1.本技术涉及人工晶体的
技术领域：
：，尤其是涉及有人工晶体植入后的屈光度预测方法、存储介质及电子设备。
背景技术：
：：2.目前在矫正眼睛屈光不正，尤其是矫正白内障术后无晶体屈光不正方面，通常都是采用往有晶体眼后房中植入人工晶体的方式，不仅提高了患者的视力，更改善了患者生活，为了达到植入人工晶体后患者能取得最佳视觉效果，术后屈光度预测的准确性受到了许多科学家的关注。人工晶体包括可植入式隐形眼镜（implantablecollamerlens，icl）和散光矫正可植入式隐形眼镜（toricimplantablecollamerlens，ticl），icl适用于矫正高度近视，ticl适用于矫正高度近视合并散光。其中屈光不正是指眼在不使用调节时，平行光线通过眼的屈光作用后，不能在视网膜上形成清晰的物像，而在视网膜前或后方成像。3.相关技术中，icl/ticl晶体术后屈光度预测方法临床上用的多是聚散度计算公式，这类公式纳入的参数只有患者年龄、球镜、柱镜、轴向、前房深度、角膜厚度、白到白等参数。另外，这类公式的准确性容易受到不同眼部解剖结构（眼轴、角膜曲率）的影响。4.针对上述中的相关技术，发明人认为存在有以下缺陷：术后屈光度预测方法的计算公式内纳入的参数不够全面，这样通过计算公式预测出来的屈光度准确性有待提高。技术实现要素：5.为了提高人工晶体植入后的屈光度预测的准确性，本技术提供人工晶体植入后的屈光度预测方法、存储介质及电子设备。6.第一方面，本技术提供的人工晶体植入后的屈光度预测方法、存储介质及电子设备采用如下技术技术方案：人工晶体植入后的屈光度预测方法，包括：获取有晶体眼后房中的样本数据；将所述样本数据作为输入参数，采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行单独训练，得到术后分开训练预测结果；将所述样本数据作为输入参数，采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行合并训练，得出术后合并训练预测结果；将所述术后分开训练预测结果和所述术后合并训练预测结果作为新的输入参数，采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行单独训练，得到训练完成的模型；采用所述训练完成的模型进行预测，得出预测结果并与预置的实验结果对比，得出对比结果，根据所述对比结果确定icl和ticl最佳预测模型。7.通过采用上述技术方案，将样本数据作为机器学习预测模型的输入参数，先后进行icl、ticl的分开单独训练和icl、ticl的合并训练，使得机器学习预测模型可以学习到icl、ticl的差异特征和共同特征，将术后分开训练预测结果和术后合并训练预测结果作为新的输入参数，再次采用机器学习模型对icl、ticl进行分开单独训练，得到最终的训练完成的模型，其得到预测结果和实验结果作对比，找出最佳的预测模型，从而使得机器学习预测模型学习的更充分，预测结果更加准确，从而提高人工晶体植入后的屈光度预测的准确性。8.可选的，在所述将所述样本数据作为输入参数之前，包括：对所述样本数据进行清洗，得到清洗数据；根据预置的划分比例对所述清洗数据进行数据集的划分，得到训练验证集和测试集；所述将所述样本数据作为输入参数，采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行单独训练，得到术后分开训练预测结果，包括：基于所述训练验证集，并采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行单独训练，得到术后分开训练预测结果；所述将所述有晶状体眼后房中样本数据作为模型输入参数，采用预置的不同的机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行合并训练，得到术后合并训练预测结果，包括：基于所述训练验证集，并采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行合并训练，得到术后合并训练预测结果。9.通过采用上述技术方案，获取到样本数据后，清洗掉样本数据中一些不合格的数据，从而使得最后的样本数据的准确度和客观性，然后把清洗后得到的清洗数据分为训练验证集和测试集，基于训练验证集中的数据采用不同的机器学习预测模型进行训练，训练验证集可以对模型的训练和验证，其中测试集可以对模型进行最终评估，确定最佳的模型。