 시각화 정보 제공 방법의 제2 실시예에 관한 도면이다.
도 43은 일 실시예에 따른 시력교정술 시각화 정보 제공 방법의 제3 실시예에 관한 도면이다.
도 44는 일 실시예에 따른 시력교정술 시각화 정보 제공 방법의 제4 실시예에 관한 도면이다.
본 명세서에 기재된 실시예는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 사상을 명확히 설명하기 위한 것이므로, 본 발명이 본 명세서에 기재된 실시예에 의해 한정되는 것은 아니며, 본 발명의 범위는 본 발명의 사상을 벗어나지 아니하는 수정예 또는 변형예를 포함하는 것으로 해석되어야 한다.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하여 가능한 현재 널리 사용되고 있는 일반적인 용어를 선택하였으나 이는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자의 의도, 관례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 다만, 이와 달리 특정한 용어를 임의의 의미로 정의하여 사용하는 경우에는 그 용어의 의미에 관하여 별도로 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가진 실질적인 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 한다.
본 명세서에 첨부된 도면은 본 발명을 용이하게 설명하기 위한 것으로 도면에 도시된 형상은 본 발명의 이해를 돕기 위하여 필요에 따라 과장되어 표시된 것일 수 있으므로 본 발명이 도면에 의해 한정되는 것은 아니다.
본 명세서에서 본 발명에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에 이에 관한 자세한 설명은 필요에 따라 생략하기로 한다. 또한, 본 명세서의 셜명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 서로 다른 구성을 의미할 수도 있지만, 동일한 구성에 대응될 수도 있다.
이하에서는 검진데이터에 기초하여 피검자에게 시력교정술을 추천하는 방법 및 장치에 대하여 설명한다. 특히, 인공지능을 이용하여 시력교정술을 추천하는 모델을 생성하고, 생성된 모델을 이용하여 피검자에게 시력교정술을 추천하는 방법 및 장치에 대하여 설명한다.
또한, 검진데이터에 기초하여 피검자에게 시각화된 시력교정술 관련 정보를 제공하는 방법 및 장치에 대하여 설명한다. 특히, 인공지능을 이용하여 시력교정술 후 예상 시력 이미지를 제공하거나 각막지형이미지를 예측하거나 예측결과 산출 원인을 분석하는 등 시력교정술 시각화 정보를 제공하는 모델을 생성하고, 생성된 모델을 이용하여 피검자에게 시력교정술 시각화 정보를 제공하는 방법 및 장치에 대하여 설명한다.
본 명세서에서 시력교정술은 피시술자의 시력을 교정시켜 주는 수술로 라식(LASIK), 라섹(LASEK), 스마일(small incision lenticule extraction, SMILE) 등 레이저를 이용한 각막 절삭을 통해 시력을 교정하는 수술뿐만 아니라 렌즈 삽입술 등 레이저를 이용하지 않는 시력교정술도 포함하는 등 넓게 해석되어야 한다.
또한, 본 명세서에서 시력은 피검자의 판단을 기초로 측정될 수 있는 시력 및 안구 검사 등을 통해 측정될 수 있는 시력을 포함한다. 예를 들어, 시력은 시력 검사표를 통해 측정될 수 있다. 또는, 시력은 근시, 원시, 난시 등 기본적인 굴절 이상인 저위수차(lower-order aberrations) 및 구면수차(spherical aberration), 코마수차(coma aberration), 트레포일수차(trefoil aberration) 등인 고위수차(higher-order aberrations)를 포함할 수 있다. 또한, 시력은 나안시력 및 교정시력을 포함할 수 있다.
일 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서, 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계; 상기 피검자에게 시력교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계; 상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 커스텀 시력교정술이 필요한지 여부에 대한 판단에 이용되도록 상기 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값을 산출하는 단계; 및 상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제4 그룹 데이터를 제4 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되, 상기 제4 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된 시력교정술 추천 방법이 제공될 수 있다.
여기서, 상기 시력교정술을 제안하는 단계는, 상기 피검자의 시력교정술 후 시력 예측값에 기초하여 시력교정술을 제안할 수 있다.
여기서, 상기 시력교정술을 제안하는 단계는, 복수의 시력교정술 각각에 대응되는 상기 피검자의 시력교정술 후 시력 예측값을 산출하여 시력교정술을 제안할 수 있다.
여기서, 상기 시력교정술을 제안하는 단계는, 복수의 서로 다른 시각에 대응되는 복수의 시력 예측값을 산출하여 시력교정술을 제안할 수 있다.
여기서, 상기 시력교정술 추천 방법은 산출된 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 상기 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계;를 더 포함할 수 있다.
여기서, 상기 시력교정술을 제안하는 단계는, 산출된 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안할 수 있다.
여기서, 상기 제4 예측 모델이 상기 복수의 피시술자의 시력교정술 선호도를 고려하여 학습된 경우 상기 제4 그룹 데이터는 상기 피검자의 시력교정술 선호도를 포함할 수 있다.
여기서, 상기 제1 예측 모델, 상기 제2 예측 모델, 상기 제3 예측 모델 및 상기 제4 예측 모델 중 적어도 하나는, 복수의 서브모델을 포함하고 상기 복수의 서브모델의 결과에 기초하여 결과값을 산출할 수 있다.
여기서, 상기 제1 그룹 데이터, 상기 제2 그룹 데이터, 상기 제3 그룹 데이터 및 상기 제4 그룹 데이터 중 적어도 하나는, 상기 피검자의 검진데이터 중 적어도 일부를 그대로 포함하거나 상기 피검자의 검진데이터 중 적어도 일부로부터 산출된 새로운 종류의 데이터를 포함하는 것을 특징으로 할 수 있다.
여기서, 상기 각막형상인자 예측값은, index of height decentration (IHD) 예측값, index of surface variance (ISV) 예측값 및 index of vertical asymmetry (IVA) 예측값 중 적어도 하나를 포함할 수 있다.
여기서, 상기 검진데이터는, 유전자 정보를 더 포함할 수 있다.
다른 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서, 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계; 상기 피검자에게 시력 교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계; 상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 상기 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계; 및 상기 피검자에게 레이저를 이용한 시력 교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제4 그룹 데이터를 제4 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되, 상기 커스텀 시력교정술 필요성 여부를 예측하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 커스텀 시력교정술 필요성 여부를 예측하고, 상기 제4 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된 시력교정술 추천 방법이 제공될 수 있다.
또 다른 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서, 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계; 상기 피검자에게 시력교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계; 및 상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되, 상기 시력교정술을 제안하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안하고, 상기 제3 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된 시력교정술 추천 방법이 제공될 수 있다.
또 다른 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서, 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계; 및 상기 피검자에게 시력교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되, 상기 시력교정술을 제안하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안하고, 상기 제2 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된 시력교정술 추천 방법이 제공될 수 있다.
또 다른 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서, 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 및 상기 피검자의 검진데이터로부터 획득한 그룹 데이터를 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되, 상기 시력교정술을 제안하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안하고, 상기 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된 시력교정술 추천 방법이 제공될 수 있다.
또 다른 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 후의 예상 시력 이미지 제공 방법에 있어서, 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 후의 안구특성데이터 예측값 - 상기 안구특성데이터 예측값은 시력 예측값 및 각막형상인자 예측값 중 적어도 하나를 포함함 - 을 산출하는 단계; 및 상기 안구특성데이터 예측값에 기초하여 예상 시력 이미지를 생성하는 단계;를 포함하되, 상기 제1 예측 모델은, 시력교정술을 받은 복수의 피시술자의 수술 전 안구특성데이터 측정값, 상기 복수의 피시술자에게 수행된 시력교정술 수술파라미터 및 상기 복수의 피시술자의 수술 후 안구특성데이터 측정값 중 적어도 하나에 기초하여 학습된 예상 시력 이미지 제공 방법이 제공될 수 있다.
여기서, 상기 예상 시력 이미지를 생성하는 단계는, 상기 안구특성데이터 예측값에 기초하여 필터를 산출하거나 선택하는 단계 및 상기 예상 시력 이미지를 생성하기 위하여 상기 필터를 원본 이미지에 적용하는 단계를 포함할 수 있다.
여기서, 상기 안구특성데이터 예측값은 제1 안구특성데이터 예측값 및 제2 안구특성데이터 예측값을 포함하고, 상기 예상 시력 이미지는, 상기 제1 안구특성데이터 예측값에 기초하여 생성된 제1 예상 시력 이미지 및 상기 제2 안구특성데이터 예측값에 기초하여 생성되되 상기 제1 예상 시력 이미지와 다른 제2 예상 시력 이미지를 포함할 수 있다.
여기서, 상기 제1 안구특성데이터 예측값 및 상기 제2 안구특성데이터 예측값 각각은 스탠다드 시력교정술 후의 안구특성데이터 예측값 및 커스텀 시력교정술 후의 안구특성데이터 예측값에 대응되고, 상기 제1 예상 시력 이미지 및 상기 제2 예상 시력 이미지 각각은 스탠다드 시력교정술 후의 예상 시력 이미지 및 커스텀 시력교정술 후의 예상 시력 이미지에 대응될 수 있다.
여기서, 상기 예상 시력 이미지는, 상기 피검자의 시력교정술 후 예상되는 시력의 선명도, 빛 번짐, 대비감도, 야간 시력, 눈부심, 복시, 잔상 중 적어도 하나에 대한 정보를 포함할 수 있다.
여기서, 상기 예상 시력 이미지 제공 방법은 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자의 시력교정술 후의 각막지형이미지를 예측하는 단계;를 더 포함하되, 상기 제2 예측 모델은, 시력교정술을 받은 복수의 피시술자의 수술 전 각막지형이미지, 상기 복수의 피시술자에게 수행된 시력교정술 수술파라미터 및 상기 복수의 피시술자의 수술 후 각막지형이미지 중 적어도 하나에 기초하여 학습될 수 있다.
여기서, 상기 예상 시력 이미지 제공 방법은 상기 안구특성데이터 예측값의 상기 제1 그룹 데이터에 대한 의존성을 산출하는 단계;를 더 포함할 수 있다.
여기서, 상기 안구특성데이터 예측값은 제1 안구특성데이터 예측값 및 제2 안구특성데이터 예측값을 포함하고, 상기 의존성은, 상기 제1 그룹 데이터의 적어도 일부에 대응되는 의존계수를 포함하고, 상기 의존계수는, 상기 제1 안구특성데이터 예측값에 대응되는 제1 의존계수 및 상기 제2 안구특성데이터 예측값에 대응되되 상기 제1 의존계수와 다른 제2 의존계수를 포함할 수 있다.
여기서, 상기 제1 안구특성데이터 예측값 및 상기 제2 안구특성데이터 예측값 각각은 스탠다드 시력교정술 후의 안구특성데이터 예측값 및 커스텀 시력교정술 후의 안구특성데이터 예측값에 대응되고, 상기 제1 의존계수 및 상기 제2 의존계수 각각은 스탠다드 시력교정술 후 안구특성데이터 예측값의 상기 제1 그룹 데이터에 대한 의존성 및 커스텀 시력교정술 후 안구특성데이터 예측값의 상기 제1 그룹 데이터에 대한 의존성에 대응될 수 있다.
여기서, 상기 예상 시력 이미지 제공 방법은 상기 의존계수 중 미리 정해진 값보다 큰 의존계수를 출력하거나 미리 정해진 개수의 의존계수를 출력하는 단계;를 더 포함할 수 있다.
여기서, 상기 각막형상인자 예측값은, index of height decentration (IHD) 예측값, index of surface variance (ISV) 예측값 및 index of vertical asymmetry (IVA) 예측값 중 적어도 하나를 포함할 수 있다.
여기서, 상기 시력 예측값은, 저위수차 (lower-order aberrations) 예측값 및 고위수차 (higher-order aberrations) 예측값 중 적어도 하나를 포함할 수 있다.
일 실시예에 따른 시력교정술 보조 시스템은 학습 장치 및 예측 장치를 포함할 수 있다. 여기서, 학습 장치 및 예측 장치는 적어도 하나의 제어부를 포함하는 컴퓨팅 장치일 수 있다. 상기 컴퓨팅 장치의 예로는 데스크탑, 랩탑, 태블릿 PC, 스마트폰이 있을 수 있으나 이에 제한되는 것은 아니다.
도 1은 일 실시예에 따른 시력교정술 보조 시스템(10)에 관한 도면이다. 도 1을 참고하면, 학습 장치(100)는 학습데이터에 기초하여 시력교정술과 관련된 정보를 산출하는 모델(이하 "시력교정술 관련 모델"이라 함)을 학습 및/또는 생성할 수 있다. 여기서, 학습데이터는 숫자, 문자, 이미지 등 시력교정술 관련 모델을 학습 및/또는 생성하기 위해 필요한 데이터로 그 표현 방식에 제한이 있는 것은 아니다. 예를 들어, 학습데이터는 시력교정술을 받은 피시술자의 검진데이터 및 수술파라미터를 포함할 수 있다.
예측 장치(300)는 학습 장치(100)를 통해 생성된 시력교정술 관련 모델 및 입력데이터에 기초하여 시력교정술과 관련된 정보인 예측결과를 산출할 수 있다. 여기서, 입력데이터는 숫자, 문자, 이미지 등 예측결과 산출의 기초가 되는 데이터로 그 표현 방식에 제한이 있는 것은 아니다.
학습데이터, 입력데이터, 예측결과 및 시력교정술 관련 모델의 구체적인 예시에 대해서는 후술하도록 한다.
도 1에는 학습 장치(100) 및 예측 장치(300)가 별개의 장치인 것처럼 도시되었으나, 학습 장치(100) 및 예측 장치(300)는 동일한 장치일 수 있다. 예를 들어, 동일한 장치 내에서 시력교정술 관련 모델을 학습/생성하고 상기 모델을 이용하여 예측결과를 산출할 수 있다. 또는, 학습 장치(100)의 적어도 일부 구성 및 예측 장치(300)의 적어도 일부 구성이 동일한 구성일 수 있다.
