用于动态异常识别和校正的基于ai的白内障手术视频分析
技术领域
1.本发明涉及手术的动态分析，并且具体地涉及一种用于在眼科手术期间识别与计划参数的偏差的计算机实施的方法、一种对应的系统、以及一种用于执行该方法的对应的计算机程序产品。
背景技术：
2.近年来，在眼科领域，例如在（与年龄相关的）屈光不正的情况下或在白内障的情况下，用人工晶状体（iol）代替眼睛的生物晶状体已变得越来越普遍。在该过程中，通过微创介入将生物晶状体从囊袋中分离并取出。随后，用人造晶状体植入物代替在白内障的情况下已变得混浊的晶状体。在该过程中，将这种人造晶状体植入物或人工晶状体插入到当时的空囊袋中。对人工晶状体的正确位置和必要的屈光力的了解是相互依赖的。
3.通常，作为这种手术的预备阶段的手术准备的一部分，尝试确定计划参数。举例来说，这些计划参数包括手术后iol在眼睛中的位置和寻求的有效屈光值。然而，由于出现并发症，最初为白内障手术提供的参数选择（例如，iol位置和/或屈光力、超声乳化压力、超声乳化时间等）可能不再是白内障手术期间患者的最佳选择。对于iol屈光力的具体示例，这可能是由于例如撕囊术中的差异或者由于切口导致角膜的屈光改变而引起的。结果，手术后可能会给患者带来“令人讨厌的意外”（所谓的“屈光意外”）。
4.现有技术已包含此背景下的文献：gonz
á
lez, david carmona; bautista, carlos palomino. accuracy of a new intraocular lens power calculation method based on artificial intelligence [基于人工智能的新人工晶状体屈光度计算方法的准确性]. eye [眼睛], 2021, 第35卷, 第2期, 第517-522页. doi: https://doi.org/10.1038/s41433-020-0883-3。其中描述的研究涉及使用机器学习技术开发和评估新人工晶状体屈光力计算方法的准确性。做过白内障手术的患者的数据被用作依据。
[0005]
为了最小化或者甚至完全防止手术后的这种令人意外的影响，希望使用手术期间出现的附加数据，以获得尽可能最佳的手术结果。
技术实现要素：
[0006]
本发明的目的通过根据独立权利要求这里提出的方法、对应的系统和相关联的计算机程序产品来实现。进一步的实施例由相应的从属权利要求来描述。
[0007]
根据本发明的一个方面，提出了一种用于在眼科手术期间识别与计划参数或计划参数值的偏差的计算机实施的方法。该方法包括：提供白内障手术的视频序列，该视频序列是通过图像记录装置来记录的；以及训练机器学习系统，该训练使用所提供的视频序列、以及在每种情况下在白内障手术期间要插入的人工晶状体的计划屈光力和该白内障手术后的目标屈光值作为训练输入数据，并且使用呈该白内障手术后的实际屈光值形式的相关联的预测结果，以形成用于预测该白内障手术后的实际屈光值的机器学习模型。
[0008]
此外，该方法包括持久存储经训练的机器学习系统的参数值。
[0009]
根据本发明的另一方面，提出了一种用于在眼科手术期间识别与计划参数或计划参数值的偏差的手术辅助系统。该手术辅助系统包括存储程序代码的存储器和连接到存储器的一个或多个处理器，当该一个或多个处理器执行这些程序代码时，使该手术辅助系统控制以下单元：视频序列存储装置，用于提供白内障手术的视频序列，这些视频序列是通过图像记录装置来记录的；训练控制系统，用于训练机器学习系统，该训练使用所提供的视频序列、以及在每种情况下在白内障手术期间要插入的人工晶状体的计划屈光力和该白内障手术后的目标屈光值作为训练输入数据，并且使用呈该白内障手术后的实际屈光值形式的相关联的预测结果，以形成用于预测该白内障手术后的实际屈光值的机器学习模型；以及参数值存储器，用于持久存储经训练的机器学习系统的参数值。