10.可选的，所述根据预置的划分比例对所述清洗数据进行数据集的划分，得到训练验证集和测试集之后，包括：根据预置的划分比例将所述训练验证集划分为训练集和验证集。11.通过采用上述技术方案，划分得到的训练集和验证集便于交叉训练验证的实施，轮流选择训练验证集数中固定比例的数据作为训练集，剩下的作为验证集，使得机器学习预测模型能多次学习训练，从而有助于选择到机器学习预测模型的最合适的模型参数。12.可选的，所述基于所述训练验证集，并采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行单独训练，得到术后分开训练预测结果，包括：基于所述训练集和所述验证集并采用多折交叉验证对icl类型的人工晶体和ticl类型的人工晶体进行单独训练，确定每个实验不同机器学习预测模型的分开最佳超参数，其中超参数是机器学习预测模型各自设置的模型参数；根据分开最佳超参数得到机器学习分开训练预测模型；将所述机器学习分开训练预测模型在所述验证集上进行预测，得出术后分开训练预测结果。13.通过上述技术方案，验证集数据输入到机器学习预测模型，通过不断设置机器学习预测模型内各自设置的模型参数，对icl和ticl多折交叉单独训练并进行术后预测，在验证集上对预测模型的术后预测进行验证，找到表现最好的模型参数，以此来得到机器学习分开训练预测模型，从而使得机器学习分开训练预测模型得到icl和ticl各自术后分开预测结果准确性更高。14.可选的，所述基于所述训练验证集，并采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行合并训练，得到术后合并训练预测结果，包括：基于所述训练集和所述验证集并采用多折交叉验证对icl类型的人工晶体和ticl类型的人工晶体进行合并训练，确定每个实验的不同机器学习预测模型的合并最佳超参数；根据合并最佳超参数得到机器学习合并训练预测模型；将所述机器学习合并训练预测模型在所述验证集上进行预测，得出术后合并训练预测结果。15.通过上述技术方案，验证集数据输入到机器学习预测模型，通过不断设置机器学习预测模型内各自设置的模型参数，对icl和ticl采用多折交叉合并训练并进行术后预测，在验证集上对预测模型的术后预测进行验证，找到表现最好的模型参数，以此来得到机器学习合并训练预测模型，从而使得机器学习合并训练预测模型得到icl和ticl各自术后合并预测结果准确性更高。16.可选的，所述将所述术后分开训练预测结果和所述术后合并训练预测结果作为新的输入参数，采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行单独训练，得到训练完成的模型，还包括：将所述新的输入参数与所述样本数据组合得到新训练集；在所述新训练集上进行多折交叉验证，确定不同机器学习预测模型的最终最佳超参数；根据所述最终最佳超参数得到训练完成的模型。17.通过上述技术方案，新训练集中数据对不同机器学习预测模型进行多折交叉训练，根据训练得出的预测在验证集上进行验证，确定各个机器学习预测模型最佳超参数，最终得到相应的训练后的机器学习预测模型，从而使得模型的预测结果更加准确。18.可选的，所述采用所述训练完成的模型进行预测，得出预测结果并与预置的实验结果对比，得出对比结果，根据对比结果确定icl和ticl最佳预测模型之前，还包括：采用所述机器学习分开训练预测模型对所述测试集进行平均预测，得到分开测试集参数；采用所述机器学习合并训练预测模型对所述测试集进行平均预测，得到合并测试集参数；将所述分开测试集参数、所述合并测试集参数和所述样本数据组合得到新测试集。19.通过上述技术方案，基于测试集的参数数据，分别采用经过多折交叉训练后的机器学习分开训练预测模型和机器学习合并训练预测模型进行结果预测，并且分别取预测的平均值，将平均值和原始的样本数据组合得到最终的新测试集，从而使得新测试集的准确性更高的，评价模型的泛化能力更好。20.可选的，所述采用所述训练完成的模型进行预测，得出预测结果并与预置的实验结果对比，得出对比结果，根据所述对比结果确定icl和ticl最佳预测模型，包括：采用所述训练完成的模型在所述新测试集上进行预测，得出预测结果；在对比结果为预测结果的mea指标比预置的实验结果的mea指标小时，确定最小mea指标对应的模型就是最佳预测模型。