用于眼内透镜选择的系统和方法与流程

相关申请的交叉引用

本申请要求2018年1月5日提交的并且标题为“用于iol向量焦度计算的系统和方法[systemsandmethodsforvectoriolpowercalculation]”的美国临时专利申请号62/613,927的优先权和权益，其全部内容通过援引并入本文。

背景

本披露涉及辅助选择待植入的眼内透镜的系统和方法。

相关技术说明

白内障手术涉及移除眼睛的天然晶状体并且在大多数情况下用人工眼内透镜(iol)来替换天然晶状体。为了实现最佳的术后视觉结果，好的术前手术计划至关重要。一些重要的术前规划决策是，选择适当的iol类型和焦度以在iol植入后实现期望的显性等效球镜屈光力(mrse)。

典型地，可以基于例如患者的眼睛术前测量值，使用一个或多个预测模型来确定对患者而言适当的iol类型和焦度，以实现期望的mrse。然而，没有一种预测模型可以在所有情形下都产生准确的结果。例如，在一组情形下，第一预测模型可以比第二预测模型产生更准确的结果，而在不同的一组情形下，第二预测模型可以比第一预测模型产生更准确的结果。因此，通过在所有情形下使用固定的预测模型来确定适当的iol和焦度，至少一些患者的视觉结果可能不理想。

因此，本领域中需要用于更好地选择对患者产生最佳视觉结果的用于植入的眼内透镜的技术。

技术实现要素：

根据一些实施例，一种方法包括：通过一个或多个计算装置实施预测引擎来获得眼睛的一个或多个术前测量值，以将人工晶状体(iol)植入所述眼睛中；通过所述预测引擎、至少基于所述眼睛的所述一个或多个术前测量值来从多个历史iol植入记录中选择历史iol植入记录子集，以评估多个第一预测模型候选项，其中，所述多个第一预测模型候选项中的每一个基于一组眼睛术前测量值和iol焦度来估计术后显性等效球镜屈光力(mrse)；通过所述预测引擎、基于由所述多个第一预测模型候选项中的每一个通过使用所选择的历史iol植入记录子集中的眼睛测量数据产生的估计术后mrse与在所选择的历史iol植入记录子集中指示的实际术后mrse之间的偏差，来评估所述多个第一预测模型候选项；通过所述预测引擎、基于所述评估来从所述多个第一预测模型候选项中选择第一预测模型；通过所述预测引擎、使用所选择的第一预测模型、基于可用iol焦度集和所述眼睛的所述一个或多个术前测量值来计算多个术后mrse估计值；通过所述预测引擎、根据所述可用iol焦度集来确定与所述多个术后mrse估计值中的与术后mrse预定值匹配的第一术后mrse估计值相对应的第一iol焦度；以及，通过所述预测引擎来向使用者提供所确定的第一iol焦度，以辅助选择用于植入所述眼睛中的iol。

根据一些实施例，预测引擎包括一个或多个处理器。该预测引擎被配置用于：获得眼睛的一个或多个术前测量值，以将人工晶状体(iol)植入所述眼睛中；至少基于所述眼睛的所述一个或多个术前测量值来从多个历史iol植入记录中选择历史iol植入记录子集，以评估多个第一预测模型候选项，其中，所述多个第一预测模型候选项中的每一个基于一组眼睛术前测量值和iol焦度来估计术后显性等效球镜屈光力(mrse)；基于由所述多个第一预测模型候选项中的每一个通过使用所选择的历史iol植入记录子集中的眼睛测量数据产生的估计术后mrse与在所选择的历史iol植入记录子集中指示的实际术后mrse之间的偏差，来评估所述多个第一预测模型候选项；基于所述评估来从所述多个第一预测模型候选项中选择第一预测模型；使用所选择的第一预测模型、基于可用iol焦度集和所述眼睛的所述一个或多个术前测量值来计算多个术后mrse估计值；根据所述可用iol焦度集来确定与所述多个术后mrse估计值中的与术后mrse预定值匹配的第一术后mrse估计值相对应的第一iol焦度；以及，通过所述预测引擎来向使用者提供所确定的第一iol焦度，以辅助选择用于植入所述眼睛中的iol。

根据一些实施例，一种非暂态机器可读介质包括多个机器可读指令，所述指令在被一个或多个处理器执行时被适配成致使所述一个或多个处理器执行一种方法。所述方法包括：获得眼睛的一个或多个术前测量值，以将人工晶状体(iol)植入所述眼睛中；至少基于所述眼睛的所述一个或多个术前测量值来从多个历史iol植入记录中选择历史iol植入记录子集，以评估多个第一预测模型候选项，其中，所述多个第一预测模型候选项中的每一个基于一组眼睛术前测量值和iol焦度来估计术后显性等效球镜屈光力(mrse)；基于由所述多个第一预测模型候选项中的每一个通过使用所选择的历史iol植入记录子集中的眼睛测量数据产生的估计术后mrse与在所选择的历史iol植入记录子集中指示的实际术后mrse之间的偏差，来评估所述多个第一预测模型候选项；基于所述评估来从所述多个第一预测模型候选项中选择第一预测模型；使用所选择的第一预测模型、基于可用iol焦度集和所述眼睛的所述一个或多个术前测量值来计算多个术后mrse估计值；根据所述可用iol焦度集来确定与所述多个术后mrse估计值中的与术后mrse预定值匹配的第一术后mrse估计值相对应的第一iol焦度；并且向使用者提供所确定的第一iol焦度，以辅助选择用于植入所述眼睛中的iol。

附图说明

为了更加全面地理解本技术、其特征及其优点，参考结合附图给出的以下说明。

图1是根据一些实施例的用于iol选择的系统的图。

图2a是根据一些实施例的用于形成在植入iol时使用的数据库的方法的图。

图2b是根据一些实施例的用于执行植入iol的两阶段过程的方法的图。

图3是根据一些实施例的眼睛和眼睛特征的图。

图5a和图5b是根据一些实施例的处理系统的图。

图6是根据一些实施例的多层神经网络的图。

在附图中，具有相同标号的要素具有相同或相似的功能。

具体实施方式

展示本发明的方面、实施例、实施方式或模块的描述和附图不应被视为限制，而是权利要求定义了受保护的发明。在不脱离本说明书和权利要求的精神和范围的情况下，可以进行各种机械的、组成的、结构的、电气的和操作上的改变。在某些情况下，未详细示出或描述公知的电路、结构或技术，以免模糊本发明。在两个或更多个图中的相似的数字表示相同或相似的要素。