[0010]
此外，实施例可以涉及能够从计算机可用介质或计算机可读介质访问的包含程序代码的计算机程序产品，这些程序代码由计算机或任何其他指令执行系统使用或与其结合使用。在本说明书的上下文中，计算机可用介质或计算机可读介质可以是适合于存储、通信、传输或传送程序代码的任何装置。
[0011]
该用于在眼科手术期间识别与计划参数的偏差的计算机实施的方法具有多个优点和技术效果，这些优点和技术效果也可以相应地适用于相关联的系统：使用在手术期间出现的呈数字图像序列（即视频序列）形式的动态数据可以大大有助于手术的成功。即使在做好最佳准备的白内障手术的情况下，外科医生也可以在手术期间接收原本不可用的其他信息。
[0012]
通过这种方式，可以避免白内障手术期间的不确定性或意外发生的并发症。这将补偿与在手术期间被发现不再是患者的最佳选择的最初设想的参数值的偏差。因此，手术后患者将免于“令人讨厌的意外”（“屈光意外”）。
[0013]
手术前或手术中的oct数据可以是影响iol参数选择的进一步输入参数。结果，使得可以使用多模态数据（即视频、oct等）进行预测。此外，因此超声乳化仪的参数值同样可以用作ml模型的输入。
[0014]
此外，在进行手术时，外科医生可以直接接收与对改变要插入的iol类型的推荐有关的指示。此外，可以直接在视频流（即视频序列）中突出显示当前与标准操作程序存在偏差的区域。此外，可以向外科医生指示iol所需的屈光力（该屈光力可能偏离计划屈光力），从而在手术期间选择具有合适屈光力的不同晶状体。这也可选地适用于要插入的iol的晶状体类型。
[0015]
下面呈现了进一步的示例性实施例，这些示例性实施例在结合该方法和对应的系统时都是有效的。
[0016]
根据该方法的有利实施例，可以将要训练的机器学习系统的附加输入数据用于训练该机器学习系统，以形成该机器学习模型，这些附加输入数据包括选自由以下各项组成的组的至少一项：在对要进行手术的眼睛进行该眼科手术之前的眼科测量数据和该要插入的人工晶状体的形状。另外，可以将进一步的计划参数用作训练的输入数据。原则上，这里同样适用的是，所使用和可用的数据越多，可获得的结果就越有用，越接近现实。举例来说，眼科测量数据可以通过a扫描或b扫描来获得，或者也可以是正面oct数据。
[0017]
根据该方法的另一个有利实施例，机器学习系统可以是递归神经网络。这样构造的神经网络特别适合于分析时变输入数据，例如对于像视频序列的数字帧的情况。
[0018]
根据该方法的改进实施例，机器学习系统可以是3-d卷积神经网络。这种类型的神经网络特别适合于使用例如呈数字图像序列（视频序列）的形式的原始数据，并且当执行3-d卷积时可以同时考虑空间维度和时间维度，其中运动信息被编码在多个相邻帧中。
[0019]
根据该方法的另外有利的实施例，该方法可以另外包括在当前白内障手术期间通过图像记录装置记录视频序列，并且使用经训练的机器学习系统动态预测当前白内障手术后的实际屈光值。在这种情况下，当前白内障手术的所记录的视频序列可以被连续且动态地提供给经训练的机器学习系统作为输入数据。另外，要插入的人工晶状体的当前目标屈光值和当前计划屈光力可以用作经训练的机器学习系统的进一步输入数据。
[0020]
在这个阶段，可以在白内障手术期间积极使用已经经过训练的机器学习系统，以协助外科医生。该方法的这一组成部分也可以被理解为与根据第一方面的方法（该方法已在上面进一步描述）分开。连接要素将由机器学习系统的模型来表示，该模型可以（在空间和时间上）独立于实际训练而自主地使用，此时机器学习模型被用作依据。这也将是有利的，因为可以使用更强大的计算机系统进行训练，训练可能需要比随后的推理阶段更多的计算能力。利用这一点，基础手术辅助系统的训练与激活使用可以在逻辑上和物理上都彼此分离。