21.通过上述技术方案，通过新训练集训练得到的训练完成的模型优化程度较高，最后在优化程度同样较高的新测试集进行结果预测，将预测结果和真实实验数据对比，分别选择icl类型人工晶体和ticl类型人工晶体预测结果mea指标最小的训练完成的模型作为人工晶体植入后屈光度最佳预测模型，可以使得术后屈光度预测数据更加准确。22.综上所述，本技术包括以下至少一种有益技术效果：1.通过对icl类型的人工晶体和ticl类型的人工晶体进行单独和合并训练，得到的预测结果作为新的输入参数，确定最终最佳的预测模型，从而使得在使用此模型进行人工晶体植入后的屈光度预测时候准确性得到提高；2.通过对获取到的样本数据进行清洗，得到清洗数据，从而使得最后的样本数据的准确度和客观性较好；3.通过获得的新测试集，能最后对不断调试后的机器学习预测模型进行最终的评估，从而确定icl类型的人工晶体和ticl类型的人工晶体各自最佳模型。附图说明23.图1是本技术实施例的人工晶体植入后的屈光度预测方法的流程示意图。24.图2是本技术实施例的步骤s14的流程示意图。25.图3是本技术实施例的步骤s15的流程示意图。26.图4是本技术实施例的步骤s16的流程示意图。27.图5是本技术实施例的步骤s20的流程示意图。28.图6是本技术实施例中icl和ticl最佳预测模型的预测结果与实验结果对比表。具体实施方式29.以下结合附图1-6对本技术作进一步详细说明。30.本技术实施例公开人工晶体植入后的屈光度预测方法、存储介质及电子设备。31.参考图1，人工晶体植入后的屈光度预测方法，包括：s10：获取有晶体眼后房中的样本数据；具体的，本实施例中的样本数据是包含多参数的，包含的具体模型输入参数有24个，如下：手术时年龄、术前球镜、术前柱镜、术前轴位、术前等效球镜、暗瞳、眼压、眼轴长度、k1、k1轴向、k2、k2轴向、k1和k2平均、前房深度（不包括角膜内皮厚度）、中央角膜厚度、角膜直径、前房容积、前房角、瞳孔直径、icl球镜（或ticl球镜）、icl柱镜（或ticl柱镜）、icl（或ticl等效球镜）、icl尺寸（或ticl尺寸）、轴向。这里24个输入参数不是固定的，在其他实施例中也可以适当删减，可以是23个、25等个数。具体的模型预测参数有：术后一周到一月的等效球镜和术后一周到一月的球镜。在其他实施例中具体的模型预测参数也可以是术后一周到一年的等效球镜和术后一周到一年的球镜。32.s11：对样本数据进行清洗，得到清洗数据；具体的，对样本数据的清洗，包括丢弃数据不全的样本和按照预置的排除标准排除一些样本数据，预置的排除标准如下：既往有任何眼部合并症（角膜或眼底病变）或手术史、外伤史；术后发生并发症；术后矫正视力《0.5或丢失大于1行；为避免通过手术切口矫正的散光，排除icl植入术前散光柱镜》0.5d；任何检查或随访病史资料不齐全。最终得到清洗数据，较好的保证了数据的准确性和客观性。33.s12：根据预置的划分比例对清洗数据进行数据集的划分，得到训练验证集和测试集；具体的，本实施例预置的划分比例采用的是4：1的人数比例，比如说搜集的数据涉及的人数为100人，那么划分之后就是训练验证集中的人有80人，测试集中的人就是20人，并且保证测试集里的人都只是纳入的单眼，而且都是随机性的纳入左眼或者右眼。因为采集的样本中搜集的可能是单眼数据，也可能是双眼数据。训练验证集里的人就可以随机的纳入单眼或者双眼。34.s13：根据预置的划分比例将训练验证集划分为训练集和验证集；具体的，本实施例中的划分比例采用的4：1的人数比例，即将训练验证集按照人数分为5等份，轮流选择其中的4份作为训练集，剩下的1份作为验证集，以便后续进行交叉验证训练。其中训练集是用于训练模型内的参数，验证集是用于在训练中检验模型的状态。需要说明是的是这里的验证集上述测试集类似，也只是纳入单眼，而且都是随机性的纳入左眼或者右眼。35.s14：基于训练验证集，采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行单独训练，得到术后分开训练预测结果；具体的，本实施例中预置的不同机器学习预测模型采用的是lasso回归、支持向量机回归、随机森林回归和xgboost回归模型四个机器学习预测模型，在其他实施例中也可以采用logistic回归模型等其他机器学习预测模型，四个机器学习预测模型的个数也不是固定的，在其他实施例中也可以采用五个机器学习预测模型。