또한, 일 실시예에 따른 시력교정술 보조 시스템은 복수의 학습 장치 및/또는 복수의 예측 장치를 포함할 수 있다.
도 2는 일 실시예에 따른 학습 장치/예측 장치를 설명하기 위한 도면이다. 도 2를 참고하면, 일 실시예에 따른 학습 장치/예측 장치는 메모리부(5000) 및 제어부(1000)를 포함할 수 있다.
일 실시예에 따른 학습 장치/예측 장치는 이의 동작을 제어하기 위한 제어부(1000)를 포함할 수 있다. 제어부(1000)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.
제어부(1000)는 메모리부(5000)에 저장된 시스템 프로그램 및 다양한 프로세싱 프로그램을 판독할 수 있다. 예를 들어, 제어부(1000)는 후술하는 시력교정술 관련 모델의 학습 및 예측 단계의 수행을 위한 데이터 가공 프로세스 등을 RAM상에 전개하고, 전개된 프로그램에 따라 각종 처리를 수행할 수 있다. 일 예로, 제어부(1000)는 시력교정술 관련 모델의 학습을 수행할 수 있다. 다른 예로, 제어부(1000)는 시력교정술 관련 모델을 이용하여 예측결과를 생성할 수 있다.
일 실시예에 따른 학습 장치/예측 장치는 메모리부(5000)를 포함할 수 있다. 메모리부(5000)는 학습에 필요한 데이터, 학습 모델 및 학습된 시력교정술 관련 모델을 저장할 수 있다. 메모리부(5000)는 시력교정술 관련 모델의 파라미터, 변수 등을 저장할 수 있다.
메모리부(5000)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(5000)는 각종 프로세싱 프로그램, 프로그램의 프로세싱을 수행하기 위한 파라미터 또는 이러한 프로세싱 결과 데이터 등을 저장할 수 있다. 예를 들어, 메모리부(5000)는 후술하는 시력교정술 관련 모델의 학습 및 예측 단계의 수행을 위한 데이터 가공 프로세스 프로그램, 진단 프로세스 프로그램, 각 프로그램의 수행을 위한 파라미터 및 이러한 프로그램의 수행에 따라 얻어진 데이터(예컨대, 가공된 데이터 또는 예측결과) 등을 저장할 수 있다.
일 실시예에 따른 학습 장치/예측 장치는 통신부(9000)를 더 포함할 수 있다. 통신부(9000)는 외부 장치와 통신을 수행할 수 있다. 예를 들어, 학습 장치의 통신부(9000)는 예측 장치의 통신부(9000)와 통신을 수행할 수 있다. 통신부(9000)는 유선 또는 무선 통신을 수행할 수 있다. 통신부(9000)는 양방향(bi-directional) 또는 단방향 통신을 수행할 수 있다.
도 2에서 도시하는 학습 장치/예측 장치는 예시에 불과하며 학습 장치/예측 장치의 구성이 이에 한정되지는 않는다.
일 실시예에 따른 시력교정술 보조 시스템은 서버 장치 및 클라이언트 장치를 포함할 수 있다. 도 3은 일 실시예에 따른 서버 장치(500) 및 클라이언트 장치(700a, 700b)를 설명하기 위한 도면이다.
일 실시예에 따른 서버 장치(500)는 전술한 학습 장치/예측 장치에 대응될 수 있다. 일 실시예에 따른 서버 장치(500)는 시력교정술 관련 모델을 학습, 저장 및/또는 실행할 수 있다.
일 실시예에 따른 클라이언트 장치(700a, 700b)는 전술한 학습 장치/예측 장치에 대응될 수 있다. 일 실시예에 따른 클라이언트 장치(700a, 700b)는 시력교정술 관련 모델을 학습, 저장 및/또는 실행할 수 있다.
일 실시예에 따른 클라이언트 장치(700a, 700b)는 학습된 시력교정술 관련 모델을 서버 장치(500)로부터 획득할 수 있다. 예를 들어, 클라이언트 장치(700a, 700b)는 네트워크를 통해 서버 장치(500)로부터 시력교정술 관련 모델을 다운로드 받을 수 있다.
일 실시예에 따른 서버 장치(500)는 클라이언트 장치(700a, 700b)로부터 획득한 입력데이터에 기초하여 예측결과를 산출할 수 있다. 예컨대, 클라이언트 장치(700a, 700b)는 피검자의 정보를 입력 받아 서버 장치(500)로 전송하고, 서버 장치(500)는 상기 피검자의 정보를 바탕으로 시력교정술 관련 모델을 통해 예측결과를 산출할 수 있다. 일 실시예에 따른 서버 장치(500)는 복수의 클라이언트 장치(700a, 700b)로부터 입력데이터를 획득할 수 있다.
일 실시예에 따른 서버 장치(500)는 산출된 예측결과를 클라이언트 장치(700a, 700b)로 전달할 수 있다. 예컨대, 클라이언트 장치(700a, 700b)는 서버 장치(500)로부터 획득한 예측결과를 의사, 상담사 및 피검자 등에게 제공할 수 있다. 일 실시예에 따른 서버 장치(500)는 클라이언트 장치(700a, 700b)로부터 피드백을 획득할 수 있다. 일 실시예에 따른 서버 장치(500)는 복수의 클라이언트 장치(700a, 700b)로 예측결과를 전달할 수 있다.
일 실시예에 따른 클라이언트 장치(700a, 700b)는 서버 장치(500)로 예측결과를 요청할 수 있다.
일 실시예에 따른 클라이언트 장치(700a, 700b)는 입력 받은 데이터를 서버 장치(500)로 전달할 수 있다. 일 실시예에 따른 클라이언트 장치(700a, 700b)는 입력 받은 데이터의 적어도 일부를 변경하여 서버 장치(500)로 전달할 수 있다. 일 실시예에 따른 클라이언트 장치(700a, 700b)는 서버 장치(500)로부터 획득한 예측결과를 의사, 상담사 및 피검자 등에게 제공할 수 있다. 일 실시예에 따른 클라이언트 장치(700a, 700b)는 서버 장치(500)로부터 획득한 예측결과의 적어도 일부를 변경하여 의사, 상담사 및 피검자 등에게 제공할 수 있다.
도 3에는 1개의 서버 장치(500)와 2개의 클라이언트 장치(700a, 700b) 사이의 관계가 도시되었으나 이에 한정되는 것은 아니고 하나 이상의 서버 장치(500) 및 하나 이상의 클라이언트 장치(700a, 700b)에서 마찬가지로 적용될 수 있다.
도 4는 일 실시예에 따른 서버 장치(500) 및 클라이언트 장치(700)의 구성에 관한 도면이다. 도 4를 참고하면, 서버 장치(500) 및 클라이언트 장치(700)는 메모리부(5000a, 5000b), 제어부(1000a, 1000b) 및 통신부(9000a, 9000b)를 포함할 수 있다. 서버 장치(500) 및 클라이언트 장치(700)는 통신부(9000a, 9000b)를 통해 정보를 전달하고 획득할 수 있다. 일 예로, 클라이언트 장치(700)는 그 통신부(9000b)를 통해 서버 장치(500)의 통신부(9000a)로부터 학습된 시력교정술 관련 모델을 획득할 수 있다. 다른 예로, 클라이언트 장치(700)는 그 통신부(9000b)를 통해 입력데이터를 서버 장치(500)의 통신부(9000a)로 전달할 수 있고 서버 장치(500)는 그 통신부(9000a)를 통해 예측결과를 클라이언트 장치(700)의 통신부(9000b)로 전달할 수 있다.
전술한 바와 같이 시력교정술 관련 모델은 시력교정술 수행시 및 그 전후에 고려될 수 있는 다양한 정보를 산출하는 모델이다.
도 5는 일 실시예에 따른 시력교정술 관련 모델(M)에 관한 도면이다. 도 5를 참고하면, 시력교정술 관련 모델(M)은 수술 적부 예측 모델(M10), 레이저 수술 가부 예측 모델(M11), 각막형상인자 예측 모델(M12), 커스텀 시력교정술 필요성 예측 모델(M13), 시력교정술 제안 모델(M14), 수술파라미터 제안 모델(M15), 시력 예측 모델(M16), 예상 시력 이미지 생성 모델(M17), 각막지형이미지 예측 모델(M18) 및 예측결과 산출 원인 분석 모델(M19)을 포함할 수 있다. 각 모델의 구체적인 설명은 후술하도록 한다.
시력교정술 관련 모델(M) 중 적어도 일부는 동일한 학습 장치에서 학습 및/또는 생성될 수 있다. 예를 들어, 수술 적부 예측 모델(M10) 및 레이저 수술 가부 예측 모델(M11)은 동일한 학습 장치에서 학습 및/또는 생성될 수 있다. 또는, 시력교정술 관련 모델(M) 중 적어도 일부는 서로 다른 학습 장치에서 학습 및/또는 생성될 수 있다.
시력교정술 관련 모델(M) 중 적어도 일부는 동일한 예측 장치에서 실행될 수 있다. 예를 들어, 수술 적부 예측 모델(M10) 및 레이저 수술 가부 예측 모델(M11)은 동일한 예측 장치에서 실행될 수 있다. 또는, 시력교정술 관련 모델(M) 중 적어도 일부는 서로 다른 예측 장치에서 실행될 수 있다.
일 실시예에 따른 시력교정술 관련 모델은 인공지능 모델/알고리즘으로 학습 및/또는 구현될 수 있고 그 학습 및/또는 구현 방법에 제한이 있는 것은 아니다. 예를 들어, 시력교정술 관련 모델은 분류(classification) 알고리즘, 회귀(regression) 알고리즘, 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning), 서포트 벡터 머신(support vector machine), 결정트리(decision tree), 랜덤 포레스트(random forest), LASSO, AdaBoost, XGBoost, 인공신경망(artificial neural network) 등과 같은 다양한 머신 러닝 모델/알고리즘 및 딥 러닝 모델/알고리즘을 통해 학습 및/또는 구현될 수 있다.
일 실시예에 따른 시력교정술 관련 모델은 학습 단계를 통해 학습 및/또는 생성될 수 있다. 학습 단계를 통해 학습 및/또는 생성된 시력교정술 관련 모델은 예측 단계를 통해 예측결과를 산출할 수 있다.
도 6은 일 실시예에 따른 시력교정술 관련 모델의 학습 단계(S10) 및 예측 단계(S30)를 설명하기 위한 도면이다. 도 6을 참고하면, 학습 단계(S10)는 학습데이터 획득 단계(S110) 및 모델 학습 단계(S150)를 포함할 수 있다.
학습데이터 획득 단계(S110)는 학습 장치가 시력교정술 관련 모델을 학습 및/또는 생성하기 위한 데이터인 학습데이터를 획득하는 단계일 수 있다.
모델 학습 단계(S150)는 시력교정술 관련 모델을 학습 및/또는 생성하는 단계일 수 있다. 모델 학습 단계(S150)에서 학습 장치는 학습데이터 획득 단계에서 획득한 학습데이터에 기초하여 상기 모델을 학습 및/또는 생성할 수 있다. 예를 들어, 시력교정술 관련 모델을 구성하는 모델 파라미터는 모델 학습 단계(S150)에서 변경될 수 있다. 상기 파라미터의 변화에 따라 상기 모델의 정확도는 향상될 수 있다.
시력교정술 관련 모델은 시력교정술을 받은 피시술자의 시력교정술 관련 정보에 기초하여 학습될 수 있다. 예를 들어, 상기 모델은 시력교정술을 받은 복수의 피시술자의 시력교정술 전 검진데이터, 상기 복수의 피시술자에게 수행된 시력교정술 수술파라미터 및 상기 복수의 피시술자의 시력교정술 후 검진데이터 중 적어도 하나에 기초하여 학습될 수 있다.
도 6을 참고하면, 예측 단계(S30)는 입력데이터 획득 단계(S310) 및 모델 실행 단계(S350)를 포함할 수 있다.
입력데이터 획득 단계(S310)는 예측 장치가 시력교정술 관련 모델을 이용해 예측결과를 산출하는데 이용될 수 있는 데이터인 입력데이터를 획득하는 단계일 수 있다.
모델 실행 단계(S350)는 학습 단계(S10)에서 학습 및/또는 생성된 시력교정술 관련 모델 및 입력데이터에 기초하여 예측결과를 산출하는 단계일 수 있다. 예를 들어, 예측 장치는 입력데이터 및 학습 장치로부터 획득한 모델 파라미터에 기초하여 예측결과를 출력할 수 있다.
시력교정술 관련 모델의 입력데이터는 피검자에 대해 획득한 모든 정보를 포함할 수 있다. 또는, 상기 입력데이터는 피검자에 대해 획득한 정보 중 적어도 일부를 포함할 수 있다. 또한, 상기 입력데이터는 시력교정술 관련 모델에 따라 동일할 수도 있고 상이할 수 있다.
시력교정술 관련 모델의 예측결과는 학습데이터에 따라 달라질 수 있다. 또는, 시력교정술 관련 모델의 정확도는 학습데이터에 따라 달라질 수 있다.
학습데이터에 포함된 참값(true value)의 종류에 따라 예측결과가 달라질 수 있다. 예를 들어, 참값이 피검자의 주관적 의사를 고려하는지 여부에 따라 예측결과가 달라질 수 있다. 여기서, 피검자의 주관적 의사는 특정 시력교정술을 선호하는지 등의 선호도 및 시력교정술에 어느 정도 비용을 지불할 수 있는지 등의 비용 지불 능력을 포함할 수 있다. 피검자의 주관적 의사를 고려하지 않는 경우 예측결과는 의학적으로 제안되는 결과일 수 있다. 반면, 피검자의 주관적 의사를 고려하는 경우 예측결과는 의학적으로 제안되는 결과와 같을 수 있지만 다를 수도 있다.
제1 학습데이터 및 제2 학습데이터가 서로 다른 병원에서 획득되거나 서로 다른 의사로부터 획득되거나 서로 다른 시기의 학습데이터인 경우 상기 제1 학습데이터에 기초하여 학습 및/또는 생성된 제1 모델 및 상기 제2 학습데이터에 기초하여 학습 및/또는 생성된 제2 모델은 서로 다를 수 있다. 그 결과 상기 제1 모델이 출력하는 제1 예측결과 및 상기 제2 모델이 출력하는 제2 예측결과는 서로 다를 수 있다. 또한, 상기 제1 모델 및 상기 제2 모델의 정확도는 서로 다를 수 있다.
다만, 학습데이터가 다르더라도 동일한 시력교정술 관련 모델이 학습 및/또는 생성될 수도 있다. 또는, 서로 다른 학습데이터로 학습 및/또는 생성된 시력교정술 관련 모델이더라도 동일한 예측결과를 산출할 수도 있다.
학습데이터, 입력데이터 및 예측결과(이하 "입출력데이터"라 함)는 검진데이터 및 수술파라미터와 같은 변수를 포함할 수 있다. 검진데이터 및 수술파라미터는 숫자, 문자, 이미지 등과 같이 다양하게 표현될 수 있고 그 표현 방식에 제한이 있는 것은 아니다. 또한, 이미지는 2차원, 3차원 이미지 등 그 차원에 제한이 없다.
검진데이터는 장비나 검사를 통하지 않고 질문 등을 하여 획득하는 정보인 문진데이터, 장비나 검사를 통하여 획득하는 안구에 관한 정보인 안구특성데이터 및 유전자 정보를 포함할 수 있다.
문진데이터는 피검자의 성별, 나이, 인종, 거주 지역 등의 생활 환경, 직업, 소득, 학력, 교육, 가족 규모와 같은 인구통계특성, 고혈압, 당뇨 등의 병력 및 가족력, 시력교정술 선호도 등과 같은 변수를 포함할 수 있다.
안구특성데이터는 안구와 관련된 모든 종류의 정보를 포함할 수 있다. 예를 들어, 안구특성데이터는 시력, 안압 및/또는 망막 검사 결과 등과 같은 변수를 포함할 수 있다.
안구특성데이터는 안구의 물리적인 형상에 관한 정보를 포함할 수 있다. 일 예로, 안구특성데이터는 white-to-white(WTW) distance, angle-to-angle(ATA) distance, 전방 깊이(internal Anterior Chamber Depth, ACD), sulcus-to-sulcus(STS) distance, 동공크기 등과 같은 변수를 포함할 수 있다. 다른 예로, 안구특성데이터는 각막형상인자, 각막지형이미지 등과 같은 각막의 형상에 관한 정보를 포함할 수 있다. 여기서, 각막형상인자는 각막의 물리적 형상을 나타내는 수치로, index of surface variance (ISV), index of vertical asymmetry (IVA), keratoconus index (KI), central keratoconus index (CKI), minimum radius of curvature (Rmin), index of height asymmetry (IHA), index of height decentration (IHD), 중심부 각막 두께(central cornea thickness) 등과 같은 변수를 포함할 수 있다. 또한, 각막지형이미지는 각막 형상에 관한 이미지로, 각막지형도, 각막전면곡률 이미지, 각막후면곡률 이미지, 각막두께지도 등을 포함할 수 있다.
안구특성데이터는 Pentacam, CASIA2, AL-Scan, OQAS와 같은 tomography, topography, optical coherence tomography (OCT), ultrasound biomicroscopy (UBM) 장비 등을 통해 획득될 수 있으나 이에 한정되는 것은 아니다. 상기 장비 및 이와 유사한 장비를 통해 획득할 수 있는 정보 및 이로부터 유래한 정보는 안구특성데이터에 포함될 수 있다.
유전자 정보는 유전자 검사 등을 통해 획득될 수 있다. 유전자 정보는 피검자에게 시력교정술이 적합한지 여부를 판단하는데 이용될 수 있다. 또는, 유전자 정보는 시력교정술 후의 부작용을 예측하는데 이용될 수 있다. 예를 들어, 유전자 정보를 통해 각막이상증 발병 여부를 예측할 수 있다.
수술파라미터는 시력교정술 수행과 관련된 변수로 라식, 라섹, 스마일, 렌즈 삽입술, 스탠다드 시력교정술, 커스텀 시력교정술 등과 같은 시력교정술의 종류, 각막 절편 두께(flap thickness), 각막 절편 크기(flap diameter), flap side cut angle, 각막 절삭 프로파일, 안구 흡입링 작동 시간(suction time), 수술 범위(optic zone), hinge position, hinge angle 및 hinge width와 같은 힌지 구조 등 시력교정술시 변경 가능한 변수를 포함할 수 있다.