[0021]
此外，眼睛的另外的眼科参数值这里也可以用作机器学习系统的输入数据。在机器学习系统的训练阶段也使用这样的参数值将是有利的。
[0022]
此外，提及以下事实：该方法的这个阶段中的图像记录装置可以与训练阶段中的图像记录装置不同。这是基于训练阶段和操作阶段（即推理阶段）可以在时间和空间上分开的事实。
[0023]
根据该方法的补充实施例，可以将另外的附加输入数据用于该经训练的机器学习系统以动态预测该当前白内障手术后的实际屈光值，这些另外的附加输入数据包括选自以下组中的至少一项：在进行该眼科手术之前的要进行手术的眼睛的眼科测量数据和该要插入的人工晶状体的形状。理想地，这些附加参数的值也将在训练期间被用作输入数据，使得可以在机器学习模型中考虑其影响。这既适用于作为附加输入数据的指定计划参数，也适用于任何另外的计划参数及其参数值。
[0024]
此外，通过手术辅助系统，该方法可以允许在手术期间对预测/推荐（可解释的ai）的依据进行具体指示，例如通过：外科医生视野中的直接显示、基于文本的描述、预测置信度的说明以及当前手术过程与给定标准的偏离程度的说明等。
[0025]
根据该方法的补充改进的实施例，该方法可以另外包括选自由以下各项组成的组的至少一个方法步骤：根据该要插入的人工晶状体的计划屈光力和该当前白内障手术后的预测实际屈光值来确定屈光偏差值，以及在白内障手术期间动态确定要插入的人工晶状体的新屈光力。
[0026]
此外，可以良好地可视化选自由以下各项组成的组的至少一个值：要插入的人工晶状体的计划屈光力、目标屈光值、屈光偏差值、要插入的人工晶状体的新屈光力和要插入的人工晶状体的形状，并从而辅助外科医生进行工作。
[0027]
如果屈光偏差值等于零，则要插入的人工晶状体的新屈光力（屈光度）将偏离计划屈光力。通过这种方式，可以在手术期间向外科医生发出信号以选择具有不同屈光力的不同晶状体。这也适用于要插入的人工晶状体的类型。例如，所有这些值都可以叠加到手术显
微镜或手术监视器的视野中，或者可以以不同的方式单独显示。
[0028]
根据该方法的另一个良好实施例，在形成学习模型的训练期间和/或在该实际屈光值的动态预测期间，可以将白内障手术类型用作附加输入值。在适当的示例性实施例中，白内障手术类型可以除其他外与以下各项相关：超声乳化术的类型，是否采用yamane技术，是否与前房人工晶状体的插入相关，或者是否与人工晶状体在沟中的固定相关。根据白内障手术类型，可以从视频序列中检索特定的图案，这些图案然后指示手术的当前过程的特性（例如异常），或者使得机器学习系统实施对应的偏差预测。
[0029]
根据该方法的另一个良好实施例，机器学习系统可以是经预先训练的。这将是有利的，因为可以减少实际的训练时间。可选地，也可能需要更少的训练数据。用于预先训练的数据可以是机器生成的和/或基于物理模型的。在使用实际的临床眼科数据的实际的、优选地缩短的训练期间，仍然需要的仅是对已预先训练的机器学习模型进行微调。
[0030]
根据该方法的进一步的实施例，要插入的人工晶状体可以是要插入的球面、复曲面或多焦点人工晶状体。这可以既与计划要插入的人工晶状体相关，又与机器学习系统或其模型所进行的预测相关。
[0031]
根据该方法的进一步改进的实施例，经训练的机器学习系统可以是可解释的机器学习系统（可解释的人工智能）。作为预测（推理）过程或其部分被可视化的结果，可以向观察者（例如外科医生）显示预测所基于的输入值（例如甚至在所记录的视频序列内）或者哪些输入值对预测值的影响最大。为此使用的一种可能方法是例如类激活映射，其中，在图像中使用可以突出显示对决策重要的区域的热图类型，以区分每帧中事件的异常序列与正常序列。