采用这四个机器学习预测模型对icl类型的人工晶体和ticl类型的人工晶体进行分开单独训练，根据具体的预测参数：术后一周到一月的等效球镜和术后一周到一月的球镜，最终得到icl等效球镜术后分开训练预测结果、icl球镜术后分开训练预测结果、ticl等效球镜术后分开训练预测结果和ticl球镜术后分开训练预测结果。36.参考图2，s141：基于训练集和验证集并采用多折交叉验证对icl类型的人工晶体和ticl类型的人工晶体进行单独训练，确定每个实验不同机器学习预测模型的分开最佳超参数，其中超参数是机器学习模型各自设置的模型参数；具体的，本技术实施例采用的是五折交叉验证，将训练验证集按照人数分为5等份，轮流选择其中的4份作为训练集，剩下的1份作为验证集，以便进行五折交叉验证，在其他实施例中也可采用六折交叉训练，也就是将训练验证集按照人数分为5等份，轮流选择其中的5份作为训练集，剩下的1份作为验证集。超参数是各个机器学习预测模型内各自设置的参数，比如说是参数x和参数xx，先是设置参数x的机器学习预测模型对icl和ticl分开单独训练，得到预测结果x，然后调整机器学习模型的参数为参数xx，再对icl和ticl分开单独训练，得到预测结果xx，将预测结果x和预测结果xx在验证集上去验证，比较得出两者中的最佳预测，将最佳预测对应的参数确定为机器学习预测模型的分开最佳超参数。37.参考图2，s142：根据分开最佳超参数得到机器学习分开训练预测模型；具体的，根据得到的分开最佳超参数去调整相应机器学习预测模型内原本设置的参数，得到机器学习分开训练预测模型，相比于之前的机器学习预测模型术后预测更加准确的。38.参考图2，s143：将机器学习分开训练预测模型在验证集上进行预测，得出术后分开训练预测结果，形成对应的训练集上新的输入参数；具体的，本实施例中以icl等效球镜术后预测为例子，icl等效球镜的4个机器学习分开训练预测模型为：icl等效球镜lasso回归分开训练预测模型、icl等效球镜支持向量机回归分开训练预测模型、icl等效球镜随机森林回归分开训练预测模型和icl等效球镜xgboost回归分开训练预测模型。将4个机器学习分开训练预测模型在五折交叉的验证集上依次滚动预测，因为五折交叉验证是要实验5次，就会产生5份验证集，将4个机器学习分开训练预测模型在5份验证集上的等效球镜术后预测结果组合起来，得到的就是与4个机器学习分开训练预测模型对应的4个icl等效球镜术后分开训练预测结果，形成对应的训练集上4个新的输入参数。39.参考图1，s15：基于训练验证集，采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行合并训练，得到合并分开训练预测结果；具体的，本实施例中预置的不同机器学习预测模型采用的同样是是lasso回归、支持向量机回归、随机森林回归和xgboost回归模型四个机器学习预测模型，在其他实施例中也可以采用logistic回归模型等其他机器学习预测模型，采用这4个机器学习预测模型对icl类型的人工晶体和ticl类型的人工晶体进行合并训练，预测参数依旧为：术后一周到一月的等效球镜和术后一周到一月的球镜，最终得到icl+ticl等效球镜术后合并训练预测结果、icl+ticl球镜术后合并训练预测结果。40.参考图3，s151：基于训练集和验证集并采用多折交叉验证对icl类型的人工晶体和ticl类型的人工晶体进行合并训练，确定每个实验的不同机器学习预测模型的合并最佳超参数；具体的，本技术实施例采用的是五折交叉验证，在其他实施例中也可采用六折交叉训练。不断设置各个机器学习预测模型内的参数，在不同参数下机器学习预测模型对icl和ticl合并训练，比较哪个参数机器学习预测模型得出的预测结果在验证集上表现较好，将表现较好的参数确定为机器学习预测模型的合并最佳超参数。41.参考图3，s152：根据合并最佳超参数得到机器学习合并训练预测模型；具体的，根据得到的合并最佳超参数去调整相应机器学习预测模型内原本设置的参数，得到机器学习合并训练预测模型，相比于之前的机器学习预测模型术后预测更加准确的。42.