스탠다드 시력교정술은 저위수차를 교정하기 위한 시력교정술을 의미할 수 있고, 커스텀 시력교정술은 저위수차 및 고위수차를 교정하기 위한 시력교정술을 의미할 수 있다.
스탠다드 시력교정술 및 커스텀 시력교정술의 피시술자에 따라 고려되는 수술파라미터의 종류는 다를 수 있다. 예를 들어, 커스텀 시력교정술의 피시술자에 따라 고려되는 수술파라미터의 종류는 스탠다드 시력교정술의 피시술자에 따라 고려되는 수술파라미터의 종류를 포함할 수 있다.
스탠다드 시력교정술의 피시술자에 대응되어 변화하는 수술파라미터의 개수는 커스텀 시력교정술의 그것과 다를 수 있다. 스탠다드 시력교정술 및 커스텀 시력교정술은 피시술자에 대응되어 변화하는 수술파라미터의 개수에 따라 구분될 수 있다. 스탠다드 시력교정술 및 커스텀 시력교정술을 구분하는 피시술자에 대응되어 변화하는 수술파라미터의 개수(이하 "기준값"이라 함)는 미리 정해진 값일 수 있다. 예를 들어, 피시술자에 대응되어 변화하는 수술파라미터의 개수가 기준값 이상인 경우 커스텀 시력교정술, 기준값보다 작은 경우 스탠다드 시력교정술일 수 있다.
스탠다드 시력교정술 및 커스텀 시력교정술은 시력교정술을 수행하는 병원, 의사 및/또는 시기에 따라 달라질 수 있다. 예를 들어, 기준값은 병원, 의사 및/또는 시기에 따라 달라질 수 있다.
커스텀 시력교정술은 컨투라비전 수술 및 웨이브프론트 수술을 포함할 수 있다.
커스텀 시력교정술을 수행하는 경우 스탠다드 시력교정술을 수행하는 경우에 비해 시력의 질이 향상될 수 있다. 시력의 질은 시력의 좋고 나쁨을 포괄적으로 의미하는 용어로 시력 측정표를 통해 측정한 시력, 저위수차 및 고위수차뿐만 아니라 시력의 선명도, 빛 번짐, 대비감도, 야간 시력, 눈부심, 복시, 잔상, 기타 불편함 등을 바탕으로 판단할 수 있다.
입출력데이터는 문진 및 검진 등을 통해서 획득/측정될 수 있는 측정값뿐만 아니라 및 시력교정술 관련 모델 등을 통해 산출될 수 있는 예측값을 포함할 수 있다. 예를 들어, 안구특성데이터는 시력교정술 전 검사 등을 통해 획득/측정한 피검자의 안구특성데이터 측정값뿐만 아니라 시력교정술 관련 모델 등을 통해 산출된 피검자의 시력교정술 후 안구특성데이터 예측값을 포함할 수 있다.
입출력데이터는 전처리를 거쳐 시력교정술 관련 모델에 입력될 수 있다. 예를 들어, 학습 장치는 획득한 입출력데이터를 전처리한 후에 시력교정술 관련 모델의 학습에 이용할 수 있다. 또는, 예측 장치는 획득한 입출력데이터를 전처리한 후에 시력교정술 관련 모델에 입력하여 예측결과를 산출할 수 있다.
전처리는 입출력데이터에 가해지는 모든 변화를 포함하도록 넓게 해석되어야 하고 본 명세서에 개시된 예시들로 한정되는 것은 아니다.
전처리는 특징 선택(feature selection)과 같이 입출력데이터가 포함하는 변수 중 적어도 일부를 선택하는 것을 포함할 수 있다. 예를 들어, 전처리는 t-test, Gini index, information gain, relief, DistAUC, signal to noice, MRMR, Fisher score, Laplacian score, SPEC 등을 포함할 수 있다.
전처리는 특징 추출(feature extraction)과 같이 입출력데이터가 포함하는 변수 중 적어도 일부로부터 새로운 변수를 생성하는 것을 포함할 수 있다. 일 예로, 전처리는 principle component analysis, linear discriminant analysis, canonical correlation analysis, singular value decomposition, ISOMAP, locally linear embedding 등을 포함할 수 있다. 다른 예로, 전처리는 수치로부터 스펙트럼을 생성하거나 수치로부터 이미지를 생성하는 것을 포함할 수 있다.
전처리는 결측값(missing value) 처리와 같이 시력교정술 관련 모델(또는학습 장치 및/또는 예측 장치)이 요구하는 변수가 입출력데이터에 포함되어 있지 않을 경우의 처리 방법을 포함할 수 있다. 예를 들어, 전처리는 결측값을 해당 변수의 평균으로 처리하거나 최빈값으로 처리하는 것을 포함할 수 있다.
전처리를 통해 시력교정술 관련 모델의 정확도가 향상될 수 있다. 일 예로, 특징 선택 단계를 포함하는 시력교정술 관련 모델의 정확도는 그것을 포함하지 않는 모델의 정확도보다 좋을 수 있다. 다른 예로, 수치로부터 이미지를 생성하여 상기 이미지에 기초하여 예측결과를 산출하는 시력교정술 관련 모델의 정확도는 상기 수치에 기초하여 예측결과를 산출하는 시력교정술 관련 모델의 정확도보다 좋을 수 있다.
도 7은 일 실시예에 따른 입출력데이터의 전처리에 관한 도면이다. 도 7을 참고하면, 입출력데이터는 전처리 단계(S500)를 거쳐 시력교정술 관련 모델에 입력될 수 있다. 시력교정술 관련 모델은 전처리 된 입출력데이터에 기초하여 예측결과를 산출할 수 있다(S700).
시력교정술 관련 모델은 복수의 하위 모델(서브모델)을 포함할 수 있다. 복수의 서브모델은 입력데이터에 기초하여 예측결과를 산출할 수 있다.
시력교정술 관련 모델은 앙상블 모델 등과 같이 직렬적 및/또는 병렬적으로 연결된 서브모델을 포함할 수 있다.
시력교정술 관련 모델은 직렬적으로 연결된 복수의 서브모델을 포함할 수 있다. 여기서, 서브모델이 직렬적으로 연결되었다는 것은 제1 서브모델의 출력이 제2 서브모델의 입력이 되는 등 적어도 하나의 서브모델의 출력에 기초하여 적어도 다른 하나의 서브모델의 출력이 산출되는 것을 포함할 수 있다. 또는, 서브모델이 직렬적으로 연결되었다는 것은 입력데이터로부터 시력교정술 관련 모델을 통해 예측결과를 획득하기 위해서 복수의 서브모델을 순차적으로 거쳐야 하는 것을 포함할 수 있다.
도 8은 일 실시예에 따른 직렬적으로 연결된 서브모델(M1, M2)을 포함하는 시력교정술 관련 모델(M)에 관한 도면이다. 도 8을 참고하면, 시력교정술 관련 모델(M)은 직렬적으로 연결된 제1 서브모델(M1) 및 제2 서브모델(M2)을 포함할 수 있다. 제1 서브모델(M1)은 입출력데이터에 기초하여 출력을 산출하고, 제2 서브모델(M2)은 제1 서브모델(M1)의 출력에 기초하여 예측결과를 산출할 수 있다.
시력교정술 관련 모델은 병렬적으로 연결된 복수의 서브모델을 포함할 수 있다. 여기서, 서브모델이 병렬적으로 연결되었다는 것은 제1 서브모델의 출력이 제2 서브모델의 출력에 의존하지 않는 등 서브모델의 출력이 다른 서브모델의 출력에 영향을 미치지 않는 것을 포함할 수 있다.
병렬적으로 연결된 복수의 서브모델의 입력은 동일할 수 있다. 또는, 병렬적으로 연결된 복수의 서브모델의 입력은 상이할 수 있다. 예를 들어, 제1 서브모델에 입력되는 제1 검진데이터는 제2 서브모델에 입력되는 제2 검진데이터와 상이할 수 있다.
상기 제1 검진데이터는 상기 제2 검진데이터에 비해 적어도 일부 다른 변수를 포함할 수 있다. 예를 들어, 상기 제1 검진데이터는 시력교정술 선호도를 포함하지만 상기 제2 검진데이터는 시력교정술 선호도를 포함하지 않을 수 있다.
상기 제1 검진데이터는 상기 제2 검진데이터와 동일한 종류의 변수를 포함하지만 그 값이 다를 수 있다. 예를 들어, 상기 제1 검진데이터 및 상기 제2 검진데이터는 각막 두께를 포함하지만 그 수치를 획득한 방법이 상이하여(예를 들어, 서로 다른 장치로 각막 두께를 측정함) 수치가 상이할 수 있다.
시력교정술 관련 모델은 병렬적으로 연결된 복수의 서브모델의 출력에 기초하여 출력을 산출하는 출력서브모델을 포함할 수 있다. 일 예로, 복수의 서브모델의 출력이 동일한 경우 출력서브모델은 상기 동일한 출력을 제공할 수 있다. 다른 예로, 복수의 서브모델의 출력이 상이한 경우 출력서브모델은 상기 복수의 서브모델의 출력을 일정 비율로 고려한 결과를 출력하거나 상기 복수의 출력 중 특정 출력을 제공할 수 있다. 또 다른 예로, 출력서브모델은 복수의 서브모델의 출력에 기초하여 생성된 결과를 출력할 수 있다.
도 9는 일 실시예에 따른 병렬적으로 연결된 서브모델(M1, M2)을 포함하는 시력교정술 관련 모델(M)에 관한 도면이다. 도 9를 참고하면, 시력교정술 관련 모델(M)은 병렬적으로 연결된 제1 서브모델(M1) 및 제2 서브모델(M2)을 포함할 수 있다. 또한, 시력교정술 관련 모델(M)은 제1 서브모델(M1) 및 제2 서브모델(M2)의 출력에 기초하여 출력을 산출하는 출력서브모델(M3)을 포함할 수 있다. 제1 서브모델(M1) 및 제2 서브모델(M2)은 입출력데이터에 기초하여 각각 제1 출력 및 제2 출력을 산출하고, 출력서브모델(M3)은 제1 출력 및 제2 출력에 기초하여 예측결과를 산출할 수 있다.
병렬적으로 연결된 서브모델을 포함하는 시력교정술 관련 모델의 예로는 앙상블(ensemble)이 있을 수 있으나 이에 한정되는 것은 아니다.
이하에서는 시력교정술 관련 모델의 개별적인 예시에 관해 설명한다.
수술 적부 예측 모델은 피검자에게 시력교정술이 적합한지 부적합한지 여부를 예측할 수 있다. 수술 적부 예측 모델은 입력데이터에 기초하여 수술 적부를 예측할 수 있다.
시력교정술의 적부는 의학적인 적부를 의미할 수 있다. 이에 따라, 수술 적부 예측 모델의 입력데이터는 피검자의 시력교정술 선호도를 포함하지 않을 수 있다. 또는, 수술 적부 예측 모델은 피검자의 시력교정술 선호도를 고려하지 않고 수술 적부를 예측할 수 있다.
수술 적부는 수술이 가능한지 여부 및 수술이 필요한지 여부를 포함할 수 있다. 일 예로, 수술 적부 예측 모델은 시력이 좋아서 수술할 필요가 없는 피검자를 수술 부적합으로 판단할 수 있다. 다른 예로, 수술 적부 예측 모델은 시력교정술로 시력 증가가 불가능한 피검자를 수술 부적합으로 판단할 수 있다.
수술 적부는 수술 적합/부적합으로 출력될 수 있다. 또는, 수술 적부는 수술 적합도를 수치화하거나 시각화하여 출력될 수 있다.
레이저 수술 가부 예측 모델은 피검자에게 레이저를 이용한 시력교정술이 가능한지 불가능한지 여부를 예측할 수 있다. 여기서, 레이저를 이용한 시력교정술은 레이저를 이용한 각막 절삭을 통해 시력을 교정하는 수술을 의미할 수 있다. 레이저 수술 가부 예측 모델은 입력데이터에 기초하여 레이저 수술 가부를 예측할 수 있다.
레이저를 이용한 시력교정술의 가부는 의학적인 가부를 의미할 수 있다. 이에 따라, 레이저 수술 가부 예측 모델의 입력데이터는 피검자의 시력교정술 선호도를 포함하지 않을 수 있다. 또는, 레이저 수술 가부 예측 모델은 피검자의 시력교정술 선호도를 고려하지 않고 레이저 수술 가부를 예측할 수 있다.
레이저 수술 가부는 레이저 수술 가능/불가능으로 출력될 수 있다. 또는, 레이저 수술 가부는 수술 가능성을 수치화하거나 시각화하여 출력될 수 있다.
각막형상인자 예측 모델은 피검자의 시력교정술 후 각막형상인자를 예측할 수 있다. 상기 모델은 하나 이상의 각막형상인자를 예측할 수 있다. 각막형상인자 예측 모델은 입력데이터에 기초하여 각막형상인자를 예측할 수 있다.
각막형상인자 예측 모델의 입력데이터는 수술파라미터를 포함할 수 있다. 예를 들어, 상기 입력데이터는 수술 종류를 수술파라미터로 포함할 수 있다. 상기 모델은 입력 받은 수술파라미터에 대응되는 각막형상인자를 예측할 수 있다. 일 예로, 입력데이터가 라식, 라섹 및 스마일을 수술파라미터로 포함하는 경우, 상기 모델의 출력은 라식 후 각막형상인자 예측값, 라섹 후 각막형상인자 예측값 및 스마일 후 각막형상인자 예측값을 포함할 수 있다. 다른 예로, 입력데이터가 스탠다드 시력교정술 및 커스텀 시력교정술을 수술파라미터로 포함하는 경우, 상기 모델의 출력은 스탠다드 시력교정술 후 각막형상인자 예측값 및 커스텀 시력교정술 후 각막형상인자 예측값을 포함할 수 있다.
각막형상인자 예측 모델은 그 입력데이터가 수술파라미터를 포함하는지 여부에 관계 없이 미리 정해진 수술파라미터에 대응되는 각막형상인자를 예측할 수 있다. 예를 들어, 상기 모델이 스탠다드 시력교정술 후 각막형상인자 및 커스텀 시력교정술 후 각막형상인자를 예측하도록 학습된 경우 상기 모델의 입력데이터가 수술파라미터를 포함하지 않더라도 상기 모델은 스탠다드 시력교정술 후 각막형상인자 예측값 및 커스텀 시력교정술 후 각막형상인자 예측값을 출력할 수 있다.
표 1은 일 실시예에 따른 각막형상인자 예측 모델의 출력이다. 표 1을 참고하면, 각막형상인자 예측 모델은 피검자의 IHD, ISV 및 IVA값을 출력할 수 있다. 또한, 각막형상인자 예측 모델은 시력교정술 전 획득한 피검자의 IHD, ISV, IVA 측정값, 스탠다드 시력교정술 후 예상되는 IHD, ISV, IVA 예측값 및 커스텀 시력교정술 후 예상되는 IHD, ISV, IVA 예측값을 포함할 수 있다.
항목 현재 스탠다드 시력교정술 후 예상 커스텀 시력교정술 후 예상
IHD 0.015 0.021 0.018
ISV 20.0 27.8 25.0
IVA 0.19 0.23 0.22
커스텀 시력교정술 필요성 예측 모델은 피검자에게 커스텀 시력교정술이 필요한지 여부를 예측할 수 있다. 커스텀 시력교정술 필요성 예측 모델은 입력데이터에 기초하여 커스텀 시력교정술 필요성을 예측할 수 있다.
커스텀 시력교정술 필요성 예측 모델은 피검자의 시력교정술 선호도를 고려하지 않고 커스텀 시력교정술 필요성을 예측할 수 있다. 또는, 커스텀 시력교정술 필요성 예측 모델은 피검자의 시력교정술 선호도를 고려하여 커스텀 시력교정술 필요성을 예측할 수 있다. 피검자의 시력교정술 선호도를 고려하는지 여부에 따라 커스텀 시력교정술 필요성 예측 모델의 출력이 달라질 수 있다.
커스텀 시력교정술 필요성 예측 모델은 각막형상인자 및 각막지형이미지와 같은 안구특성데이터에 기초하여 피검자에게 커스텀 시력교정술이 필요한지 여부를 판단할 수 있다.
커스텀 시력교정술 필요성 예측 모델은 각막형상인자의 절대적인 수치에 기초하여 커스텀 시력교정술 필요성을 판단할 수 있다. 예를 들어, 커스텀 시력교정술 필요성 예측 모델은 각막형상인자가 일정 범위 밖에 있는 경우 피검자에게 커스텀 시력교정술이 필요하다고 예측할 수 있다.
커스텀 시력교정술 필요성 예측 모델은 각막형상인자의 상대적인 수치에 기초하여 커스텀 시력교정술 필요성을 판단할 수 있다. 예를 들어, 커스텀 시력교정술 필요성 예측 모델은 스탠다드 시력교정술 후의 각막형상인자 및 커스텀 시력교정술 후의 각막형상인자의 차이를 비교하여 커스텀 시력교정술 필요성을 판단할 수 있다.
시력교정술 제안 모델은 피검자에게 대응되는 시력교정술을 제안할 수 있다. 일 예로, 상기 모델은 하나의 시력교정술을 출력할 수 있다. 다른 예로, 상기 모델은 복수의 시력교정술을 출력할 수 있다. 또 다른 예로, 상기 모델은 복수의 시력교정술을 그 우선 순위에 대한 정보와 함께 출력할 수 있다.
시력교정술 제안 모델은 입력데이터에 기초하여 시력교정술을 제안할 수 있다.
피검자에게 대응되는 시력교정술은 시력교정술 제안 모델이 피검자의 시력교정술 선호도를 고려하지 않고 산출한 시력교정술을 의미할 수 있다. 또는, 피검자에게 대응되는 시력교정술은 시력교정술 제안 모델이 피검자의 시력교정술 선호도를 고려하여 산출한 시력교정술을 의미할 수 있다. 피검자의 시력교정술 선호도를 고려하는지 여부에 따라 시력교정술 제안 모델의 출력이 달라질 수 있다.
시력교정술 제안 모델의 출력은 커스텀 시력교정술 필요성이 고려된 것일 수 있다. 예를 들어, 상기 출력은 스탠다드 라식, 커스텀 라식, 스탠다드 라섹, 커스텀 라섹, 스탠다드 스마일, 커스텀 스마일 등과 같이 커스텀 시력교정술 필요성이 고려된 것일 수 있다.
또는, 시력교정술 제안 모델의 출력은 커스텀 시력교정술 필요성이 고려되지 않은 것일 수 있다. 예를 들어, 상기 출력은 라식, 라섹, 스마일, 렌즈 삽입술 등과 같이 커스텀 시력교정술 필요성이 고려되지 않은 것일 수 있다.
시력교정술 제안 모델은 시력교정술 후의 시력의 질에 기초하여 시력교정술을 제안할 수 있다. 예를 들어, 상기 모델은 복수의 시력교정술에 대응되는 시력교정술 후 시력 예측값에 기초하여 시력교정술을 제안할 수 있다.
표 2는 일 실시예에 따른 시력교정술 제안 모델의 출력이다. 표 2를 참고하면, 시력교정술 제안 모델은 라식, 라섹 및 스마일 수술을 적합도와 같은 우선 순위에 대한 정보와 함께 출력할 수 있다. 표 2의 경우 스마일에 대응되는 값이 라식 및 라섹에 대응되는 값보다 크고 이는 시력교정술 제안 모델이 스마일을 1순위로 제안하는 것을 의미할 수 있다. 표 2의 방식 외에도 우선 순위를 나타내는 다양한 방식으로 우선 순위에 대한 정보가 출력될 수 있다.
시력교정술 종류 적합도
라식 15.45%
라섹 13.30%
스마일 71.25%