附图说明
[0032]
要指出的是，本发明的示例性实施例可以参考不同的实施类别来描述。一些示例性实施例是具体地参考方法来描述的，而其他示例性实施例可以在对应的装置的背景下进行描述。无论如何，本领域技术人员可以从以上和以下描述中识别和组合该方法的特征的可能组合以及还有特征与对应的系统的可能组合（如果没有特别说明的话），即使这些特征属于不同的权利要求类别。
[0033]
从所描述的示例性实施例和参考附图描述的附加的进一步具体改进中，本发明的上述方面和附加方面变得显而易见。
[0034]
本发明的优选示例性实施例通过示例并参考以下附图进行描述：图1描绘了用于在眼科手术期间识别与计划参数的偏差的计算机实施的方法的示例性实施例的类似流程图的表示。
[0035]
图2描绘了眼睛以及眼睛的不同生物特征参数。
[0036]
图3描绘了基础的所提出的方法或相关联的系统的基本功能组成部分的示意性结构。
[0037]
图4描绘了具有用于机器学习系统的操作的组成部分的图。
[0038]
图5描绘了根据本发明的手术辅助系统的图。
[0039]
图6描绘了计算机系统的图，该计算机系统另外可以全部或部分地包括根据图5的系统。
具体实施方式
[0040]
在本说明书的上下文中，约定、术语和/或表达应该理解如下：术语“人工晶状体”描述可以通过外科手术插入到患者的眼睛中以代替天然的生物晶状体的人造晶状体。
[0041]
术语“机器学习系统”描述通常也被分配给方法的系统，所述系统从示例中学习。为此，将带注释的训练数据（即，也包含元数据）馈送到机器学习系统，以预测已预先设置的输出值（在分类系统的情况下是输出类）。如果输出类以足够的精度（即，预先确定的错误率）被正确输出，则机器学习系统被称为经训练的。已知不同的机器学习系统。这些机器学习系统包括神经网络、卷积神经网络（cnn）或递归神经网络（rnn）。
[0042]
原则上，术语“机器学习”是来自人工智能领域的基本术语或基本功能，其中，例如使用统计方法来赋予计算机系统“学习”的能力。举例来说，在这种情况下，特定任务范围内的某些行为模式被优化。所使用的方法赋予经训练的机器学习系统分析数据的能力，而不需要为此目的进行明确的程序编程。通常，例如，nn（神经网络）或cnn（卷积神经网络）是用于机器学习的系统的示例，用于形成充当人工神经元的节点网络、以及人工神经元之间的人工连接（所谓的链接），其中，可以向人工链接分配参数（例如，链接的加权参数）。在节点中，激活函数可以是激活的。在神经网络的训练过程中，为了生成期望的结果，基于输入信号自动调整链接的加权参数值。在监督学习的情况下（如这里的情况一样），作为输入值（训练数据）和其他输入数据（通常为（输入）数据）提供的呈视频序列形式的数字图像由呈注释形式的期望的输出数据（即，所谓的真实数据）补充，以生成期望的输出值（期望的类），该期望的输出值在这种情况下例如是对白内障手术后的实际屈光值的预测。非常一般地来说，学习输入数据到输出数据的映射。
[0043]
术语“神经网络”描述由具有一个或多个输入和一个或多个输出的电子实现的节点构成的网络，该网络用于执行计算操作（激活函数）。这里，选定的节点通过连接（所谓的链接或边）互连。这些连接可以具有某些属性（例如加权参数值），通过这些属性可以影响前面节点的输出值。
[0044]
神经网络通常由多个层构成。至少存在输入层、隐藏层和输出层。在简单示例中，图像数据（例如，视频序列的帧）可以被提供给输入层，并且输出层可以具有关于图像数据的分类结果（或者进一步的输入参数值）。然而，典型的神经网络具有大量的隐藏层。节点通过链接的连接方式取决于相应神经网络的类型。在本示例中，神经学习系统的预测值可以是白内障手术后具有插入的iol的眼睛的实际屈光值。