在本描述中，阐述了描述与披露一致的一些实施例的具体细节。为了提供对实施例的透彻理解，阐述了许多具体细节。然而，对于本领域技术人员将清楚的是，一些实施例可以在没有一些或所有这些具体细节的情况下实践。本文披露的具体实施例意在说明而非限制。本领域技术人员可以实现尽管在这里没有具体描述但是在本披露的范围和精神内的其他要素。另外，为了避免不必要的重复，与一个实施例相关联示出和描述的一个或多个特征可以结合到其他实施例中，除非另外特别说明或者如果该一个或多个特征会使实施例不起作用。

下文描述的技术涉及用于通过基于目标(例如，期望的)术后显性等效球镜屈光力(mrse)来确定用于植入患者眼睛中的眼内透镜(iol)的适当的眼内透镜焦度以改善患者的植入后视觉的系统和方法。所述系统和方法使用两阶段过程来确定对患者而言适当的iol焦度。在第一阶段期间，可以获得与当前iol植入相关联的数据，比如患者眼睛的一个或多个术前测量值。从存储有与之前进行的iol植入(也称为历史iol植入)相关联的历史iol植入记录的数据库中，可以选择与当前iol植入最相似的历史iol植入记录子集。在第二阶段期间，可以基于所选择的历史iol植入记录子集来对估计术后mrse的预测模型进行评估，以识别具有最小偏差的预测模型。所识别的预测模型可以用于基于可用iol焦度集来产生术后mrse估计值。可以选择与目标术后mrse匹配的术后mrse估计值相对应的可用iol焦度。接着可以使用对应于所选择的iol焦度的眼内透镜来植入患者眼睛中。

图1展示了根据一些实施例的用于iol选择的系统100。系统100包括经由网络115与一个或多个诊断训练数据源110联接的iol选择平台105。在一些示例中，网络115可以包括一个或多个切换装置、路由器、局域网(例如，以太网)、广域网(例如，因特网)和/或类似物。每个诊断训练数据源110可以是可通过眼科手术实践、眼科诊所、医科大学、电子病历(emr)存储库和/或类似物获得的数据库、数据储存库、和/或类似物。每个诊断训练数据源110可以对iol选择平台105提供呈以下中的一种或多种的形式的训练数据：患者术前和术后眼睛的多维图像和/或测量值、手术规划数据、手术控制台参数日志、外科医生识别数据、诊断装置数据、患者人口统计学数据、手术并发症日志、患者病史、患者人口统计数据、关于所植入的iol的信息、和/或类似物。iol选择平台105可以将训练数据存储在一个或多个数据库155中，所述数据库可以被配置用于对训练数据进行匿名化、加密和/或以其他方式进行安全保护。

iol选择平台105包括预测引擎120，所述预测引擎可以(如下文更详细解释的)处理所接收的训练数据、提取眼睛的测量值、对训练数据进行原始数据分析、训练机器学习算法和/或模型以基于术前测量值来估计术后mrse、并且迭代地完善机器学习以优化用于预测术后mrse的各种模型，从而改善其针对未来患者的使用以改善其术后视觉结果(例如，具有植入的iol的眼睛具有更好的光学特性)。在一些示例中，预测引擎120可以评估多种模型(例如，一个或多个神经网络)，所述模型被训练以选择用于确定对患者而言适当的iol焦度的一种模型。

iol选择平台105进一步经由网络115联接至眼科实践场125的一个或多个装置。该一个或多个装置包括诊断装置130。诊断装置130用于获得患者135的眼睛的一个或多个多维图像和/或其他测量值。诊断装置130可以是用于获得眼科解剖学结构的多维图像和/或测量值的多个装置中的任何装置，比如光学相干断层扫描(oct)装置、旋转照相机(例如，scheimpflug照相机)、磁共振成像(mri)装置、角膜曲率计、检眼计、光学生物计和/或类似物。

眼科实践场125还可以包括一个或多个用于获得与当前iol植入相关联的数据的计算装置140。例如，该一个或多个计算装置140可以从诊断装置130获得患者135的多维图像和/或测量值。在一些实施例中，该一个或多个计算装置140还可以获得与诊断装置130相关联的装置配置数据。例如，该一个或多个计算装置140可以获得诊断装置130的型号以及安装在诊断装置130中的软件的软件版本号。在一些实施例中，该一个或多个计算装置140还可以例如通过该一个或多个计算装置140的用户接口来获得其他信息，比如被指配来对患者135执行iol植入的外科医生的身份、患者135的种族、患者135的性别、患者135的身高、和患者135的年龄。该一个或多个计算装置140可以将所获得的患者135的一个或多个多维图像和/或测量值、与诊断装置130相关联的装置配置数据、外科医生身份数据、以及患者135的人口统计学数据发送至iol选择平台105。该一个或多个计算装置140可以是以下中的一项或多项：独立式计算机、平板电脑和/或其他智能装置、手术控制台、集成到诊断装置130中的计算装置、和/或类似物。

iol选择平台105可以接收患者135的生物统计学数据(例如，患者135的测量值，和/或根据测量值来计算出值)，并且使用预测引擎120针对各种iol类型和iol焦度来估计术后mrse。接着，预测引擎可以用于通过向眼科实践场125和/或外科医生或其他使用者提供针对各种iol类型和iol焦度所估计的术后mrse来帮助选择用于患者135的iol类型和iol焦度。

诊断装置130可以进一步用于在患者135进行白内障移除并且使用所选择的iol进行iol植入之后获得患者135的术后测量值。接着，该一个或多个计算装置140可以将患者135的术后多维图像和/或测量值和所选择的iol发送至iol选择平台105，以用于迭代地训练和/或更新预测引擎120所使用的模型，以纳入患者135的信息来供未来患者使用。