수술파라미터 제안 모델은 수술파라미터를 제안할 수 있다. 상기 모델은 하나 이상의 수술파라미터를 제안할 수 있다. 수술파라미터 제안 모델은 입력데이터에 기초하여 수술파라미터를 제안할 수 있다.
수술파라미터 제안 모델의 입력데이터는 이미지 형태의 데이터를 포함할 수 있다. 여기서, 상기 이미지는 각막지형도와 같이 장비를 이용한 측정 및/또는 검사를 통해 획득한 이미지일 수 있다. 또는, 상기 이미지는 측정된 수치를 바탕으로 내삽(interpolation), 외삽(extrapolation)이나 인공지능 등을 통해 생성된 이미지일 수 있다. 예를 들어, 상기 이미지는 각막형상인자로부터 생성된 이미지일 수 있다.
수술파라미터 제안 모델이 이미지에 기초하여 제안한 수술파라미터를 바탕으로 수행된 시력교정술 후의 수술 결과는 수치에 기초하여 제안한 수술파라미터를 바탕으로 수행된 시력교정술 후의 수술 결과보다 좋을 수 있다. 예를 들어, 상기 모델이 각막지형이미지에 기초하여 제안한 수술파라미터를 바탕으로 수행된 시력교정술 후의 수술 결과는 IHD, ISV, IVA 등과 같은 각막형상인자에 기초하여 제안한 수술파라미터를 바탕으로 수행된 시력교정술 후의 수술 결과보다 좋을 수 있다. 여기서, 수술 결과는 수술 후 시력의 질을 의미할 수 있다. 또는, 수술 결과는 수술 후 각막의 형상을 의미할 수 있다.
시력 예측 모델은 피검자의 시력교정술 후의 시력을 예측할 수 있다. 시력 예측 모델은 입력데이터에 기초하여 시력 예측값을 출력할 수 있다. 상기 모델은 하나 이상의 시력을 예측할 수 있다.
시력 예측 모델의 입력데이터는 수술파라미터를 포함할 수 있다. 예를 들어, 상기 입력데이터는 수술 종류를 수술파라미터로 포함할 수 있다. 상기 모델은 입력 받은 수술파라미터에 대응되는 시력을 예측할 수 있다. 일 예로, 입력데이터가 라식, 라섹 및 스마일을 수술파라미터로 포함하는 경우, 상기 모델의 출력은 라식 후 시력 예측값, 라섹 후 시력 예측값 및 스마일 후 시력 예측값을 포함할 수 있다. 다른 예로, 입력데이터가 스탠다드 시력교정술 및 커스텀 시력교정술을 수술파라미터로 포함하는 경우, 상기 모델의 출력은 스탠다드 시력교정술 후 시력 예측값 및 커스텀 시력교정술 후 시력 예측값을 포함할 수 있다.
시력 예측 모델은 그 입력데이터가 수술파라미터를 포함하는지 여부에 관계 없이 미리 정해진 수술파라미터에 대응되는 시력을 예측할 수 있다. 예를 들어, 상기 모델이 스탠다드 시력교정술 후 시력 및 커스텀 시력교정술 후 시력을 예측하도록 학습된 경우 상기 모델의 입력데이터가 수술파라미터를 포함하지 않더라도 상기 모델은 스탠다드 시력교정술 후 시력 예측값 및 커스텀 시력교정술 후 시력 예측값을 출력할 수 있다.
시력 예측 모델은 복수의 서로 다른 시각에 대응되는 시력을 예측할 수 있다. 예를 들어, 상기 모델은 시력교정술 후 제1 시각 및 제2 시각에 대응되는 시력을 예측할 수 있다. 복수의 서로 다른 시각의 예로는 시력교정술 후 하루, 1주일, 1개월, 6개월, 1년 등이 있으나 이에 한정되는 것은 아니다.
시력 예측 모델은 복수의 서로 다른 시각에 대응되는 시력 예측값에 기초하여 피검자의 시력 회복 속도를 예측할 수 있다. 예를 들어, 상기 모델은 시력교정술 후 제1 시각 및 제2 시각에 기초하여 시력 회복 속도를 예측할 수 있다.
예상 시력 이미지 생성 모델은 피검자의 시력교정술 후의 시야를 예측할 수 있다. 상기 모델은 피검자의 시력교정술 후의 시력의 질을 시각화한 이미지(이하 "예상 시력 이미지"라 함)를 생성할 수 있다. 상기 모델이 예상 시력 이미지를 출력함에 따라 피검자에게 시력교정술에 대해 보다 용이하게 설명할 수 있다. 상기 모델이 시력교정술 후의 시야를 시각화하여 출력함에 따라 피검자는 시력교정술 후 예상되는 결과에 대해 보다 명확하게 이해할 수 있고 이를 통해 시력교정술 선택에 도움을 받을 수 있다.
예상 시력 이미지 생성 모델의 입력데이터는 수술파라미터를 포함할 수 있다. 예를 들어, 상기 입력데이터는 수술 종류를 수술파라미터로 포함할 수 있다. 상기 모델은 입력 받은 수술파라미터에 대응되는 예상 시력 이미지를 예측할 수 있다. 일 예로, 입력데이터가 라식, 라섹 및 스마일을 수술파라미터로 포함하는 경우, 상기 모델의 출력은 라식 후 예상 시력 이미지, 라섹 후 예상 시력 이미지 및 스마일 후 예상 시력 이미지를 포함할 수 있다. 다른 예로, 입력데이터가 스탠다드 시력교정술 및 커스텀 시력교정술을 수술파라미터로 포함하는 경우, 상기 모델의 출력은 스탠다드 시력교정술 후 예상 시력 이미지 및 커스텀 시력교정술 후 예상 시력 이미지를 포함할 수 있다. 또 다른 예로, 입력데이터가 복수의 수술 범위(optic zone)를 포함하는 경우, 상기 모델의 출력은 상기 복수의 수술 범위에 대응되는 복수의 예상 시력 이미지를 포함할 수 있다.
예상 시력 이미지 생성 모델은 그 입력데이터가 수술파라미터를 포함하는지 여부에 관계 없이 미리 정해진 수술파라미터에 대응되는 예상 시력 이미지를 생성할 수 있다. 예를 들어, 상기 모델이 스탠다드 시력교정술 후 예상 시력 이미지 및 커스텀 시력교정술 후 예상 시력 이미지를 생성하도록 학습된 경우 상기 모델의 입력데이터가 수술파라미터를 포함하지 않더라도 상기 모델은 스탠다드 시력교정술 후 예상 시력 이미지 및 커스텀 시력교정술 후 예상 시력 이미지를 출력할 수 있다.
예상 시력 이미지는 피검자의 시력교정술 후 예상되는 시력의 선명도, 빛 번짐, 대비감도, 야간 시력, 눈부심, 복시, 잔상 중 적어도 하나에 대한 정보를 포함할 수 있다.
도 10은 일 실시예에 따른 예상 시력 이미지에 관한 도면이다. 도 10의 a를 참고하면, 예상 시력 이미지(I1, I2)는 시력의 선명도에 관한 정보를 시각화하여 표현할 수 있다. 도 10의 b를 참고하면, 예상 시력 이미지(I3, I4, I5, I6)는 빛 번짐에 관한 정보를 시각화하여 표현할 수 있다.
복수의 예상 시력 이미지는 서로 다른 수술파라미터에 대응될 수 있다. 도 10의 a를 참고하면, 제1 예상 시력 이미지(I1)는 커스텀 시력교정술 후의 시력의 선명도에 대응되고 제2 예상 시력 이미지(I2)는 스탠다드 시력교정술 후의 시력의 선명도에 대응될 수 있다. 도 10의 b를 참고하면, 제3 내지 제6 예상 시력 이미지(I3-I6)는 서로 다른 수술 범위(optic zone)에 대응되는 예상 시력 이미지일 수 있다. 예를 들어, 제3 예상 시력 이미지(I3)의 수술 범위는 제4 내지 제6 예상 시력 이미지(I4-I6)의 수술 범위보다 클 수 있다.
일 실시예에 따른 예상 시력 이미지는 필터를 이용한 필터링을 통해 생성될 수 있다. 여기서, 필터링은 일반적인 이미지 프로세싱 분야에서 이용되는 개념으로 이미지와 필터를 컨벌루션(convolution)하여 필터링 된 이미지를 생성하는 것을 의미할 수 있다. 필터의 예로는 평균 필터(average filter), 가중평균 필터(weighted average filter), 저역 통과 필터(low-pass filter), 가우시안 필터(Gaussian filter), 중간값 필터(median filter), 양방향 필터(bilateral filter), 블러링 필터(blurring filter), 고주파 통과 필터(high-pass filter), 언샤프 마스킹(unsharp masking), 고주파 지원 필터(high-boost filter), 샤프팅 필터(sharpening filter) 등이 있을 수 있으나 이에 한정되는 것은 아니다.
도 11은 일 실시예에 따른 필터를 이용하는 예상 시력 이미지 생성 모델(M17)에 관한 도면이다. 도 11을 참고하면, 예상 시력 이미지 생성 모델(M17)은 제1 서브모델(M171) 및 제2 서브모델(M172)을 포함할 수 있다.
제1 서브모델(M171)은 입력데이터에 기초하여 필터를 산출 및/또는 선택할 수 있다. 일 예로, 상기 입력데이터는 피검자의 시력교정술 후 안구특성데이터 예측값을 포함하고 제1 서브모델(M171)은 상기 안구특성데이터 예측값에 기초하여 필터를 산출 및/또는 선택할 수 있다. 다른 예로, 상기 입력데이터는 피검자의 안구특성데이터 측정값 및 수술파라미터를 포함하고 제1 서브모델(M171)은 상기 안구특성데이터 측정값 및 상기 수술파라미터에 기초하여 필터를 산출 및/또는 선택할 수 있다.
제2 서브모델(M172)은 제1 서브모델(M171)이 산출 및/또는 선택한 필터에 기초하여 예상 시력 이미지를 생성할 수 있다. 예를 들어, 제2 서브모델(M172)은 원본 이미지에 상기 필터를 적용하여 예상 시력 이미지를 생성할 수 있다. 여기서, 원본 이미지는 예상 시력 이미지를 생성하기 위한 기초가 되는 이미지로 예상 시력 이미지 생성 모델(M17)의 외부로부터 입력 받을 수도 있고 상기 모델(M17)에 포함되어 있을 수도 있다.
각막지형이미지 예측 모델은 피검자의 시력교정술 후의 각막지형이미지를 예측할 수 있다. 상기 모델은 하나 이상의 각막지형이미지를 예측할 수 있다. 각막지형이미지 예측 모델은 입력데이터에 기초하여 각막지형이미지를 생성할 수 있다.
각막지형이미지 예측 모델의 입력데이터는 수술파라미터를 포함할 수 있다. 예를 들어, 상기 입력데이터는 수술 종류를 수술파라미터로 포함할 수 있다. 상기 모델은 입력 받은 수술파라미터에 대응되는 각막지형이미지를 예측할 수 있다. 일 예로, 입력데이터가 라식, 라섹 및 스마일을 수술파라미터로 포함하는 경우, 상기 모델의 출력은 라식 후 각막지형이미지, 라섹 후 각막지형이미지 및 스마일 후 각막지형이미지를 포함할 수 있다. 다른 예로, 입력데이터가 스탠다드 시력교정술 및 커스텀 시력교정술을 수술파라미터로 포함하는 경우, 상기 모델의 출력은 스탠다드 시력교정술 후 각막지형이미지 및 커스텀 시력교정술 후 각막지형이미지를 포함할 수 있다.
각막지형이미지 예측 모델은 그 입력데이터가 수술파라미터를 포함하는지 여부에 관계 없이 미리 정해진 수술파라미터에 대응되는 각막지형이미지를 생성할 수 있다. 예를 들어, 상기 모델이 스탠다드 시력교정술 후 시력 및 커스텀 시력교정술 후 각막지형이미지를 생성하도록 학습된 경우 상기 모델의 입력데이터가 수술파라미터를 포함하지 않더라도 상기 모델은 스탠다드 시력교정술 후 각막지형이미지 및 커스텀 시력교정술 후 각막지형이미지를 출력할 수 있다.
각막지형이미지 예측 모델의 입력데이터는 시력교정술 전 측정된 피검자의 각막지형이미지를 포함할 수 있다. 도 12는 일 실시예에 따른 각막지형이미지에 관한 도면이다. 도 12를 참고하면, 각막지형이미지 예측 모델(M18)은 시력교정술 전 측정된 피검자의 각막지형이미지(CI1)에 기초하여 상기 피검자의 시력교정술 후 각막지형이미지(CI2)를 예측할 수 있다. 도 12에는 상기 모델(M18)에 각막지형이미지(CI1)만 입력되는 것으로 도시되었으나 이 외에도 다른 입력데이터가 함께 입력될 수 있다.
예측결과 산출 원인 분석 모델은 시력교정술 관련 모델이 생성한 예측결과가 산출된 원인을 분석할 수 있다. 상기 모델은 시력교정술 관련 모델의 입력데이터에 대한 의존성을 산출할 수 있다. 여기서, 의존성이란 입력데이터의 특정 변수가 예측결과에 어떠한 영향을 미쳤는지를 포함할 수 있다.
예측결과 산출 원인 분석 모델은 예측결과 산출 원인을 출력할 수 있다. 상기 모델은 하나 이상의 예측결과 산출 원인을 출력할 수 있다. 이하에서는 설명의 편의를 위해 예측결과 산출 원인이 의존계수와 같은 수치로 표현되는 경우에 대해 설명하지만 예측결과 산출 원인이 이에 한정되는 것은 아니고 수치, 이미지, 텍스트 및 그 조합 등 그 표현 방식에 제한이 없다.
예측결과 산출 원인 분석 모델은 의존계수의 적어도 일부를 출력할 수 있다. 예를 들어, 상기 모델은 산출한 의존계수 전부를 출력할 수 있다.
예측결과 산출 원인 분석 모델은 산출한 의존계수 중 일정 범위에 속하는 의존계수를 출력할 수 있다. 예를 들어, 상기 모델은 산출한 의존계수 중 미리 정해진 값보다 큰 의존계수를 출력할 수 있다. 또는, 상기 모델은 산출한 의존계수 중 그 절대값이 미리 정해진 값보다 큰 경우 이를 출력할 수 있다.
예측결과 산출 원인 분석 모델은 일정 개수의 의존계수를 출력할 수 있다. 예를 들어, 상기 모델은 미리 정해진 개수의 의존계수를 출력할 수 있다.
예측결과 산출 원인 분석 모델은 수술 적부 예측 원인 분석 모델, 레이저 수술 가부 예측 원인 분석 모델, 각막형상인자 예측 원인 분석 모델, 커스텀 시력교정술 필요성 예측 원인 분석 모델, 시력교정술 제안 원인 분석 모델, 수술파라미터 제안 원인 분석 모델, 시력 예측 원인 분석 모델, 예상 시력 이미지 생성 원인 분석 모델 및 각막지형이미지 예측 원인 분석 모델을 포함할 수 있다. 예를 들어, 시력 예측 원인 분석 모델은 시력 예측 모델의 입력데이터에 포함된 변수가 어떠한 영향을 미쳐 시력 예측 모델이 시력을 예측하였는지 산출할 수 있다. 또는, 시력 예측 원인 분석 모델은 시력 예측 모델이 산출한 시력 예측값의 시력 예측 모델의 입력데이터에 대한 의존성을 산출할 수 있다.
예측결과 산출 원인 분석 모델은 시력교정술 관련 모델 중 적어도 일부를 포함할 수 있다. 예를 들어, 시력 예측 원인 분석 모델은 시력 예측 모델을 포함할 수 있다.
도 13은 일 실시예에 따른 시력교정술 관련 모델(M192)을 포함하는 예측결과 산출 원인 분석 모델(M19)에 관한 도면이다. 도 27을 참고하면, 예측결과 산출 원인 분석 모델(M19)은 입력데이터 교란 모델(M191), 시력교정술 관련 모델(M192) 및 예측결과 분석 모델(M193)을 포함할 수 있다.
입력데이터 교란 모델(M191)은 입력데이터에 기초하여 교란된 입력데이터를 출력할 수 있다. 상기 모델(M191)은 하나 이상의 교란된 입력데이터를 출력할 수 있다. 여기서, 입력데이터의 교란(perturbation)이란 상기 입력데이터에 포함된 적어도 일부 변수의 값을 변경하는 등 입력데이터를 변경시키는 것을 의미할 수 있다. 예를 들어, 변수가 수치인 경우 교란은 상기 수치를 증가시키거나 감소시키는 것을 의미할 수 있다. 또는, 변수가 이미지인 경우 교란은 상기 이미지의 적어도 일부 픽셀의 픽셀값을 증가시키거나 감소시키는 것을 의미할 수 있다.
시력교정술 관련 모델(M192)은 입력데이터 및 교란된 입력데이터에 기초하여 상기 입력데이터에 대응되는 제1 예측결과 및 상기 교란된 입력데이터에 대응되는 제2 예측결과를 출력할 수 있다. 예를 들어, 예측결과 산출 원인 분석 모델(M19)이 포함하는 시력교정술 관련 모델(M192)이 시력 예측 모델인 경우, 제1 예측결과 및 제2 예측결과는 서로 다른 시력 예측값일 수 있다. 또한, 교란된 입력데이터가 복수인 경우, 상기 모델은 상기 복수의 교란된 입력데이터에 대응되는 복수의 예측결과를 출력할 수 있다.
예측결과 분석 모델(M193)은 예측결과에 기초하여 예측결과 산출 원인을 출력할 수 있다. 예를 들어, 상기 모델(M193)은 교란되지 않은 입력데이터로부터 산출된 제1 예측결과 및 교란된 입력데이터로부터 산출된 제2 예측결과의 차이에 기초하여 예측결과 산출 원인을 산출할 수 있다. 구체적으로, 상기 제1 예측결과 및 제1 변수가 교란된 입력데이터로부터 산출된 제2 예측결과의 차이에 기초하여 상기 제1 예측결과의 상기 제1 변수에 대한 의존성을 산출할 수 있다.
도 14는 일 실시예에 따른 예측결과 산출 원인에 관한 도면으로 구체적으로는 시력 예측 원인에 관한 도면이다. 도 14를 참고하면, 예측결과 산출 원인은 수치 및 이미지로 표현될 수 있다. 도 14에 표현된 Cornea_Back_Rmin(V1), Astigmatism(V2), Mono(V3), Nearsightedness(V4), Op_flag(V5) 및 Pupil_Dia(V6)과 같은 문자는 입력데이터에 포함된 변수에 대응될 수 있다. 상기 문자에 대응되도록 표현된 5.95(N1), -0.5(N2), 0(N3), -1.37(N4), 2(N5), 3.1(N6) 등은 입력데이터에 포함된 변수의 수치에 대응될 수 있다.
예측결과의 변수에 대한 의존성은 시각화되어 표현될 수 있다. 예를 들어, 상기 의존성은 화살표의 길이, 색, 방향 등에 의해 표현될 수 있다. 도 14를 참고하면, 화살표의 길이는 의존계수의 절대값에 대응될 수 있다. 또한, 화살표의 방향 및 색은 의존계수의 부호에 대응될 수 있다. 도 14는 시력 예측값(OV)은 1.18이고, Cornea_Back_Rmin(V1), Astigmatism(V2), Mono(V3) 및 Nearsightedness(V4)는 시력 예측값에 긍정적인 영향을 미치며 Op_flag(V5) 및 Pupul_Dia(V6)는 시력 예측값에 부정적인 영향을 미친 것으로 해석될 수 있다.
예측결과 산출 원인 분석 모델의 예로는 LIME(Local Interpretable Model-agnostic Explanations) 등이 있을 수 있으나 이에 한정되는 것은 아니다.