[0045]
术语“递归神经网络”表示这样的神经网络，该神经网络与前馈网络相比的区别是一层的神经元（即，节点）与相同层或前一层的神经元的链接。这是大脑中、特别是在新皮质中神经网络互连的优选方式。在人工神经网络中，模型神经元的循环连接经常用于发现数据中的时间编码（即动态）信息。这种递归神经网络的示例包括elman网络、jordan网络、hopfield网络和全连接神经网络。其也适合于检查眼睛记录中的动态行为，特别是考虑眼睛的调节行为。
[0046]
术语“参数值”（特别是眼睛的参数值）描述患者眼睛的几何值或生物特征值、或眼科数据。下面基于图2更详细地解释眼睛的参数值的示例。
[0047]
术语“扫描结果”描述例如基于数字图像/记录的数字数据，其表示对患者眼睛的
oct（光学相干断层扫描）检查的结果。
[0048]
术语“光学相干断层扫描”（缩写为oct）描述一种已知的眼科成像方法，用于获得具有微米分辨率的散射材料（例如生物组织）的二维和三维（2-d或3-d）记录。在该过程中，基本上使用光源、分束器和传感器（例如呈数字图像传感器的形式）。在眼科学中，oct用于检测各个视网膜层的反射行为的空间差异，并且形态结构可以用高分辨率表示。
[0049]
术语“a扫描”（也称为轴向深度扫描）描述患者眼睛扫描的一维结果，其提供了关于眼睛内结构的几何尺寸和位置的信息。
[0050]
术语“b扫描”描述多个前述a扫描的横向重叠，用于获得通过眼睛的截面。还可以通过组合如此生成的眼睛的多个层来生成体积视图。
[0051]
在这种情况下，术语“正面oct”描述用于产生眼睛的横向截面图像（与使用前述a扫描或b扫描的纵向截面图像相比）的方法。
[0052]
在这种情况下，术语“数字图像”（例如来自扫描）描述物理上存在的物品（例如，在这种情况下是眼睛的视网膜）的图像表示，或者从该物品生成像素数据形式的一定量数据的结果。更一般地，“数字图像”可以理解为二维信号矩阵。矩阵的各个向量也可以彼此邻接，从而生成cnn的层的输入向量。数字图像也可以是视频序列（即，视频流）的各个帧。
[0053]
术语“训练数据”描述可以用于训练机器学习系统的数据。在这种情况下，用于机器学习系统的这些训练数据是手术的视频序列、以及可选地眼睛的另外的参数值，例如眼科数据和相关联的屈光力值或早前成功的晶状体更换手术的白内障手术后的实际屈光值。
[0054]
术语“人工晶状体的屈光力”描述iol的屈光率。
[0055]
术语“超参数”、特别是比如神经网络等机器学习系统的超参数尤其描述了机器学习系统的架构。这可以包括网络的基本结构（即，网络的架构或拓扑）以及不会被机器学习系统的训练所改变的另外的内部参数，即，特别地，层数、每层的节点数以及每个节点所使用的激活函数。这种类型的超参数将被称为模型超参数。另一种类型的超参数将是算法超参数，其基本上与训练行为本身相关，也就是说，例如，训练批量大小、以及可选地对学习速度有影响而（在训练完成之后）对ml系统的预测行为没有影响的反向传播函数的类型。
[0056]
为清晰起见：与其相反，机器学习系统的参数值（也就是说，例如一层中的节点到另一层中的节点的链接的加权值）会在训练期间被调整。
[0057]