估计的术后mrse、所选择的iol、和/或所选择的iol焦度可以显示在计算装置140和/或另一计算装置、显示器、手术控制台、和/或类似物上。此外，iol选择平台105和/或该一个或多个计算装置140可以在测量值中识别患者135的解剖学结构的各种特征，如下文更详细解释的。另外，iol选择平台105和/或该一个或多个计算装置140可以创建用于标识、突显、和/或以其他方式描绘患者解剖学结构和/或测得特征的图形元素。iol选择平台105和/或该一个或多个计算装置140可以对测量值补充图形元素。

在一些实施例中，iol选择平台105可以进一步包括手术规划器150，所述手术规划器可以用于向眼科实践场125提供使用所估计的术后mrse、所选择的iol、和/或所选择的iol焦度的一个或多个手术计划。

在一些实施例中，系统100可以进一步包括独立式手术规划器160，和/或眼科实践场125可以进一步包括在该一个或多个计算装置140上的手术规划器模块170。

如下文讨论的以及在此进一步强调的，图1仅是示例，而不应不当地限制权利要求的范围。本领域普通技术人员应认识到许多变化、替代方案和修改。根据一些实施例，iol选择平台150的iol选择平台105和/或一个或多个部件(比如数据库155、预测引擎120、和/或手术规划器150)可以集成到眼科实践场125的该一个或多个装置中。在一些示例中，计算装置140可以管控iol选择平台105、数据库155、预测引擎120、和/或手术规划器150。在一些示例中，手术规划器150可以与手术规划器170组合。

图2a是根据一些实施例的用于开发在选择iol焦度和植入iol时使用的数据库的方法200的图。方法200的过程202-208中的一个或多个过程可以至少部分地以存储在非暂态有形机器可读介质上的可执行代码的形式来实施，所述可执行代码在被一个或多个处理器(例如，预测引擎120、iol预测平台、诊断装置130、该一个或多个计算装置140、和/或手术规划器150、160和/或170中的一个或多个手术规划器的处理器)运行时可以致使该一个或多个处理器执行过程202-208中的一个或多个过程。根据一些实施例，过程208是可选的并且可以被省略。

在过程202中，构建历史iol植入记录的数据库。例如，预测引擎120可以从(多个)诊断训练数据源110获得训练数据并且将训练数据存储在数据库155中。训练数据可以对应于之前进行的iol植入案例(也称为“历史iol植入”)。在一些实施例中，预测引擎120可以基于历史iol植入案例来组织数据库155，使得数据库155中的每个记录包含与特定历史iol植入相关联的训练数据。每个记录中的训练数据可以包括类别数据和数值数据两者。每个记录中的类别数据可以包括以下信息：比如iol型号、进行iol植入的外科医生的身份、患者的性别、患者的种族、与用于获得患者的眼睛测量数据的生物测量仪器相关联的装置配置数据(例如，型号和软件版本号等)。每个记录中的数值数据可以包括眼睛术前测量值(例如，角膜焦度、眼轴长度、角膜厚度、前房深度、角膜水平直径(white-to-whitedistance)、术前mrse等)、患者的年龄、以及患者的身高。此外，每个历史iol植入记录可以包括针对案例选择的实际iol焦度、和所得实际术后mrse。iol焦度和术后mrse两者可以包括量化的数值数据、并且可以被预测引擎120当作数值数据或类别数据。在一些示例中，iol焦度典型地已知为最接近0.25或0.5屈光度(d)，并且术后mrse通常已知为最接近0.125d。

在过程204中，计算并存储主成分分析(pca)矩阵和平均向量以进行数值特征向量归一化。例如，预测引擎120可以将历史iol植入记录中的数值数据归一化，使得当将历史iol植入记录与彼此比较或与当前iol植入比较时，不同的数值特征可以携带比例权重(例如，彼此相同的权重)。不同的实施例使用不同的技术来将数值数据归一化。在一些实施例中，预测引擎120针对每个记录生成数值特征向量、并且使用pca来计算线性变换以将数值特征向量解除关联和归一化。历史iol植入记录的数值特征向量可以包括包含在该记录中的一些或全部数值。某个记录的示例性数值特征向量可以使用等式1表示。

其中xn表示数据库中的第n个记录的数值特征向量(也称为“输入特征向量”)。

虽然上文展示的表达式仅包括三个数值特征，但是在一些实施例中，数值特征向量中可以包括更多特征或其他特征组合。

为了执行pca，可以使用等式2来计算数值特征向量分量的均值。

其中i是历史iol植入记录指数，j是数值特征指数，mj是来自数值特征向量的元素j的均值，m是数据库155中的历史iol植入记录的数量，n是数值特征向量中的维数(例如，每个向量中的数值特征的数量，在等式1的情况下为3)，并且xi,j是针对记录指数i所指示的历史iol植入记录，数值特征指数j所指示的数值特征的特征值。

接着，可以通过预测引擎120使用等式3针对数值特征向量的每个均值来计算具有元素cj,k的协方差矩阵c。

其中i是数据库155中的历史iol植入记录指数，j、k是协方差矩阵元素指数、均在0、1、...、n-1的范围内，mj是来自数值特征向量的元素j的均值，m是数据库155中的历史iol植入记录的数量，n是数值特征向量中的维数(例如，每个向量中的数值特征的数量)，并且xi,j是针对记录指数i所指示的历史iol植入记录，数值特征指数j所指示的数值特征的特征值。

接下来，可以通过预测引擎120来计算下三角矩阵l，使得ll^t＝c。可以例如使用柯列斯基(cholesky)分解来计算矩阵平方根。最后，可以通过预测引擎120使用数值线性代数技术来计算协方差平方根矩阵的下三角逆m＝l^-1。为了将pca变化应用于数值特征向量，一些实施例的预测引擎120可以从输入数值特征向量中减去计算出的平均向量(例如，m)、并且将结果乘以m，如图4所示。

y＝m(x-m).......................................................(4)