시력교정술 관련 모델은 서로 조합될 수 있다. 상기 모델은 직렬적 연결 및 병렬적 연결 중 적어도 하나에 의해 조합될 수 있다.
시력교정술 관련 모델이 직렬적으로 연결되었다는 것은 적어도 하나의 시력교정술 관련 모델의 출력에 기초하여 적어도 다른 하나의 시력교정술 관련 모델의 출력이 산출되는 것을 포함할 수 있다.
시력교정술 관련 모델이 병렬적으로 연결되었다는 것은 시력교정술 관련 모델의 출력이 다른 시력교정술 관련 모델의 출력에 영향을 미치지 않는 것을 포함할 수 있다.
이하에서는 시력교정술 관련 모델의 조합에 대한 실시예에 대해 살펴본다.
도 15는 일 실시예에 따른 시력교정술 관련 모델의 직렬적 연결에 관한 도면이다. 도 15를 참고하면, 제1 시력교정술 관련 모델(Ma) 및 제2 시력교정술 관련 모델(Mb)은 직렬적 연결에 의해 조합될 수 있다. 제1 시력교정술 관련 모델(Ma)은 제1 입력데이터 및 상기 제2 시력교정술 관련 모델(Mb)이 제2 입력데이터를 입력 받아 출력한 제2 예측결과에 기초하여 제1 예측결과를 산출할 수 있다.
도 16 내지 도 19는 일 실시예에 따른 각막형상인자 예측 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 16을 참고하면, 커스텀 시력교정술 필요성 예측 모델(M13)은 각막형상인자 예측 모델(M12)이 제2 입력데이터를 입력 받아 출력한 각막형상인자 및 제1 입력데이터에 기초하여 피검자의 커스텀 시력교정술 필요성을 예측할 수 있다.
도 17을 참고하면, 시력교정술 제안 모델(M14)은 각막형상인자 예측 모델(M12)이 제2 입력데이터를 입력 받아 출력한 각막형상인자 및 제1 입력데이터에 기초하여 피검자에게 대응되는 시력교정술을 제안할 수 있다.
도 18을 참고하면, 예상 시력 이미지 생성 모델(M17)은 각막형상인자 예측 모델(M12)이 제2 입력데이터를 입력 받아 출력한 각막형상인자 및 제1 입력데이터에 기초하여 피검자의 시력교정술 후 예상 시력 이미지를 생성할 수 있다.
도 19를 참고하면, 각막지형이미지 예측 모델(M18)은 각막형상인자 예측 모델(M12)이 제2 입력데이터를 입력 받아 출력한 각막형상인자 및 제1 입력데이터에 기초하여 피검자의 시력교정술 후 각막지형이미지를 예측할 수 있다.
도 20은 일 실시예에 따른 커스텀 시력교정술 필요성 예측 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다. 도 20을 참고하면, 시력교정술 제안 모델(M14)은 커스텀 시력교정술 필요성 예측 모델(M13)이 제2 입력데이터를 입력 받아 출력한 커스텀 시력교정술 필요성 및 제1 입력데이터에 기초하여 피검자에게 대응되는 시력교정술을 제안할 수 있다.
도 21 내지 도 22는 일 실시예에 따른 시력교정술 제안 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 21을 참고하면, 각막형상인자 예측 모델(M12)은 시력교정술 제안 모델(M14)이 제2 입력데이터를 입력 받아 출력한 시력교정술 및 제1 입력데이터에 기초하여 피검자의 상기 시력교정술 후 각막형상인자를 예측할 수 있다.
도 22를 참고하면, 시력 예측 모델(M16)은 시력교정술 제안 모델(M14)이 제2 입력데이터를 입력 받아 출력한 시력교정술 및 제1 입력데이터에 기초하여 피검자의 상기 시력교정술 후 시력 예측값을 산출할 수 있다.
예상 시력 이미지 생성 모델은 시력교정술 제안 모델이 제2 입력데이터를 입력 받아 출력한 시력교정술 및 제1 입력데이터에 기초하여 피검자의 상기 시력교정술 후 예상 시력 이미지를 생성할 수 있다.
각막지형이미지 예측 모델은 시력교정술 제안 모델이 제2 입력데이터를 입력 받아 출력한 시력교정술 및 제1 입력데이터에 기초하여 피검자의 상기 시력교정술 후각막지형이미지를 예측할 수 있다.
도 23은 일 실시예에 따른 수술파라미터 제안 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 23을 참고하면, 시력 예측 모델(M16)은 수술파라미터 제안 모델(M15)이 제2 입력데이터를 입력 받아 출력한 수술파라미터 및 제1 입력데이터에 기초하여 피검자의 시력교정술 후 시력 예측값을 산출할 수 있다.
각막형상인자 예측 모델은 수술파라미터 제안 모델이 제2 입력데이터를 입력 받아 출력한 수술파라미터 및 제1 입력데이터에 기초하여 피검자의 시력교정술 후 각막형상인자를 예측할 수 있다.
예상 시력 이미지 생성 모델은 수술파라미터 제안 모델이 제2 입력데이터를 입력 받아 출력한 수술파라미터 및 제1 입력데이터에 기초하여 피검자의 시력교정술 후 예상 시력 이미지를 생성할 수 있다.
각막지형이미지 예측 모델은 수술파라미터 제안 모델이 제2 입력데이터를 입력 받아 출력한 수술파라미터 및 제1 입력데이터에 기초하여 피검자의 시력교정술 후 각막지형이미지를 예측할 수 있다.
도 24 내지 도 25는 일 실시예에 따른 시력 예측 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 24를 참고하면, 시력교정술 제안 모델(M14)은 시력 예측 모델(M16)이 제2 입력데이터를 입력 받아 출력한 시력 예측값 및 제1 입력데이터에 기초하여 피검자에게 대응되는 시력교정술을 제안할 수 있다.
도 25를 참고하면, 예상 시력 이미지 생성 모델(M17)은 시력 예측 모델(M16)이 제2 입력데이터를 입력 받아 출력한 시력 예측값 및 제1 입력데이터에 기초하여 피검자의 시력교정술 후 예상 시력 이미지를 생성할 수 있다.
도 26 내지 도 27은 일 실시예에 따른 각막지형이미지 예측 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 26을 참고하면, 커스텀 시력교정술 필요성 예측 모델(M13)은 각막지형이미지 예측 모델(M18)이 제2 입력데이터를 입력 받아 출력한 각막지형이미지 및 제1 입력데이터에 기초하여 피검자의 커스텀 시력교정술 필요성을 예측할 수 있다.
도 27을 참고하면, 시력교정술 제안 모델(M14)은 각막지형이미지 예측 모델(M18)이 제2 입력데이터를 입력 받아 출력한 각막지형이미지 및 제1 입력데이터에 기초하여 피검자에게 대응되는 시력교정술을 제안할 수 있다.
각막형상인자 예측 모델은 각막지형이미지 예측 모델이 제2 입력데이터를 입력 받아 출력한 각막지형이미지 및 제1 입력데이터에 기초하여 피검자의 시력교정술 후 각막형상인자를 예측할 수 있다.
예상 시력 이미지 생성 모델은 각막지형이미지 예측 모델이 제2 입력데이터를 입력 받아 출력한 각막지형이미지 및 제1 입력데이터에 기초하여 피검자의 시력교정술 후 예상 시력 이미지를 생성할 수 있다.
3개 이상의 시력교정술 관련 모델은 서로 직렬적 및/또는 병렬적으로 조합될 수 있다. 도 28은 일 실시예에 따른 3개 이상의 시력교정술 관련 모델의 조합을 설명하기 위한 도면이다. 도 28을 참고하면, 제1 시력교정술 관련 모델(Ma)은 제2 시력교정술 관련 모델(Mb)이 제2 입력데이터를 입력 받아 출력한 제2 예측결과, 제3 시력교정술 관련 모델(Mc)이 제3 입력데이터를 입력 받아 출력한 제3 예측 결과 및 제1 입력데이터를 입력 받아 제1 예측결과를 산출할 수 있다. 여기서, 제1 시력교정술 관련 모델(Ma)은 제2 시력교정술 관련 모델(Mb) 및 제3 시력교정술 관련 모델(Mc)과 직렬적으로 연결된 것으로 볼 수 있다. 또한, 제2 시력교정술 관련 모델(Mb) 및 제3 시력교정술 관련 모델(Mc)은 병렬적으로 연결된 것으로 볼 수 있다.
도 29 내지 도 30은 일 실시예에 따른 각막형상인자 예측 모델 및 시력 예측 모델의 출력에 기초한 시력교정술 관련 모델의 출력 산출에 관한 도면이다.
도 29를 참고하면, 시력교정술 제안 모델(M14)은 각막형상인자 예측 모델(M12)이 제2 입력데이터를 입력 받아 출력한 각막형상인자, 시력 예측 모델(M16)이 제3 입력데이터를 입력 받아 출력한 시력 예측값 및 제1 입력데이터에 기초하여 피검자에 대응되는 시력교정술을 제안할 수 있다.
도 30을 참고하면, 예상 시력 이미지 생성 모델(M17)은 각막형상인자 예측 모델(M12)이 제2 입력데이터를 입력 받아 출력한 각막형상인자, 시력 예측 모델(M16)이 제3 입력데이터를 입력 받아 출력한 시력 예측값 및 제1 입력데이터에 기초하여 피검자의 시력교정술 후 예상 시력 이미지를 생성할 수 있다.
시력교정술 관련 모델은 서로 병합될 수 있다. 복수의 시력교정술 관련 모델은 하나의 모델로 병합되어 상기 복수의 개별 모델의 기능 중 적어도 일부를 수행할 수 있다.
도 31은 일 실시예에 따른 시력교정술 관련 모델의 병합을 설명하기 위한 도면이다. 도 31을 참고하면, 제1 시력교정술 관련 모델 및 제2 시력교정술 관련 모델이 병합되어 하나의 모델(Mab)을 구성할 수 있다. 상기 하나의 모델(Mab)은 입력데이터에 기초하여 예측결과를 산출할 수 있다. 여기서, 상기 예측결과는 제1 시력교정술 관련 모델의 출력에 대응되는 제1 예측결과 및 제2 시력교정술 관련 모델의 출력에 대응되는 제2 예측결과 중 적어도 하나에 대응되는 정보를 포함할 수 있다. 예를 들어, 상기 예측결과는 제1 예측결과 및 제2 예측결과 중 적어도 하나를 포함할 수 있다. 또는, 상기 예측결과는 제1 예측결과 및 제2 예측결과 중 적어도 하나의 정보를 포함할 수 있다.
도 31에는 2개의 모델을 병합하는 경우에 대해 설명하였으나 이에 한정되지 않고 3개 이상의 모델을 병합하는 것도 가능하다.
도 32 내지 도 34는 일 실시예에 따른 시력교정술 관련 모델 병합의 구현예에 관한 도면이다.
도 32를 참고하면, 각막형상인자 예측 모델 및 커스텀 시력교정술 필요성 예측 모델이 병합될 수 있다. 상기 병합된 모델(M25)은 입력데이터에 기초하여 예측결과를 산출할 수 있다. 상기 예측결과는 각막형상인자 및 커스텀 시력교정술 필요성 중 적어도 하나에 대응되는 정보를 포함할 수 있다. 예를 들어, 상기 예측결과는 각막형상인자 및 커스텀 시력교정술 필요성 중 적어도 하나를 포함할 수 있다.
도 33을 참고하면, 커스텀 시력교정술 필요성 예측 모델 및 시력교정술 제안 모델이 병합될 수 있다. 상기 병합된 모델(M27)은 입력데이터에 기초하여 예측결과를 산출할 수 있다. 상기 예측결과는 커스텀 시력교정술 필요성 및 시력교정술 중 적어도 하나에 대응되는 정보를 포함할 수 있다. 예를 들어, 상기 예측결과는 커스텀 시력교정술 필요성 및 시력교정술 중 적어도 하나를 포함할 수 있다.
도 34를 참고하면, 레이저 수술 가부 예측 모델, 커스텀 시력교정술 필요성 예측 모델 및 시력교정술 제안 모델이 병합될 수 있다. 상기 병합된 모델(M38)은 입력데이터에 기초하여 예측결과를 산출할 수 있다. 상기 예측결과는 레이저 수술 가부, 커스텀 시력교정술 필요성 및 시력교정술 중 적어도 하나에 대응되는 정보를 포함할 수 있다. 예를 들어, 상기 예측결과는 레이저 수술 가부, 커스텀 시력교정술 필요성 및 시력교정술 중 적어도 하나를 포함할 수 있다.
이하에서는 시력교정술 추천 방법의 실시예에 대해 살펴본다.
시력교정술 추천 방법은 하나 이상의 시력교정술 관련 모델을 이용하여 구현될 수 있다. 상기 방법이 복수의 시력교정술 관련 모델로 구현되는 경우, 적어도 하나의 시력교정술 관련 모델의 실행 여부는 적어도 다른 하나의 시력교정술 관련 모델의 예측결과에 의존할 수 있다. 예를 들어, 제2 시력교정술 관련 모델의 실행 여부는 제1 시력교정술 관련 모델의 예측결과에 의존할 수 있다.
후술하는 시력교정술 추천 방법의 각 단계는 예측 장치에 의해 수행될 수 있다.
도 35는 일 실시예에 따른 시력교정술 추천 방법의 제1 실시예에 관한 도면이다.
도 35를 참고하면, 일 실시예에 따른 시력교정술 추천 방법은 피검자의 검진데이터를 획득하는 단계(S1100), 피검자의 시력교정술 적합성 여부를 예측하는 단계(S1200), 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계(S1300), 피검자의 각막형상인자 예측값을 산출하는 단계(S1400) 및 피검자에게 대응되는 시력교정술을 제안하는 단계(S1500)를 포함할 수 있다.
피검자의 검진데이터를 획득하는 단계(S1100)는 컴퓨팅 장치가 문진데이터 및 안구특성데이터 측정값을 포함하는 검진데이터를 획득하는 것을 포함할 수 있다.
피검자의 시력교정술 적합성 여부를 예측하는 단계(S1200)는 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 피검자의 시력교정술 적합성 여부를 예측하는 것을 포함할 수 있다. 상기 제1 예측 모델은 수술 적부 예측 모델일 수 있다. 수술 적부 예측 모델은 제1 그룹 데이터에 기초하여 피검자의 시력교정술 적부를 예측할 수 있다.
피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계(S1300)는 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 것을 포함할 수 있다. 상기 단계(S1300)의 수행 여부는 피검자에게 시력교정술이 적합한지 여부에 의존할 수 있다. 예를 들어, 상기 단계(S1300)는 피검자에게 시력교정술이 적합한 경우 수행될 수 있다. 상기 제2 예측 모델은 레이저 수술 가부 예측 모델일 수 있다. 레이저 수술 가부 예측 모델은 제2 그룹 데이터에 기초하여 피검자의 레이저 수술 가부를 예측할 수 있다.
피검자의 각막형상인자 예측값을 산출하는 단계(S1400)는 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값을 산출하는 것을 포함할 수 있다. 상기 단계(S1400)의 수행 여부는 피검자에게 레이저를 이용한 시력교정술이 가능한지 여부에 의존할 수 있다. 예를 들어, 상기 단계(S1400)는 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 수행될 수 있다. 상기 제3 예측 모델은 각막형상인자 예측 모델일 수 있다. 상기 제3 예측 모델은 제3 그룹 데이터에 기초하여 각막형상인자를 예측할 수 있다. 이 경우 커스텀 시력교정술 필요성은 각막형상인자에 기초하여 판단될 수 있다.
피검자에게 대응되는 시력교정술을 제안하는 단계(S1500)는 피검자의 검진데이터로부터 획득한 제4 그룹 데이터를 제4 예측 모델에 입력하여 피검자에게 대응되는 시력교정술을 제안하는 것을 포함할 수 있다. 상기 단계(S1500)의 수행 여부는 피검자에게 레이저를 이용한 시력교정술이 가능한지 여부에 의존할 수 있다. 예를 들어, 상기 단계(S1500)는 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 수행될 수 있다. 상기 제4 예측 모델은 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습될 수 있다. 상기 제4 예측 모델은 시력교정술 제안 모델일 수 있다. 상기 제4 예측 모델은 상기 제4 그룹 데이터에 기초하여 피검자에게 대응되는 시력교정술을 제안할 수 있다.
도 35를 참고하면, 상기 시력교정술은 각막형상인자 예측값 및/또는 커스텀 시력교정술 필요성이 고려되지 않은 것일 수 있다. 예를 들어, 상기 시력교정술은 라식, 라섹 및 스마일을 포함할 수 있다. 또한, 레이저 시력교정술이 가능한 경우에도 렌즈 삽입술이 불가능한 것은 아니므로 상기 시력교정술은 렌즈 삽입술을 포함할 수 있고 이는 본 명세서의 다른 실시예 및 구현예에서도 마찬가지이다. 이 경우 각막형상인자 예측값 및/또는 커스텀 시력교정술 필요성이 고려된 시력교정술은 의사 및/또는 상담사에 의해 결정될 수 있다. 예를 들어, 의사 및/또는 상담사는 도 35의 시력교정술 추천 방법이 출력하는 각막형상인자 예측값과 시력교정술에 기초하여 스탠다드 라식, 스탠다드 라섹, 스탠다드 스마일, 커스텀 라식, 커스텀 라섹, 커스텀 스마일 등 커스텀 시력교정술 필요성이 고려된 시력교정술을 결정할 수 있다.
도 36은 일 실시예에 따른 시력교정술 추천 방법의 제2 실시예에 관한 도면이다.
도 36을 참고하면, 일 실시예에 따른 시력교정술 추천 방법은 피검자의 검진데이터를 획득하는 단계(S2100), 피검자의 시력교정술 적합성 여부를 예측하는 단계(S2200), 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계(S2300), 피검자의 각막형상인자 예측값을 산출하는 단계(S2400) 및 피검자에게 대응되는 시력교정술을 제안하는 단계(S2500)를 포함할 수 있다.
도 36의 시력교정술 추천 방법은 도 35와 유사하므로 도 35와의 차이점을 위주로 설명한다.