参考图3，s153：将机器学习合并训练预测模型在验证集上进行预测，得出术后合并训练预测结果；具体的，本实施例中还是以icl等效球镜术后预测为例子，icl等效球镜的4个机器学习合并训练预测模型为：icl+ticl等效球镜lasso回归合并训练预测模型、icl+ticl等效球镜支持向量机回归合并训练预测模型、icl+ticl等效球镜随机森林回归合并训练预测模型和icl+ticl等效球镜xgboost回归合并训练预测模型。将4个机器学习合并训练预测模型在五折交叉的验证集上依次滚动预测，因为五折交叉验证是要实验5次，就会产生5份验证集，将4个机器学习合并训练预测模型在5份验证集上的等效球镜术后预测结果组合起来，得到的就是与4个机器学习合并训练预测模型对应的4个icl+ticl等效球镜术后合并训练预测结果。43.参考图1，s16：将术后分开训练预测结果和术后合并训练预测结果作为新的输入参数，采用预置的不同机器学习预测模型分别对icl类型的人工晶体和ticl类型的人工晶体进行单独训练，得到训练完成的模型；具体的，在本实施例中，是将术后分开训练预测结果和术后合并训练预测结果作为全新的模型输入参数，还是以等效球镜术后预测为例，那么就是将4个icl等效球镜术后分开训练预测结果、4个ticl等效球镜术后分开训练预测结果和4个icl+ticl等效球镜术后合并训练预测结果作为全新的模型输入参数，纳入到4个机器学习预测模型中进行再一次的单独训练，模型经过最终的学习训练，得到训练完成的模型。需要说明的是，在其他实施例中，也可以将术后分开训练预测结果或者术后合并训练预测结果其中一项纳入到4机器学习预测模型。44.参考图4，s161：将新的输入参数与样本数据组合得到新训练集；具体的，由于样本数据在前面举例是纳入24个模型输入参数，这里以icl等效球镜术后预测为例，这样24个模型输入参数、4个icl等效球镜术后分开训练预测结果和4个icl+ticl等效球镜术后合并训练预测结果就构成了新训练集。45.参考图4，s162：在新训练集上进行多折交叉验证，确定不同机器学习预测模型的最终最佳超参数；具体的，新训练集代替原来的训练集，在新训练集上进行训练，不断调整4个机器学习预测模型内设置的参数，4个机器学习预测模型得出相应的预测结果，在验证集上根据预测结果中准确性更高的最佳预测，确定最终最佳超参数。46.参考图4，s163：根据最终最佳超参数得到训练完成的模型。47.具体的，根据得到的最终最佳超参数去调整相应机器学习预测模型内原本设置的参数，得到训练完成的模型，根据预测参数术后一周到一月的等效球镜和术后一周到一月的球镜，具体得到的就是icl等效球镜术后预测的4个模型、icl球镜术后预测的4个模型、ticl球镜术后预测的4个模型和ticl等效球镜术后预测的4个模型，这里的4个模型对应的是4个机器学习分开训练预测模型。48.参考图1，s17：采用机器学习分开训练预测模型对测试集进行平均预测，得到分开测试集参数；具体的，采用4个机器学习分开预测模型在测试集上通过五折交叉进行训练，轮流进行5次，每个机器学习分开预测模型得出的5个预测结果，取5个预测结果的平均值，最后得到4个分开测试集参数。这里还是以icl等效球镜术后预测举例，最后得到4个icl等效球镜分开测试集参数。49.参考图1，s18：采用机器学习合并训练预测模型对测试集进行平均预测，得到合并测试集参数；具体的，采用4个机器学习合并预测模型在测试集上通过五折交叉进行训练，轮流进行5次，每个机器学习合并预测模型得出的5个预测结果，取5个预测结果的平均值，最后得到4个合并测试集参数。这里还是以icl等效球镜术后预测举例，最后得到的是4个icl等效球镜合并测试集参数。50.参考图1，s19：将分开测试集参数、合并测试集参数和样本数据组合得到新测试集；具体的，4个分开测试集参数、4个合并测试集参数和原来的样本数据中纳入的24个模型输入参数，就构成了含有32个参数的新测试集。51.参考图1，s20：采用训练完成的模型进行预测，得出预测结果并与预置的实验结果对比，得出对比结果，根据对比结果确定icl和ticl最佳预测模型；具体的，这里预置的实验结果采用的是临床上目前常用的staar术后屈光度计算公式预测出来的结果，分别将icl等效球镜、icl球镜、ticl等效球镜和ticl球镜对应的4个机器学习分开训练预测模型分别进行结果预测，将预测结果分别与实验结果对比，最终得出icl等效球镜、icl球镜、ticl等效球镜和ticl球镜最佳预测模型。52.