其中y是输出的归一化特征向量，m是协方差平方根矩阵的下三角逆，x是输入的非归一化特征向量，并且m是平均向量。

在过程206中，可以确定两阶段过程的一个或多个超参数，以确定对患者而言适当的iol焦度。如上文所讨论的，在两阶段过程的第一阶段期间，从数据库中选择最接近当前iol植入的历史iol植入记录子集。因此，预测引擎120可以确定要选择的多个记录(例如，70、100、400等)(也称为“超参数k”)，使得历史iol植入记录子集限于所确定的数k。此外，对于使用深度神经网络实施的预测模型，预测引擎120还可以确定那些预测模型的多个隐藏层。这些超参数可以离线地并且在预测模型的训练(例如，学习)之前确定。在一些实施例中，预测引擎120可以使用蛮力计算法来确定(例如，优化)超参数，以在预定范围的超参数上进行测试。例如，为了在两阶段过程的第一阶段期间确定要选择的记录数量(超参数k)，预测引擎120可以测试某个范围(例如，50-100、20-200等)内的每个数。为了确定在神经网络中的隐藏层的数量，预测引擎120可以测试在某个范围(例如，1-5、2-10等)内的每个隐藏层数量。

在一些实施例中，预测引擎120可以采用三个数据集来执行这样的优化。例如，数据库155中的历史iol植入记录可以通过预测引擎120被拆分为三个集，即，训练集、验证集、以及测试集。这三个集的分布可以变化，但是训练集可以包括比验证集和测试集更大的百分比。示例性分布可以包括60％的历史iol植入记录作为训练集、20％的其余历史iol植入记录作为验证集、并且其余20％的历史iol植入记录作为测试集。作为示例，预测引擎120可以将具有20,000个记录的历史iol植入数据库拆分为12,000个训练案例、4,000个验证案例、以及4,000个测试案例。对于这20,000个记录的集合，预测引擎120可以使用上文披露的技术来在两阶段过程的第一阶段期间确定要选择的最佳记录数量(超参数k)为约100。然而，对于包含不同的历史iol植入记录和/或不同数量的历史iol植入记录的另一数据库，预测引擎120可以确定要选择的另一最佳记录数量(另一超参数k)。

在一些实施例中，预测引擎120可以在所确定范围内的超参数上执行穷举搜索。例如，对于每个超参数值(例如，对于范围内的要选择的每个记录数量，对于范围内的每个隐藏层数量等)，预测引擎120可以使用该超参数值通过使用训练集来训练预测模型。接着，通过预测引擎120使用验证集来评估经训练的预测模型，同时记录超参数值的验证结果。在评估(多个)范围内的所有超参数值之后，预测引擎120的实施例可以使用测试集来执行对泛化性能的最终估计。在这种蛮力计算法下，超参数的优化可能花费很长时间，尤其是当要搜索的超参数值的数量大时。因此，预测引擎120可以在执行两阶段过程之前离线执行超参数优化。

在过程208中，可以可选地基于数据库中的记录来训练预测模型。在一些实施例中，多个预测模型可以供预测引擎120在两阶段过程的第二阶段期间使用。这些不同的预测模型可以使用不同的预测技术(例如，回归技术)。例如，可供预测引擎120使用的预测模型可以包括使用了以下回归技术中的至少一种的模型：多元线性回归、多元多项式回归、具有径向基函数的k最近邻、神经网络、以及其他适合的回归技术。

在一些实施例中，预测引擎120可用的预测模型包括两种类型的预测模型。第一类型的预测模型(也称为f(.)模型)基于数值特征数据(例如，数值特征向量)集和目标术后mrse来生成理论iol焦度值。f(.)模型可以根据等式5来表示。

iol＝f(x，t)....................................................(5)

其中x是数值特征的输入向量，t是目标术后mrse，并且iol是将基于输入向量x中包含的患者生物统计学数据得出目标术后目标屈光力t的理论iol焦度值。

第二类型的模型(也称为g(.)模型)基于与患者相关联的数值特征集(例如，数值特征向量)和所选择的iol焦度来估计(例如，预测)患者的术后mrse。g(.)模型可以根据等式6来表示。

rx＝g(x，siol)....................................................(6)

其中x是数值特征的输入向量，siol是所选择的iol焦度，并且rx是估计的术后mrse。

在一些实施例中，预测引擎120可以在执行两阶段过程之前离线使用存储在数据库155中的历史iol植入记录，来训练可在两阶段过程的第二阶段期间使用的预测模型。例如，预测引擎120可以使用存储在数据库155中的历史iol植入记录，来训练这两种类型的预测模型(f(.)模型和g(.)模型)。

图2b是根据一些实施例的用于执行对患者植入iol的两阶段过程的方法210的图。方法210的过程212-230中的一个或多个过程可以至少部分地以存储在非暂态有形机器可读介质上的可执行代码的形式来实施，所述可执行代码在被一个或多个处理器(例如，预测引擎120、iol预测平台、诊断装置130、该一个或多个计算装置140、和/或手术规划器150、160和/或170中的一个或多个手术规划器的处理器)运行时可以致使该一个或多个处理器执行过程212-230中的一个或多个过程。根据一些实施例，过程228和/或230是可选的并且可以被省略。

在过程212中，可以接收与当前iol植入案例相关联的数据。例如，预测引擎120可以从诊断装置130获得患者眼睛的一个或多个术前测量值。在一些实施例中，所述眼睛术前测量值中的一个或多个可以从使用诊断装置(比如诊断装置130)、oct装置、旋转(例如，scheimpflug)照相机、mri装置、和/或类似物获得的患者135的眼睛的一个或多个术前图像中提取。在一些示例中，所述术前测量值中的一个或多个可以使用一个或多个测量装置(比如诊断装置130、角膜曲率计、检眼计、光学生物计和/或类似物)来确定。在图3的背景中描述了过程210，该图是根据一些实施例的眼睛300和眼睛特征的图。如图3所示，眼睛300包括角膜310、前房320、和晶状体330。