도 36을 참고하면, 피검자에게 대응되는 시력교정술을 제안하는 단계(S2500)는 피검자의 각막형상인자 예측값을 산출하는 단계에서 산출된 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안할 수 있다. 상기 시력교정술은 커스텀 시력교정술 필요성이 고려된 것일 수 있다. 예를 들어, 상기 시력교정술은 스탠다드 라식, 스탠다드 라섹, 스탠다드 스마일, 커스텀 라식, 커스텀 라섹 및 커스텀 스마일을 포함할 수 있다. 또한, 상기 시력교정술은 렌즈 삽입술을 포함할 수 있다.
도 37은 일 실시예에 따른 시력교정술 추천 방법의 제3 실시예에 관한 도면이다.
도 37을 참고하면, 일 실시예에 따른 시력교정술 추천 방법은 피검자의 검진데이터를 획득하는 단계(S3100), 피검자의 시력교정술 적합성 여부를 예측하는 단계(S3200), 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계(S3300), 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계(S3400) 및 피검자에게 대응되는 시력교정술을 제안하는 단계(S3500)를 포함할 수 있다.
도 37의 시력교정술 추천 방법은 도 35와 유사하므로 도 35와의 차이점을 위주로 설명한다.
도 37을 참고하면, 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계(S3400)는 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 것을 포함할 수 있다. 상기 단계(S3400)의 수행 여부는 피검자에게 레이저를 이용한 시력교정술이 가능한지 여부에 의존할 수 있다. 예를 들어, 상기 단계(S3400)는 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 수행될 수 있다. 상기 제3 예측 모델은 커스텀 시력교정술 필요성 예측 모델일 수 있다. 상기 제3 예측 모델은 상기 제3 그룹 데이터에 기초하여 커스텀 시력교정술 필요성을 예측할 수 있다. 상기 단계는 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 커스텀 시력교정술 필요성 여부를 예측할 수 있다.
피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계(S3400) 및 피검자에게 대응되는 시력교정술을 제안하는 단계(S3500)는 연결될 수 있다. 예를 들어, 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계(S3400)의 출력에 기초하여 피검자에게 대응되는 시력교정술을 제안하는 단계(S3500)의 출력이 산출될 수 있다. 또는, 피검자에게 대응되는 시력교정술을 제안하는 단계(S3500)의 출력에 기초하여 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계(S3400)의 출력이 산출될 수 있다.
일 예로, 피검자에게 대응되는 시력교정술을 제안하는 단계(S3500)는 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계(S3400)에서 산출된 커스텀 시력교정술 필요성에 기초하여 시력교정술을 제안할 수 있다. 예를 들어, 상기 시력교정술은 스탠다드 라식, 스탠다드 라섹, 스탠다드 스마일, 커스텀 라식, 커스텀 라섹 및 커스텀 스마일을 포함할 수 있다. 또한, 상기 시력교정술은 렌즈 삽입술을 포함할 수 있다.
다른 예로, 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계(S3400)는 피검자에게 대응되는 시력교정술을 제안하는 단계(S3500)에서 산출된 제1 시력교정술에 기초하여 제2 시력교정술을 출력할 수 있다. 여기서, 상기 제1 시력교정술은 커스텀 시력교정술 필요성이 고려되지 않은 것일 수 있고, 상기 제2 시력교정술은 커스텀 시력교정술 필요성이 고려된 것일 수 있다.
또 다른 예로, 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계(S3400)는 피검자에게 대응되는 시력교정술을 제안하는 단계(S3500)에서 산출된 제1 시력교정술의 타입에 기초하여 실행 여부가 결정될 수 있다. 예를 들어, 제1 시력교정술이 제1 타입인 경우 커스텀 시력교정술 필요성 예측 모델을 실행하지 않고, 제1 시력교정술이 제2 타입인 경우 커스텀 시력교정술 필요성 예측 모델을 실행할 수 있다.
상기 제1 타입 및 상기 제2 타입은 레이저를 이용한 각막 절삭 여부에 따라 구분될 수 있다. 예를 들어, 상기 제1 타입은 렌즈 삽입술과 같은 비레이저 시력교정술일 수 있고 상기 제2 타입은 라식, 라섹, 스마일과 같은 레이저 시력교정술일 수 있다.
상기 제1 타입 및 상기 제2 타입은 커스텀 수술 가능 여부에 따라 구분될 수 있다. 예를 들어, 상기 제1 타입은 커스텀 수술이 불가능한 시력교정술일 수 있고 상기 제2 타입은 커스텀 수술이 가능한 시력교정술일 수 있다. 여기서, 커스텀 수술이 가능한 시력교정술인지 여부는 미리 정해진 기준이 존재할 수 있다. 다만, 이러한 기준은 기술 발전, 병원, 수술 기기, 의사의 상황 및 판단 등에 따라 달라질 수 있다. 예를 들어, 커스텀 스마일 수술이 불가능한 경우 제1 타입은 스마일 및 렌즈 삽입술을 포함하고 제2 타입은 라식 및 라섹을 포함할 수 있지만, 커스텀 스마일 수술이 가능한 경우 제1 타입은 렌즈 삽입술을 포함하고 제2 타입은 라식, 라섹 및 스마일을 포함할 수 있다.
도 38은 일 실시예에 따른 시력교정술 추천 방법의 제4 실시예에 관한 도면이다.
도 38을 참고하면, 일 실시예에 따른 시력교정술 추천 방법은 피검자의 검진데이터를 획득하는 단계(S4100), 피검자의 시력교정술 적합성 여부를 예측하는 단계(S4200), 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계(S4300) 및 피검자에게 대응되는 시력교정술을 제안하는 단계(S4400)를 포함할 수 있다.
도 38의 피검자의 검진데이터를 획득하는 단계(S4100), 피검자의 시력교정술 적합성 여부를 예측하는 단계(S4200) 및 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계(S4300)는 도 35와 동일하므로 이에 대한 설명은 생략하기로 한다.
피검자에게 대응되는 시력교정술을 제안하는 단계(S4400)는 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 피검자에게 대응되는 시력교정술을 제안하는 것을 포함할 수 있다.
상기 단계(S4400)의 수행 여부는 피검자에게 레이저를 이용한 시력교정술이 가능한지 여부에 의존할 수 있다. 예를 들어, 상기 단계(S4400)는 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 수행될 수 있다. 상기 단계(S4400)는 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안할 수 있다.
상기 제3 예측 모델은 커스텀 시력교정술 필요성 예측 모델 및 시력교정술 제안 모델이 병합된 모델일 수 있다. 상기 제3 예측 모델은 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습될 수 있다. 상기 제3 예측 모델은 상기 제3 그룹 데이터에 기초하여 커스텀 시력교정술 필요성 및 시력교정술 중 적어도 하나에 대한 정보를 출력할 수 있다. 예를 들어, 상기 제3 예측 모델의 출력은 커스텀 시력교정술 필요성 및 시력교정술 중 적어도 하나를 포함할 수 있다.
도 39는 일 실시예에 따른 시력교정술 추천 방법의 제5 실시예에 관한 도면이다.
도 39를 참고하면, 일 실시예에 따른 시력교정술 추천 방법은 피검자의 검진데이터를 획득하는 단계(S5100), 피검자의 시력교정술 적합성 여부를 예측하는 단계(S5200) 및 피검자에게 대응되는 시력교정술을 제안하는 단계(S5300)를 포함할 수 있다.
도 39의 피검자의 검진데이터를 획득하는 단계(S5100) 및 피검자의 시력교정술 적합성 여부를 예측하는 단계(S5200)는 도 35와 동일하므로 이에 대한 설명은 생략하기로 한다.
피검자에게 대응되는 시력교정술을 제안하는 단계(S5300)는 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 피검자에게 대응되는 시력교정술을 제안하는 것을 포함할 수 있다.
상기 단계(S5300)의 수행 여부는 피검자에게 시력교정술이 적합한지 여부에 의존할 수 있다. 예를 들어, 상기 단계(S5300)는 피검자에게 시력교정술이 적합한 경우 수행될 수 있다. 상기 단계(S5300)는 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안할 수 있다.
상기 제2 예측 모델은 레이저 수술 가부 예측 모델, 커스텀 시력교정술 필요성 예측 모델 및 시력교정술 제안 모델이 병합된 모델일 수 있다. 상기 제2 예측 모델은 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습될 수 있다. 상기 제2 예측 모델은 상기 제2 그룹 데이터에 기초하여 레이저 수술 가부, 커스텀 시력교정술 필요성 및 시력교정술 중 적어도 하나에 대한 정보를 출력할 수 있다. 예를 들어, 상기 제2 예측 모델의 출력은 레이저 수술 가부, 커스텀 시력교정술 필요성 및 시력교정술 중 적어도 하나를 포함할 수 있다.
도 40은 일 실시예에 따른 시력교정술 추천 방법의 제6 실시예에 관한 도면이다.
도 40을 참고하면, 일 실시예에 따른 시력교정술 추천 방법은 피검자의 검진데이터를 획득하는 단계(S6100) 및 피검자에게 대응되는 시력교정술을 제안하는 단계(S6200)를 포함할 수 있다.
도 40의 피검자의 검진데이터를 획득하는 단계(S6100)는 도 35와 동일하므로 이에 대한 설명은 생략하기로 한다.
피검자에게 대응되는 시력교정술을 제안하는 단계(S6200)는 피검자의 검진데이터로부터 획득한 그룹 데이터를 예측 모델에 입력하여 피검자에게 대응되는 시력교정술을 제안하는 것을 포함할 수 있다. 상기 단계(S6200)는 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안할 수 있다.
상기 예측 모델은 수술 적부 예측 모델, 레이저 수술 가부 예측 모델, 커스텀 시력교정술 필요성 예측 모델 및 시력교정술 제안 모델이 병합된 모델일 수 있다. 상기 예측 모델은 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습될 수 있다. 상기 예측 모델은 입력데이터에 기초하여 수술 적부, 레이저 수술 가부, 커스텀 시력교정술 필요성 및 시력교정술 중 적어도 하나에 대한 정보를 출력할 수 있다. 예를 들어, 상기 예측 모델의 출력은 수술 적부, 레이저 수술 가부, 커스텀 시력교정술 필요성 및 시력교정술 중 적어도 하나를 포함할 수 있다.
전술한 시력교정술 추천 방법 및 시력교정술 관련 모델의 조합 및/또는 병합은 예시에 불과하며 이 외에도 다양한 방식으로 시력교정술 추천 방법을 구현하거나 시력교정술 관련 모델을 조합 및/또는 병합할 수 있다.
이하에서는 시력교정술 시각화 정보 제공 방법의 실시예에 대해 살펴본다.
시력교정술 시각화 정보 제공 방법은 하나 이상의 시력교정술 관련 모델을 이용하여 구현될 수 있다. 상기 방법이 복수의 시력교정술 관련 모델로 구현되는 경우, 적어도 하나의 시력교정술 관련 모델의 실행 여부는 적어도 다른 하나의 시력교정술 관련 모델의 예측결과에 의존할 수 있다. 예를 들어, 제2 시력교정술 관련 모델의 실행 여부는 제1 시력교정술 관련 모델의 예측결과에 의존할 수 있다.
시력교정술 시각화 정보 제공 방법은 예상 시력 이미지 제공 방법, 각막지형이미지 제공 방법 및 예측결과 산출 원인 제공 방법을 포함할 수 있다.
예상 시력 이미지 제공 방법은 예상 시력 이미지 생성 모델을 통하여 구현될 수 있다. 각막지형이미지 제공 방법은 각막지형이미지 예측 모델을 통하여 구현될 수 있다. 예측결과 산출 원인 제공 방법은 예측결과 산출 원인 분석 모델을 통하여 구현될 수 있다.
후술하는 시력교정술 시각화 정보 제공 방법의 각 단계는 예측 장치에 의해 수행될 수 있다.
도 41은 일 실시예에 따른 시력교정술 시각화 정보 제공 방법의 제1 실시예에 관한 도면이다.
도 41을 참고하면, 일 실시예에 따른 시력교정술 시각화 정보 제공 방법은 피검자의 검진데이터를 획득하는 단계(S7100), 피검자의 시력교정술 후의 안구특성데이터 예측값을 산출하는 단계(S7200) 및 예상 시력 이미지를 생성하는 단계(S7300)를 포함할 수 있다. 또한, 도시하지는 않았지만, 일 실시예에 따른 시력교정술 시각화 정보 제공 방법은 예상 시력 이미지를 출력하는 단계를 더 포함할 수 있다.
피검자의 검진데이터를 획득하는 단계(S7100)는 컴퓨팅 장치가 문진데이터 및 안구특성데이터 측정값을 포함하는 검진데이터를 획득하는 것을 포함할 수 있다.
피검자의 시력교정술 후의 안구특성데이터 예측값을 산출하는 단계(S7200)는 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 피검자의 시력교정술 후의 시력 예측값 및 각막형상인자 예측값 중 적어도 하나를 포함하는 안구특성데이터 예측값을 산출하는 것을 포함할 수 있다.
상기 제1 예측 모델은 시력교정술을 받은 복수의 피시술자의 수술 전 안구특성데이터 측정값, 상기 복수의 피시술자에게 수행된 시력교정술 수술파라미터 및 상기 복수의 피시술자의 수술 후 안구특성데이터 측정값 중 적어도 하나에 기초하여 학습될 수 있다. 상기 제1 예측 모델은 시력 예측 모델 및 각막형상인자 예측 모델 중 적어도 하나를 포함할 수 있다. 또는, 상기 제1 예측 모델은 시력 예측 모델 및 각막형상인자 예측 모델이 병합된 모델일 수 있다. 상기 제1 예측 모델은 상기 제1 그룹 데이터에 기초하여 피검자의 시력교정술 후의 안구특성데이터 예측값을 산출할 수 있다.
예상 시력 이미지를 생성하는 단계(S7300)는 안구특성데이터 예측값에 기초하여 예상 시력 이미지를 생성하는 것을 포함할 수 있다.
도 42는 일 실시예에 따른 시력교정술 시각화 정보 제공 방법의 제2 실시예에 관한 도면이다.
도 42를 참고하면, 일 실시예에 따른 시력교정술 시각화 정보 제공 방법은 안구특성데이터 예측값에 기초하여 필터 산출 및/또는 선택하는 단계(S7600) 및 필터를 원본 이미지에 적용하는 단계(S7700)를 더 포함할 수 있다.
안구특성데이터 예측값에 기초하여 필터를 산출 및/또는 선택하는 단계(S7600)는 도 11의 제1 서브모델(M171)에 의해 수행될 수 있다.
필터를 원본 이미지에 적용하는 단계(S7700)는 예상 시력 이미지를 생성하기 위하여 필터를 원본 이미지에 적용하는 것을 포함할 수 있다. 상기 단계(S7700)는 도 11의 제2 서브모델(M172)에 의해 수행될 수 있다.
도 43은 일 실시예에 따른 시력교정술 시각화 정보 제공 방법의 제3 실시예에 관한 도면이다.
도 43을 참고하면, 일 실시예에 따른 시력교정술 시각화 정보 제공 방법은 피검자의 시력교정술 후의 각막지형이미지를 예측하는 단계(S7400)를 더 포함할 수 있다.
피검자의 시력교정술 후의 각막지형이미지를 예측하는 단계(S7400)는 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 피검자의 시력교정술 후의 각막지형이미지를 예측하는 것을 포함할 수 있다.
상기 제2 예측 모델은 시력교정술을 받은 복수의 피시술자의 수술 전 각막지형이미지, 상기 복수의 피시술자에게 수행된 시력교정술 수술파라미터 및 상기 복수의 피시술자의 수술 후 각막지형이미지 중 적어도 하나에 기초하여 학습될 수 있다. 상기 제2 예측 모델은 각막지형이미지 예측 모델일 수 있다. 상기 제2 예측 모델은 상기 제2 그룹 데이터에 기초하여 피검자의 시력교정술 후의 각막지형이미지를 예측할 수 있다.
도 44는 일 실시예에 따른 시력교정술 시각화 정보 제공 방법의 제4 실시예에 관한 도면이다.
도 44를 참고하면, 일 실시예에 따른 시력교정술 시각화 정보 제공 방법은 안구특성데이터 예측값의 제1 그룹 데이터에 대한 의존성을 산출하는 단계(S7500)를 더 포함할 수 있다. 또한, 도시하지는 않았지만, 일 실시예에 따른 시력교정술 시각화 정보 제공 방법은 의존계수를 출력하는 단계를 더 포함할 수 있다.
의존계수를 출력하는 단계는 의존계수 중 미리 정해진 값보다 큰 의존계수를 출력하거나 미리 정해진 개수의 의존계수를 출력하는 것을 포함할 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.
전술한 바와 같이, 상기 발명의 실시를 위한 최선의 형태에서, 관련된 사항을 기술하였다.

