[发明专利]基于机器学习的全飞秒术后视力预测方法、系统及介质

权利要求书

1.一种基于机器学习的全飞秒术后视力预测方法，其特征在于，包括以下步骤：

S1，获取全飞秒手术样本数据集；

S2，对于S1获得的全飞秒手术样本数据集进行有效变量筛选；

S3，对于S2获得的有效变量输入一AI算法进行模型训练；

S4，对于S3训练后的数学模型进行术后视力的预测；

S5，对于S4获得的预测结果进行误差调整；

S6，对于S5调整后的预测结果进行视力表达形式的转换。

2.根据权利要求1所述的基于机器学习的全飞秒术后视力预测方法，其特征在于，于S1中，所述的全飞秒手术样本数据集包括生物学信息、屈光手术术前检查参数组、手术参数组和术后所得参数组；所述屈光术前检查参数组包括最佳矫正视力值、近视球镜度数、散光柱镜度数、等效球镜度数、最薄点角膜厚度、平坦部角膜曲率、陡峭部角膜曲率、眼压值以及若干组内各参数对应的正常范围值；所述手术参数组包括附加球镜度数、角膜帽直径、角膜帽厚度、透镜光区直径、透镜厚度、剩余基质厚度以及若干组内各参数对应的正常范围值；所述术后所得参数组包括负压吸引时间、术后若干天的裸眼视力值、术后若干年的裸眼视力值以及若干组内各参数对应的正常范围值。

3.根据权利要求1所述的基于机器学习的全飞秒术后视力预测方法，其特征在于，S2包括以下步骤：

S21，对全飞秒手术样本数据集内的参数进行相关性分析以识别出一相关系数范围内的变量；

S22，对S21获得的变量通过Boruta算法进行重要程度的排序以区别出一重要分值范围内的变量，从而获得有效变量。

4.根据权利要求3所述的基于机器学习的全飞秒术后视力预测方法，其特征在于，S22包括以下步骤：

S221，根据变量的重要性判断特征变化后的平均减少精度，评价每个特征即变量的重要性以及迭代逐步删除非重要特征；

S223，获得接受或拒接特征变量的结果，以实现模型变量筛选。

5.根据权利要求1所述的基于机器学习的全飞秒术后视力预测方法，其特征在于，所述AI算法为极度随机树算法。

6.根据权利要求1所述的基于机器学习的全飞秒术后视力预测方法，其特征在于，于S4中，对训练后的数学模型进行手术若干天后以及手术若干年后的视力预测。

7.根据权利要求1所述的基于机器学习的全飞秒术后视力预测方法，其特征在于，于S6中，对所述的预测结果进行视力表达形式的转换，转换后得到logMAR表达形式或Decimal表达形式或Line表达形式。

8.一种基于机器学习的全飞秒术后视力预测系统，其特征在于，该系统包括全飞秒手术样本数据集获取模块、有效变量筛选模块、AI算法模型训练模块、术后视力预测模块、预测结果误差调整模块和视力表达形式转换模块；

所述全飞秒手术样本数据集获取模块用于获取全飞秒手术样本数据集；

所述有效变量筛选模块用于对从所述全飞秒手术样本数据集获取模块得到的全飞秒手术样本数据集进行有效变量筛选；

所述AI算法模型训练模块用于对从所述有效变量筛选模块得到的有效变量输入一AI算法进行模型训练；

所述术后视力预测模块用于对从所述AI算法模型训练模块得到的训练后的数学模型进行术后视力的预测；

所述预测结果误差调整模块用于对从所述术后视力预测模块得到的预测结果进行误差调整；

所述视力表达形式转换模块用于对从所述预测结果误差调整模块得到的误差调整后的预测结果进行视力表达形式的转换。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于机器学习的全飞秒术后视力预测方法。