在一些实施例中，眼睛300的一个感兴趣测量值是角膜310的白到白直径。在一些示例中，可以使用光学生物计来测量角膜310的白到白直径。在一些示例中，可以通过分析眼睛300的一个或多个图像、例如通过测量眼睛的巩膜之间的距离，来确定角膜310的白到白直径。

在一些实施例中，眼睛300的一个感兴趣测量值是角膜310的前表面的平均角膜曲率或圆度。在一些示例中，可以使用眼睛300的该一个或多个图像、角膜曲率计、和/或类似物来测量角膜310的平均角膜曲率。在一些示例中，角膜310的平均角膜曲率可以是基于角膜310的陡峭角膜曲率测量值和平缓角膜曲率测量值的平均值。在一些示例中，可以将角膜310的平均角膜曲率表示为角膜310的曲率半径(rc)，为337.5除以角平均角膜曲率。

在一些实施例中，眼睛300的一个感兴趣测量值是眼睛300的眼轴长度370，如从角膜310的前表面沿着眼睛300的中心轴线380到视网膜测得的。在一些示例中，可以使用眼睛300的该一个或多个图像、眼睛的生物测量值、和/或类似物来确定眼轴长度370。

在一些实施例中，眼睛300的一个感兴趣测量值是眼睛的术前前房深度(acd)390，其对应于角膜310的后表面与术前晶状体330的前表面之间的距离。在一些示例中，可以使用眼睛300的该一个或多个图像、眼睛的生物测量值、和/或类似物来确定眼轴长度370。

在一些实施例中，眼睛300的一个感兴趣测量值是眼睛300的角膜厚度315，如从角膜310的后表面沿着眼睛300的中心轴线380到角膜310的前表面测得的。在一些示例中，可以使用眼睛300的该一个或多个图像、眼睛的生物测量值、和/或类似物来确定角膜厚度315。

在一些实施例中，除了获得患者135的眼睛测量值之外，还可以获得与当前iol植入相关联的其他情形数据。例如，该一个或多个计算装置140可以从诊断装置130获得与提供患者135的眼睛测量值的诊断装置130相关联的装置配置数据。装置配置数据可以包括诊断装置130的型号以及安装在诊断装置130中的软件的软件版本号。在一些示例中，该一个或多个计算装置140可以通过使用诊断装置130的应用程序编程接口(api)与诊断装置130通信来获得配置数据。此外，该一个或多个计算装置140还可以获得与患者135的当前iol植入有关的其他信息，比如被指配来对患者135执行iol植入的外科医生的身份、患者135的种族、患者的性别、患者135的身高、和患者135的年龄。在一些实施例中，该一个或多个计算装置140可以提供用户接口，使得使用者能够提供外科医生身份和患者人口统计学数据。接着，该一个或多个计算装置140可以将生物统计学数据和环境数据发送至iol选择平台105。

返回参见图2，在过程214中，可以基于所获得的数据来选择历史iol植入记录子集(例如，k最近记录)。如上文所讨论的，iol选择平台105的数据库155可以存储从(多个)诊断训练数据源110获得的训练数据。训练数据可以包括与之前针对其他患者进行的iol植入(例如，历史iol植入)有关的数据。具体地，数据库155中的每个记录可以包括与特定的历史iol植入有关的数值数据和类别数据。每个记录中的数值数据可以包括眼睛术前测量值(比如，角膜焦度、眼轴长度、角膜厚度、前房深度、角膜水平直径、术前mrse等)、患者的年龄、患者的身高、和/或类似物。在一些实施例中，存储在每个记录中的数值数据可以使用上文关于过程204讨论的技术来归一化、并且可以被存储为数值特征向量y。每个记录中的类别数据可以包括以下信息：比如iol型号、进行iol植入的外科医生的身份、患者的性别、患者的种族、与用于获得患者的眼睛测量数据的生物测量仪器相关联的装置配置数据(例如，型号和软件版本号等)、和/或类似物。此外，每个历史iol植入记录可以包括针对案例选择的实际iol焦度、和所得实际术后mrse。

在一些实施例中，预测引擎120可以基于所获得的生物统计学数据和/或环境数据，来从数据库155中选择与患者135的当前iol植入最相似的历史iol植入记录子集。所选择的历史iol植入记录子集可以包括(并且可以限于)对应于预定超参数k(例如，在过程206中确定)的多个记录。在一些实施例中，预测引擎120可以使用k最近邻(knn)算法、使用预定超参数k作为该knn算法的k参数来从数据库155中选择最接近当前iol植入的记录子集。例如，预测引擎120可以首先基于一些或全部数值数据(例如，患者135的眼睛术前测量值、患者135的年龄、患者135的身高等)来生成针对当前iol植入的数值特征向量。针对当前iol植入生成的数值特征向量中包含的数值特征可以对应于与存储在数据库155中的历史iol植入记录相关联的预生成数值特征向量中包含的特征。在一些示例中，数值特征向量可以包括患者135眼睛的术前角膜焦度、患者135眼睛的眼轴长度、和患者135眼睛的角膜厚度，如等式1所示。预测引擎120接着可以使用上文讨论的技术、例如使用等式4来将针对当前iol植入生成的数值特征向量中的分量进行归一化。

可以使用经归一化的向量来计算当前iol植入与数据库155中的每个历史iol植入记录之间的欧几里得距离。可以通过预测引擎120使用等式7来计算分别具有元素ai和bi的向量a和b之间的欧几里得距离。

接着，基于计算出的欧几里得距离，预测引擎120可以选择具有最小距离值以在两阶段过程的第二阶段中使用的预定数量的历史iol植入记录(例如，数量k个记录)。

在选择历史iol植入记录子集之后，在过程216中，可以基于所选择的历史iol植入记录子集来评估多个预测模型候选项。如上文讨论的，多个预测模型(包括f(.)模型和g(.)模型)可以供预测引擎120在两阶段过程的第二阶段期间使用。预测引擎120可以使用这些预测模型作为模型候选项，以基于其性能选择一个或多个模型来在两阶段过程的第二阶段期间使用。如果没有离线训练这些预测模型(例如，过程208未执行)，则预测引擎120此时可以使用数据库155中的历史iol植入记录来训练可用预测模型。在一些实施例中，预测引擎120可以仅使用所选择的历史iol植入记录子集来训练预测模型。