Claims (16)

  1. 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서,
    피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계;
    상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계;
    상기 피검자에게 시력교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계;
    상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 커스텀 시력교정술이 필요한지 여부에 대한 판단에 이용되도록 상기 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값을 산출하는 단계; 및
    상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제4 그룹 데이터를 제4 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되,
    상기 제4 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된
    시력교정술 추천 방법.
  2. 제1 항에 있어서,
    상기 시력교정술을 제안하는 단계는, 상기 피검자의 시력교정술 후 시력 예측값에 기초하여 시력교정술을 제안하는
    시력교정술 추천 방법.
  3. 제2 항에 있어서,
    상기 시력교정술을 제안하는 단계는, 복수의 시력교정술 각각에 대응되는 상기 피검자의 시력교정술 후 시력 예측값을 산출하여 시력교정술을 제안하는
    시력교정술 추천 방법.
  4. 제2 항에 있어서,
    상기 시력교정술을 제안하는 단계는, 복수의 서로 다른 시각에 대응되는 복수의 시력 예측값을 산출하여 시력교정술을 제안하는
    시력교정술 추천 방법.
  5. 제1 항에 있어서,
    산출된 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 상기 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계;를 더 포함하는
    시력교정술 추천 방법.
  6. 제1 항에 있어서,
    상기 시력교정술을 제안하는 단계는, 산출된 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안하는
    시력교정술 추천 방법.
  7. 제1 항에 있어서,
    상기 제4 예측 모델이 상기 복수의 피시술자의 시력교정술 선호도를 고려하여 학습된 경우 상기 제4 그룹 데이터는 상기 피검자의 시력교정술 선호도를 포함하는
    시력교정술 추천 방법.
  8. 제1 항에 있어서,
    상기 제1 예측 모델, 상기 제2 예측 모델, 상기 제3 예측 모델 및 상기 제4 예측 모델 중 적어도 하나는, 복수의 서브모델을 포함하고 상기 복수의 서브모델의 결과에 기초하여 결과값을 산출하는
    시력교정술 추천 방법.
  9. 제1 항에 있어서,
    상기 제1 그룹 데이터, 상기 제2 그룹 데이터, 상기 제3 그룹 데이터 및 상기 제4 그룹 데이터 중 적어도 하나는, 상기 피검자의 검진데이터 중 적어도 일부를 그대로 포함하거나 상기 피검자의 검진데이터 중 적어도 일부로부터 산출된 새로운 종류의 데이터를 포함하는 것을 특징으로 하는
    시력교정술 추천 방법.
  10. 제1 항에 있어서,
    상기 각막형상인자 예측값은, index of height decentration (IHD) 예측값, index of surface variance (ISV) 예측값 및 index of vertical asymmetry (IVA) 예측값 중 적어도 하나를 포함하는
    시력교정술 추천 방법.
  11. 제1 항에 있어서,
    상기 검진데이터는, 유전자 정보를 더 포함하는
    시력교정술 추천 방법.
  12. 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서,
    피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계;
    상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계;
    상기 피검자에게 시력 교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계;
    상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 상기 피검자의 커스텀 시력교정술 필요성 여부를 예측하는 단계; 및
    상기 피검자에게 레이저를 이용한 시력 교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제4 그룹 데이터를 제4 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되,
    상기 커스텀 시력교정술 필요성 여부를 예측하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 커스텀 시력교정술 필요성 여부를 예측하고,
    상기 제4 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된
    시력교정술 추천 방법.
  13. 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서,
    피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계;
    상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계;
    상기 피검자에게 시력교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자의 레이저를 이용한 시력교정술 가능 여부를 예측하는 단계; 및
    상기 피검자에게 레이저를 이용한 시력교정술이 가능한 경우 상기 피검자의 검진데이터로부터 획득한 제3 그룹 데이터를 제3 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되,
    상기 시력교정술을 제안하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안하고,
    상기 제3 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된
    시력교정술 추천 방법.
  14. 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서,
    피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계;
    상기 피검자의 검진데이터로부터 획득한 제1 그룹 데이터를 제1 예측 모델에 입력하여 상기 피검자의 시력교정술 적합성 여부를 예측하는 단계; 및
    상기 피검자에게 시력교정술이 적합한 경우 상기 피검자의 검진데이터로부터 획득한 제2 그룹 데이터를 제2 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되,
    상기 시력교정술을 제안하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안하고,
    상기 제2 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된
    시력교정술 추천 방법.
  15. 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 시력교정술 추천 방법에 있어서,
    피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터측정값을 포함함 - 를 획득하는 단계; 및
    상기 피검자의 검진데이터로부터 획득한 그룹 데이터를 예측 모델에 입력하여 상기 피검자에게 대응되는 시력교정술을 제안하는 단계;를 포함하되,
    상기 시력교정술을 제안하는 단계는, 상기 피검자의 스탠다드 시력교정술 후의 각막형상인자 예측값 및 커스텀 시력교정술 후의 각막형상인자 예측값에 기초하여 시력교정술을 제안하고,
    상기 예측 모델은, 시력교정술을 받은 복수의 피시술자의 검진데이터, 상기 복수의 피시술자에 대응되는 시력교정술 및 상기 복수의 피시술자의 시력교정술 후 시력 중 적어도 하나에 기초하여 학습된
    시력교정술 추천 방법.
  16. 컴퓨팅 장치에 제1 항 내지 제15 항 중 어느 하나의 항에 따른 방법을 실행시키기 위한 프로그램을 기록한 컴퓨팅 장치로 읽을 수 있는 기록매체.
PCT/KR2019/010959 2019-08-27 2019-08-27 시력교정술 추천 방법 및 장치 WO2021040077A1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2021560903A JP2022546789A (ja) 2019-08-27 2019-08-27 視力矯正手術の推薦方法及び装置
EP19926732.9A EP4024401A4 (en) 2019-08-27 2019-08-27 METHOD AND APPARATUS FOR RECOMMENDING VISION CORRECTION SURGERY
PCT/KR2019/010959 WO2021040077A1 (ko) 2019-08-27 2019-08-27 시력교정술 추천 방법 및 장치
US17/084,510 US11213201B2 (en) 2019-08-27 2020-10-29 Vision correction surgery recommendation method and device
US17/558,212 US20220110519A1 (en) 2019-08-27 2021-12-21 Vision correction surgery recommendation method and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/010959 WO2021040077A1 (ko) 2019-08-27 2019-08-27 시력교정술 추천 방법 및 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/084,510 Continuation US11213201B2 (en) 2019-08-27 2020-10-29 Vision correction surgery recommendation method and device

