[发明专利]一种基于机器学习的人工晶状体屈光度数计算系统

说明书

本发明涉及一种基于机器学习的人工晶状体屈光度数计算系统，其包括：预测模型，输入模块，计算模块，附加模块，输出模块。其中所述计算模块指，基于预测模型，以目标等效球镜度为理想值，以白内障患者术前信息为输入，获取拟植入人工晶状体（Intraocular Lens，IOL）的屈光度数；所述附加模块，用于提供若干不同的模拟人工晶状体屈光度数至所述计算模块，并由计算模块生成不同模拟人工晶状体屈光度数对应的术后验光等效球镜度。充分利用人工智能主动学习数据特征，自主优化计算误差的能力，精准计算白内障术中所需植入人工晶状体屈光度数，匹配各维度眼球生物参数，对极值眼球生物参数的眼球预测准确性更高。

技术领域

本发明涉及人工智能医疗数据分析领域，具体涉及一种基于机器学习的人工晶状体屈光度数计算系统，可以实现通过输入的白内障患者术前信息及拟植入人工晶状体信息计算患者所需植入人工晶状体屈光度数及术后等效球镜度。

背景技术

白内障手术已由复明手术转为屈光手术，准确计算白内障患者适用人工晶状体屈光度数，精准预测术后屈光状态是极为重要的一步。2019年，一项多中心大样本研究显示，存在17.9%的患者预测误差超过0.5D。影响人工晶状体屈光度数主要来源于两个方面: 人工晶状体计算公式和眼球的生物学测量。目前本领域机构和人员可以通过各种精确的测量手段来准确地检测眼球参数，人工晶状体计算公式仍是预测误差的主要来源。

Hagis、SRK/T、Hoffer Q和Barrett Universal Ⅱ等是目前使用广泛的人工晶状体计算公式，是在人眼几何光学模型推导的理论公式基础上结合临床资料回归得出。所适用的眼部参数值的范围相对固定，对于不同生物学参数值的眼球的人工晶状体度数测算，尤其对于极值的生物学参数，如超长/短眼轴、陡峭角膜曲率、深/浅前房等，其计算的准确性下降。从使用人群上讲，国人眼球角膜直径相对较小，中央角膜厚度较薄，如果能建立使用国人眼部数据建立的人工晶状体公式将有助于优化计算结果，进一步提高准确性。

近来年，人工智能的发展与兴起为解决上述问题提供了潜在的解决方案。机器学习作为人工智能的一大领域，广泛应用于辅助疾病诊断和决策的研究中。刘奕志教授团队研发的CC-cruiser筛查先天性白内障患者的准确率与资深眼科医生相当。在白内障领域中，机器学习主要集中在基于图像识别的白内障诊断与分级，后发性白内障的预测。然而，与蓬勃发展的图像诊断与分级技术相反的是，人工智能在白内障数据挖掘的应用上屈指可数。人工智能具有将原始数据非线性映射到高维特征空间的能力，可以发掘数据间更深层复杂的规律，因此在人工晶状体屈光度数计算上应用前景广阔。

目前仅有两类使用人工智能的人工晶状体公式供临床使用。Hill-RBF是一个人工智能回归公式，要求使用特定检查仪器和人工晶状体，并且仅可以应用于指定范围内眼部参数值，超出上述范围时计算准确性下降。Kane公式基于理论光学和临床数据回归构建，联合人工智能进一步优化计算准确性。该公式同样对检查仪器要求较为严苛，且未对所使用人工智能技术做进一步说明。人工智能人工晶状体公式虽然能通过数据学习自主优化不同生物参数计算结果，但受限于国内医疗条件，目前国内主流眼部生物学参数检查仪器如A超、IOLMaster不能满足上述公式的最优要求。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于机器学习的人工晶状体屈光度数计算系统。

为实现上述目的，本发明提供了如下技术方案：

一种基于机器学习的人工晶状体屈光度数计算系统，其包括：

预测模型，以白内障患者数据库为训练样本，以训练样本的术前信息及术后医学验光的等效球镜度为训练属性，应用机器学习算法训练生成；

输入模块，用于输入白内障患者术前信息以及目标等效球镜度；

计算模块，基于所述预测模型，以目标等效球镜度为理想值，以白内障患者术前信息为输入数据，获取拟植入人工晶状体的屈光度数；