在一些实施例中，预测引擎120可以通过基于与所选择的历史iol植入记录子集相关联的数值特征数据(例如，数值特征向量)、使用每个f(.)模型来生成理论iol焦度，而评估f(.)模型。接着，预测引擎120可以基于通过f(.)模型所生成的理论iol焦度与历史iol植入记录子集中指示的所使用的实际iol焦度之间的偏差，针对每个f(.)模型来生成性能分数。例如，每个f(.)模型的性能分数可以基于以下中的至少一项来生成：平均误差、标准偏差误差、平均绝对误差(mae)、绝对误差的标准偏差、mae小于预定值(例如0.5、1.0等)的百分比、以及在具有预定置信度(例如95％)的范围之内的估计值的百分比。

在一些实施例中，预测引擎120还可以通过基于所选择的历史iol植入记录子集中的所使用的数值特征数据(例如，数值特征向量)和实际iol焦度、使用每个g(.)模型来估计(例如，预测)术后mrse值，来评估g(.)模型。接着，预测引擎120可以基于通过g(.)模型所生成的术后mrse估计值与历史iol植入记录子集中指示的实际术后mrse值之间的偏差，针对每个g(.)模型来生成性能分数。例如，g(.)模型所生成的估计的术后mrse与给定历史iol植入记录n中指示的实际术后mrse之间的估计误差(例如，偏差)可以根据等式8来表示。

e[n]＝arx[n]-rx[n]...............................................(8)

其中n是来自所选择的历史iol植入记录子集中的历史iol植入记录的记录指数，arx[n]是历史iol植入记录中指示的具有记录指数n的实际术后mrse，rx[n]是通过g(.)模型估计的术后mrse，并且e[n]是记录n的估计误差。

在一些实施例中，每个g(.)模型的性能分数可以基于以下中的至少一项来生成：平均误差、标准偏差误差、平均绝对误差(mae)、绝对误差的标准偏差、mae小于预定值(例如0.5、1.0等)的百分比、以及在具有预定置信度(例如95％)的范围之内的估计值的百分比。例如，基于上述等式8，给定g(.)模型的基于估计误差标准偏差的性能分数可以根据等式9来表示。

其中n是来自所选择的历史iol植入记录子集中的历史iol植入记录的记录指数，k是所选择的历史iol植入记录子集中包含的记录的数量，e[n]是记录n的、使用等式8计算出的估计误差，并且sd是g(.)模型的估计误差标准偏差。

在过程218中，可以从模型候选项中选择f(.)模型和g(.)模型。例如，预测引擎120可以基于针对模型候选项生成的性能分数来从模型候选项中选择f(.)模型和g(.)模型。在一些实施例中，预测引擎120可以从f(.)模型候选项中选择具有最佳性能分数(例如，指示最低标准偏差)的f(.)模型，并且可以从g(.)模型候选项中选择具有最佳性能分数(例如，指示最低标准偏差)的g(.)模型。

在过程220中，可以可选地计算在当前iol植入中使患者135获得目标(例如，期望)术后mrse的理论iol焦度。例如，预测引擎可以使用在过程218中选择的f(.)模型，来基于与患者135相关联的数值特征数据和患者135的预定目标术后mrse而生成理论iol焦度。目标术后mrse可以由被指配来对患者135执行当前iol植入的外科医生确定。所生成的iol焦度表示植入患者135的眼睛中的眼内透镜所需的iol焦度，以使患者135在植入之后实现术后mrse。

在过程222中，使用所选择的g(.)模型来基于接近理论iol焦度的可用iol焦度集来计算选择表。iol焦度集可以供外科医生或使用者用来对患者135执行当前iol植入。例如，可以以不同的但有限的iol焦度来制造眼内透镜。在一个示例中，眼内透镜的制造商可以仅根据有限数量的iol焦度来生产透镜。当没有生成当前iol植入的理论iol焦度(例如，过程220未执行)时，预测引擎120可以使用所选择的g(.)模型(在过程218中选择的)，以基于与患者135相关联的数值特征数据、针对可用于当前iol植入的所有iol焦度来计算术后mrse估计值。结果可以包括一个表，该表包括可用iol焦度和通过所选择的g(.)模型针对患者135计算出的对应的术后mrse估计值。

由于可用于当前iol植入的iol焦度数量可能大，因此在一些实施例中，预测引擎120可以通过仅针对可用iol焦度子集来估计术后mrse，来减少计算(并且由此改善这个两阶段过程的性能速度)。例如，通过执行过程220，使用所选择的f(.)模型来生成患者135的理论iol焦度。然而，通过f(.)模型所生成的理论焦度可能不在给定iol模型的制造商所提供的焦度集中，因此外科医生或使用者必须从该可用iol焦度集中进行选择。这样，预测引擎120可以选择与通过f(.)模型生成的理论iol焦度相差在预定阈值内的可用iol焦度子集，以在过程222中计算该选择表。

在一些示例中，当所生成的iol焦度为20d时，预测引擎120可以选择在18d和22d范围内的可用iol焦度。接着，预测引擎120可以使用所选择的g(.)模型(在过程218中选择的)，以基于与患者135相关联的数值特征数据、仅针对预测引擎120基于通过f(.)模型所生成的理论iol焦度选择的可用iol焦度子集，来计算术后mrse估计值。结果可以包括一个表，该表包括该可用iol焦度子集和通过所选择的g(.)模型针对患者135计算出的对应的术后mrse估计值。