参考图5，s201：采用训练完成的模型在新测试集上进行预测，得出预测结果；具体的，将icl等效球镜、icl球镜、ticl等效球镜和ticl球镜对应的4个机器学习分开训练预测模型在新测试集上进行五折交叉训练，得到相对应的预测结果。53.参考图5和图6，s202：在对比结果为预测结果的mea指标比预置的实验结果的mea指标小时，确定最小mea指标对应的模型就是最佳预测模型。54.具体的，icl等效球镜的4个机器学习分开训练预测模型得出4个预测结果，比icl等效球镜staar实验结果的mea指标要小的时候，就取这4个预测结果中的mea指标最小的一个，这里staar是临床上目前常用术后屈光度计算公式。如表1，lasso分开训练预测模型的预测结果mea指标最小，那么就把此lasso分开训练预测模型确定为icl等效球镜的最佳预测模型，以此类推icl球镜对比如表2所示，ticl等效球镜对比如表3所示，ticl球镜对比如表4所示，需要说明的是svr指的是上文提到的支持向量回归的机器学习预测模型。从表1-4中可以看出我们的模型在所有的预测对比里mae都偏小，进而说明我们基于机器学习的预测模型准确性更好。55.本技术实施例人工晶体植入后的屈光度预测方法的实施原理为：获取到有晶体眼后房中涵盖多参数的样本数据后，需对样本数据进行清洗，将得到的清洗数据划分为训练验证集和测试集，将训练验证集再次划分为训练集和验证集，基于训练集和验证集并采用多折交叉验证方法，通过机器学习预测模型分别icl和ticl类型的人工晶体进行单独训练、合并训练，将单独训练和合并训练得出的预测结果作为新输入参数与原本的样本数据组合为新训练集，再次通过机器学习预测模型进行单独训练，通过在验证集上滚动验证确定训练完成的模型，最后用训练完成的模型新测试集上进行结果预测，并与staar术后屈光度计算公式预测出来的实验数据进行对比，确定icl和ticl的最佳预测模型。56.本技术实施例还公开一种计算机可读存储介质，并且，计算机可读存储介质存储有计算机程序，其中，计算机程序被处理器执行时，采用了上述实施例的人工晶体植入后的屈光度预测方法。57.其中，计算机程序可以存储于计算机可读介质中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等，计算机可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom）、随机存取存储器（ram）、电载波信号、电信信号以及软件分发介质等，需要说明的是，计算机可读介质包括但不限于上述元器件。58.其中，通过本计算机可读存储介质，将上述实施例的人工晶体植入后的屈光度预测方法存储于计算机可读存储介质中，并且，被加载并执行于处理器上，以方便上述方法的存储及应用。59.本技术实施例还公开一种电子设备，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，其中，处理器执行计算机程序时，采用了上述实施例的人工晶体植入后的屈光度预测方法。60.其中，电子设备可以采用台式电脑、笔记本电脑或者云端服务器等计算机设备，并且，电子设备包括但不限于处理器以及存储器，例如，电子设备还可以包括输入输出设备、网络接入设备以及总线等。61.其中，处理器可以采用中央处理单元（cpu），当然，根据实际的使用情况，也可以采用其他通用处理器、数字信号处理器（dsp）、专用集成电路（asic）、现成可编程门阵列（fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以采用微处理器或者任何常规的处理器等，本技术对此不做限制。62.其中，存储器可以为电子设备的内部存储单元，例如，电子设备的硬盘或者内存，也可以为电子设备的外部存储设备，例如，电子设备上配备的插接式硬盘、智能存储卡（smc）、安全数字卡（sd）或者闪存卡（fc）等，并且，存储器还可以为电子设备的内部存储单元与外部存储设备的组合，存储器用于存储计算机程序以及电子设备所需的其他程序和数据，存储器还可以用于暂时地存储已经输出或者将要输出的数据，本技术对此不做限制。63.其中，通过本电子设备，将上述实施例的人工晶体植入后的屈光度预测方法存储于电子设备的存储器中，并且，被加载并执行于电子设备的处理器上，方便使用。64.本具体实施方式的实施例均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。当前第1页12当前第1页12