Publications (1)

Publication Number Publication Date
WO2021040077A1 true WO2021040077A1 (ko) 2021-03-04

Family

ID=74679468

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/010959 WO2021040077A1 (ko) 2019-08-27 2019-08-27 시력교정술 추천 방법 및 장치

Country Status (4)

Country Link
US (2) US11213201B2 (ko)
EP (1) EP4024401A4 (ko)
JP (1) JP2022546789A (ko)
WO (1) WO2021040077A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022014246A1 (en) * 2020-07-14 2022-01-20 Sony Group Corporation Device, computer program and method for predicting post-surgical performance of a patient

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005521473A (ja) * 2002-03-28 2005-07-21 ボシュ・アンド・ロム・インコーポレイテッド 予測的な眼の矯正のためのシステムおよび方法
KR20120110176A (ko) * 2003-04-11 2012-10-09 테크노라스 게엠베하 옵탈몰로지쉐 시스템 시력 교정을 위한 치료 계획에 관한 방법, 시스템 및 알고리즘
US20140081395A1 (en) * 2010-11-30 2014-03-20 Amo Groningen B.V. Method for designing, evaluating and optimizing ophthalmic lenses and laser vision correction
KR20160030389A (ko) * 2016-03-02 2016-03-17 김성일 개인별 특성 기반의 각막 임플란트용 인덱스 제공시스템
US20180161098A1 (en) * 2016-12-09 2018-06-14 Microsoft Technology Licensing, Llc Personalized refractive surgery recommendations for eye patients

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9414908B2 (en) 2011-04-18 2016-08-16 Parrot Drones Liquid formulation for ophtalmic devices
US20180000342A1 (en) * 2016-06-30 2018-01-04 Oregon Health And Science University Diagnostic classification of corneal shape abnormalities

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005521473A (ja) * 2002-03-28 2005-07-21 ボシュ・アンド・ロム・インコーポレイテッド 予測的な眼の矯正のためのシステムおよび方法
KR20120110176A (ko) * 2003-04-11 2012-10-09 테크노라스 게엠베하 옵탈몰로지쉐 시스템 시력 교정을 위한 치료 계획에 관한 방법, 시스템 및 알고리즘
US20140081395A1 (en) * 2010-11-30 2014-03-20 Amo Groningen B.V. Method for designing, evaluating and optimizing ophthalmic lenses and laser vision correction
KR20160030389A (ko) * 2016-03-02 2016-03-17 김성일 개인별 특성 기반의 각막 임플란트용 인덱스 제공시스템
US20180161098A1 (en) * 2016-12-09 2018-06-14 Microsoft Technology Licensing, Llc Personalized refractive surgery recommendations for eye patients

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4024401A4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022014246A1 (en) * 2020-07-14 2022-01-20 Sony Group Corporation Device, computer program and method for predicting post-surgical performance of a patient

Also Published As

Publication number Publication date
EP4024401A1 (en) 2022-07-06
US11213201B2 (en) 2022-01-04
US20220110519A1 (en) 2022-04-14
EP4024401A4 (en) 2023-05-10
US20210059521A1 (en) 2021-03-04
JP2022546789A (ja) 2022-11-09

Similar Documents

Publication Publication Date Title
WO2019125026A1 (ko) 심혈관 질병 진단 보조 방법 및 장치
WO2019085495A1 (zh) 微表情识别方法、装置、系统及计算机可读存储介质
WO2015142071A1 (en) Wearable device and method of operating the same
WO2017146524A1 (en) Aparatus and method for assessing heart failure
WO2014208969A1 (en) Method and apparatus for providing information related to location of target object on medical apparatus
WO2021040077A1 (ko) 시력교정술 추천 방법 및 장치
WO2019051683A1 (zh) 补光拍照方法、移动终端及计算机可读存储介质
WO2017003226A1 (ko) 비이격귀걸이 유닛, 이를 구비한 안경테 및 이를 구비한 안경
WO2020230952A1 (ko) 통증 모니터링 장치 및 방법
WO2020050497A1 (ko) 가상현실 기반의 시야검사 방법 및 시스템
WO2019074339A1 (ko) 신호 변환 시스템 및 신호 변환 방법
WO2019240540A1 (ko) 정확도가 향상된 눈의 조절력 측정 및 훈련의 방법, 시스템 및 컴퓨터 프로그램
WO2021107310A1 (ko) 뇌파 분석 기반 환자진단 지원 시스템 및 방법
WO2021040078A1 (ko) 렌즈 결정 방법 및 이를 이용하는 장치
WO2016153133A1 (ko) 기계 판독가능 매체, 각막 절삭 시스템 및 각막 절삭 방법
WO2017181504A1 (zh) 智能调节字幕大小的方法及电视机
WO2020050496A1 (ko) 검안용 헤드 마운티드 디스플레이 장치 및 이를 이용한 안과검사방법
WO2022010070A1 (ko) 근안 디스플레이 장치
WO2021040156A1 (ko) 신체 측정 디바이스 및 그 제어 방법
WO2023277589A1 (ko) 활동성 갑상선 눈병증 진료를 위한 내원 안내 방법 및 이를 수행하는 시스템
WO2021187722A1 (ko) 맞춤형 화장품 제공 시스템
WO2023224383A1 (ko) 초점 조절 렌즈에 기초하여 시력을 교정하는 방법 및 장치
WO2021182869A1 (ko) 시지각 훈련 제공 장치 및 시지각 훈련 제공 방법
WO2022182067A1 (ko) 탈모 상태 정보 제공 방법 및 장치
WO2022075554A1 (ko) 가상현실 기반의 눈 건강 측정 장치, 방법 및 그 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19926732

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021560903

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019926732

Country of ref document: EP

Effective date: 20220328