在一些实施例中，除了针对可用iol焦度子集来计算术后mrse估计值之外，预测引擎120还可以针对每个mrse估计值生成具有预定置信度(90％置信度、95％置信度、98％置信度等)的mrse预测范围(例如，极限)。可以基于针对所选择的g(.)模型计算出的标准偏差、使用上述等式9来生成mrse预测范围。例如，对于特定的术后mrse估计值rx，具有95％置信度的mrse预测范围可以根据等式10来表示。

mrse预测范围＝rx·±1.96sd......................................(10)

mrse预测范围也可以包含在该表中。预测引擎120和/或手术规划器150可以经由网络115将该表传输至眼科实践场125的该一个或多个计算装置140，以显示在该一个或多个计算装置140上，从而辅助外科医生或使用者对患者135进行iol植入。

在过程224中，可以确定对应于目标术后mrse的可用iol焦度。例如，除了将包括可用iol焦度和术后mrse估计值的表传输到该一个或多个计算装置140之外，预测引擎120还可以基于术后mrse值和/或所述mrse预测范围来确定可用于患者135的当前iol植入的特定iol焦度。在一些实施例中，预测引擎120可以确定(例如，选择)具有最接近患者135的目标术后mrse的对应的术后mrse估计值的特定的可用iol焦度。在一些实施例中，预测引擎120可以确定(例如，选择)以下特定的可用iol焦度，其具有的mrse预测范围的对应mrse最大值和mrse最小值最接近患者135的目标术后mrse(例如，与目标术后mrse值具有最小偏差，其中，所述偏差是mrse最大值与目标术后mrse值之差和mrse最小值与目标术后mrse值之差的总和)。预测引擎120和/或手术规划器150可以经由网络115将所确定的特定的可用iol焦度传输至眼科实践场125的该一个或多个计算装置140，以显示在该一个或多个计算装置140上，从而辅助外科医生或使用者对患者135进行iol植入。

在过程226中，将具有所确定的可用iol焦度的眼内透镜植入患者135体内。在一些示例中，由外科医生将具有在过程224期间确定的iol焦度的眼内透镜植入患者135的眼睛中。

在过程228中，获得患者135眼睛的一个或多个术后测量值。在一些示例中，该一个或多个术后测量值可以包括植入iol之后iol的实际术后acd、在植入iol之后的实际术后mrse、实际术后正视区确定、和/或类似物。在一些示例中，可以基于术后眼睛的一个或多个图像、术后眼睛的一个或多个生理和/或光学测量值、和/或类似物，来确定实际术后acd和/或实际术后mrse。

在过程230中，更新可用于预测引擎120的预测模型。在一些示例中，可以将在过程212期间确定的该一个或多个术前测量值、在过程228期间确定的实际术后acd、实际术后mrse和/或类似物添加到数据库155中作为新的历史iol植入记录、并且用作额外的训练数据以对预测模型中的任一个进行后续训练。在一些示例中，所述更新可以包括更新最小二乘法拟合、反馈到神经网络(例如，使用反向传播)、和/或类似物中的一者或多者。在一些示例中，可以使用一个或多个损失函数、基于其针对各个候选iol正确地预测术后mrse的能力来训练一个或多个g(.)模型。

图4a和图4b是根据一些实施例的处理系统的图。虽然图4a和图4b示出了两个实施例，但是本领域普通技术人员还应容易了解的是，其他系统实施例是可能的。根据一些实施例，图4a和/或4b的处理系统代表可以包含在以下一者或多者中的计算系统：iol选择平台105、眼科实践场125、预测引擎120、诊断装置130、该一个或多个计算装置140、手术规划器150、160、和/或170中的任一个、和/或类似物。

图4a展示了计算系统400，其中系统400的部件使用总线405彼此电连通。系统400包括处理器410和系统总线405，所述系统总线将各个系统部件(包括，呈只读存储器(rom)420、随机存取存储器(ram)425和/或类似物(例如，prom、eprom、flash-eprom和/或任何其他存储芯片或盒)形式的存储器)联接至处理器410。系统400可以进一步包括与处理器410直接连接、与之紧邻、或集成为其一部分的高速存储器的缓存412。系统400可以通过缓存412来访问存储在rom420、ram425、和/或一个或多个存储装置430中的数据以供处理器410进行高速访问。在一些示例中，缓存412可以提供性能提升，以避免处理器410从存储器415、rom420、ram425、和/或该一个或多个存储装置430访问之前存储在缓存412中的数据时的延迟。在一些示例中，该一个或多个存储装置430存储一个或多个软件模块(例如，软件模块432、434、436、和/或类似物)。软件模块432、434和/或436可以控制和/或被配置用于控制处理器410执行各种动作、比如方法200和/或210的过程。并且虽然示出系统400仅具有一个处理器410，但是应理解的是，处理器410可以代表一个或多个中央处理器(cpu)、多核处理器、微处理器、微控制器、数字信号处理器(dsp)、现场可编程门阵列(fpga)、专用集成电路(asic)、图形处理单元(gpu)、张量处理单元(tpu)和/或类似物。在一些示例中，系统400可以被实施为独立式子系统、和/或实施为添加至计算装置的板、或实施为虚拟机。

为了使得使用者能够与系统400交互，系统400包括一个或多个通信接口440和/或一个或多个输入/输出(i/o)装置445。在一些示例中，该一个或多个通信接口440可以包括一个或多个网络接口、网络接口卡、和/或类似物，以根据一个或多个网络和/或通信总线标准来提供通信。在一些示例中，该一个或多个通信接口440可以包括用于经由网络、比如网络115来与系统400通信的接口。在一些示例中，该一个或多个i/o装置445可以包括一个或多个用户接口装置(例如，键盘、指向/选择装置(例如，鼠标、触摸板、滚轮、轨迹球、触摸屏和/或类似物)、音频装置(例如，麦克风和/或扬声器)、传感器、致动器、显示装置、和/或类似物)。

该一个或多个存储装置430中的每一个可以包括比如由硬盘、光学介质、固态驱动器和/或类似物提供的非暂态、非易失性存储器。在一些示例中，该一个或多个存储装置430可以与系统400(例如，本地存储装置)位于同一地点、和/或远离系统400(例如，云存储装置)。

图4b展示了基于芯片组架构的计算系统450，所述芯片组架构可以用于执行本文描述的任一种方法(例如，方法200和/或210)。系统450可以包括处理器455，其代表能够执行软件、固件和/或其他计算的任何数量的物理和/或逻辑上不同的资源，比如一个或多个cpu、多核处理器、微处理器、微控制器、dsp、fpga、asic、gpu、tpu和/或类似物。如图所示，处理器455可以由一个或多个芯片组460辅助，所述芯片组还可以包括一个或多个cpu、多核处理器、微处理器、微控制器、dsp、fpga、asic、gpu、tpu、协处理器、编码器-解码器(codec)、和/或类似物。如图所示，该一个或多个芯片组460将处理器455与一个或多个i/o装置465、一个或多个存储装置470、存储器475、桥接器480、和/或一个或多个通信接口490中的一者或多者对接。在一些示例中，该一个或多个i/o装置465、一个或多个存储装置470、存储器、和/或一个或多个通信接口490可以对应于图4a和系统400中类似命名的对应物。

在一些示例中，桥接器480可以提供额外的接口，用于向系统450提供对一个或多个用户接口(ui)部件、比如一个或多个键盘、指向/选择装置(例如，鼠标、触摸板、滚轮、跟踪球、触摸屏和/或类似物)、音频装置(例如，麦克风和/或扬声器)、显示装置、和/或类似物的访问。

根据一些实施例，系统400和/或460可以提供图形用户接口(gui)，其适合于辅助使用者(例如，外科医生和/或其他医务人员)执行方法200和/或210的过程。gui可以包括关于要执行的下一动作的指令，带注释和/或无注释的解剖学结构图、比如眼睛的术前和/或术后图像(例如，比如图3描绘的)，输入请求，和/或类似物。在一些示例中，gui可以显示解剖学结构和/或类似物的真彩色图像和/或假彩色图像。

图5是根据一些实施例的多层神经网络500的图。在一些实施例中，神经网络500可以代表用于实施预测引擎120所使用的这些预测模型(包括f(.)模型和g(.)模型)中的至少一些的神经网络。神经网络500使用输入层520来处理输入数据510。在一些示例中，输入数据510可以对应于在用于训练该一个或多个模型的过程208和230期间被提供给该一个或多个模型的输入数据、和/或被提供给该一个或多个模型的训练数据。输入层520包括用于通过缩放、范围限制、和/或类似方式来调节输入数据510的多个神经元。输入层520中的每个神经元生成给馈送到隐藏层531的输入端的输出。隐藏层531包括处理来自输入层520的输出的多个神经元。在一些示例中，隐藏层531中的每个神经元生成输出，所述输出接着被传播经过一个或多个额外的隐藏层(以隐藏层539结束)。隐藏层539包括处理来自前一个隐藏层的输出的多个神经元。隐藏层539的输出被馈送至输出层540。输出层540包括用于通过缩放、范围限制、和/或类似方式来调节来自隐藏层539的输出的一个或多个神经元。应理解的是，神经网络500的架构仅是代表性的，并且其他架构是可能的，包括具有仅一个隐藏层的神经网络、没有输入层和/或输出层的神经网络、具有递归层的神经网络、和/或类似物。

在一些示例中，输入层520、隐藏层531-539、和/或输出层540中的每一者包括一个或多个神经元。在一些示例中，输入层520、隐藏层531-539、和/或输出层540中的每一者可以包括相同数量或不同数量的神经元。在一些示例中，每个神经元将其输入x进行组合(例如，使用可训练加权矩阵w获得的加权和)、加上可选的可训练乖离率b、并且应用激活函数f来生成输出，如等式11所示。在一些示例中，激活函数f可以是线性激活函数、具有上限和/或下限的激活函数、对数s形(log-sigmoid)函数、双曲正切函数、修正线性单元函数、和/或类似物。在一些示例中，每个神经元可以具有相同或不同的激活函数。

a＝f(wx+b)......................................................(11)

在一些示例中，可以使用监督学习(例如，在过程208和230期间)来训练神经网络500，其中训练数据的组合包括输入数据和标准真值(groundtruth)(例如，预期的)输出数据的组合。神经网络500的使用该输入数据作为输入数据510而生成的输出之间的差异，并将如由神经网络500生成的输出数据550与标准真值输出数据进行比较。然后可以将所生成的输出数据550与标准真值输出数据之间的差异反馈到神经网络500中，以对各个可训练的权重和乖离率进行校正。在一些示例中，可以使用随机梯度下降算法的反向传播技术和/或类似物来反馈所述差异。在一些示例中，可以将一大组的训练数据组合多次呈现给神经网络500，直到总损失函数(例如，基于每个训练组合的差异的均方误差)收敛到可接受的水平为止。

根据上述实施例的方法可以实施为存储在非暂态有形机器可读介质上的可执行指令。所述可执行指令在被一个或多个处理器(例如，处理器410和/或处理器455)运行时可以致使该一个或多个处理器执行方法200和/或210的过程中的一个或多个过程。可以包括方法200和/或210的过程的一些常见形式的机器可读介质是例如软磁盘、软盘、硬盘、磁带、任何其他磁性介质、cd-rom、任何其他光学介质、打孔卡、纸带、任何其他带有孔图案的物理介质、ram、prom、eprom、flash-eprom、任何其他存储芯片或盒、和/或处理器或计算机适合从中读取的任何其他介质。

实施根据这些披露内容的方法的装置可以包括硬件、固件和/或软件，并且可以采用多种形状因子中的任一种。这样的形状因子的典型示例包括膝上型计算机、智能电话、小型个人计算机、个人数字助理和/或类似物。本文描述的功能的一部分也可以体现在外围设备和/或附加卡中。通过进一步示例，此类功能还可以在单一装置中的不同芯片或在其中执行的不同过程之间、在电路板上实现。

虽然已经示出和描述了展示性实施例，但是在前述披露中设想了各种各样的修改、改变和替换，并且在一些情况下，可以采用实施例的一些特征而不相应地使用其他特征。本领域普通技术人员应认识到许多变化、替代方案和修改。因此，本发明的范围应仅由权利要求来限制，并且应了解的是，应以与本文披露的实施例的范围一致的方式广义地解释权利要求。