下面给出了对附图的详细描述。应当理解，在这种情况下，附图中的所有细节和信息都是示意性地展示的。首先示出的是根据本发明的用于确定要插入的人工晶状体的屈光力的计算机实施的方法的一个示例性实施例的框图。以下描述了进一步的示例性实施例、或对应的系统的示例性实施例：图1描绘了根据本发明的用于在眼科手术期间识别与计划参数的偏差的计算机实施的方法100的示例性实施例的类似流程图的表示。方法100包括提供102白内障手术（即，刚刚进行的用人造晶状体代替眼睛的生物晶状体的手术）的视频序列，以及训练104机器学习系统，该训练使用所提供的视频序列、以及在每种情况下在白内障手术期间要插入的人工晶状体的计划屈光力和白内障手术后的目标屈光值作为训练输入数据，并且使用呈白内障手术后的实际屈光值形式的相关联的预测结果（即，预测值），以形成用于预测白内障手术后的实际屈光值的机器学习模型。白内障手术后的实际可测量屈光值将被认为是用于形成学习模型的机器学习系统的这里存在的监督训练的训练阶段期间的注释、标签或真实
值。在这种情况下，视频序列是通过图像记录装置记录的。图像记录装置可以是手术显微镜，其通过放大光学系统和图像传感器来记录和存储帧，所述帧的序列产生视频序列。替代性地，放大也可以以纯电子算法的方式实施。
[0058]
此外，方法100包括持久存储（106）经训练的机器学习系统的参数值、以及可选地超参数值。对参数值、神经网络节点的激活函数以及描述机器学习系统的实际结构的其他超参数值的存储允许经训练的神经网络（或实际的机器学习模型）稍后被用在与训练预测操作（预测）时的硬件相比可能不同的硬件上。
[0059]
图2描绘了眼睛200以及具有眼睛的不同生物特征参数或眼科参数。特别地，表示了以下参数：眼轴长度202（al）、前房深度204（acd）、角膜曲率值206（k，半径）、晶状体的屈光力（屈光度）、晶状体厚度208（lt）、中央角膜厚度210（cct）、白到白距离212（wtw）、瞳孔大小214（ps）、后房深度216（pcd）、视网膜厚度218（rt）。该图特别地用作白内障手术分类的背景信息。
[0060]
图3表示基本功能块的示意性结构300，这些基本功能块对于所提出的方法的实施是有用的。位于中心的是要训练的机器学习系统310，其通过监督学习进行训练以生成学习模型，该学习模型可以由经训练的机器学习系统的参数值以及可选地超参数值来描述。将所记录的数字图像（呈通过视频相机记录的视频序列302的形式）、要插入的人工晶状体的计划屈光力304（或计划屈光力的值）和白内障手术后的目标屈光值306的序列用作训练输入值。此外，针对给定的输入数据（即，真实数据、注释或标签）的预期目标值（特别是手术后的实际测得的屈光力值308）可用于机器学习系统的训练。
[0061]
该阶段的结果将是用于预测白内障手术后的实际屈光值的经训练的机器学习系统或相关联的机器学习模型312。
[0062]
图4描绘了具有用于经训练的机器学习系统312的操作的组成部分的图400。再次，在操作期间，将视频序列402作为输入数据提供给经训练的机器学习系统312。此外，将要插入的人工晶状体的计划屈光力404和白内障手术后的目标屈光值406用作进一步的参数值。如果在机器学习系统312的训练期间使用了另外的参数值（例如，眼睛的眼科数据），则这里也应该将对应的附加输入数据用于经训练的机器学习系统312。
[0063]
结果，外科医生接收例如呈可视化形式408的预测数据，其至少包括手术后的预测目标屈光值和手术后的计划屈光值、以及这方面的偏差值。此外，可以向外科医生指示对要插入的人工晶状体的类型的推荐和计划的iol类型。以这种方式，外科医生在手术期间动态地接收附加的重要指示，从而使得在插入iol后不会对患者产生令人意外的影响。
[0064]
为了完整起见，图5描绘了手术辅助系统500的组件的优选示例性实施例，这些组件根据所提出的方法100来辅助机器学习系统510的训练。
[0065]
用于在眼科手术期间识别与计划参数值的偏差的手术辅助系统500包括存储程序代码的至少一个存储器504和连接到存储器504的一个或多个处理器502，当处理器执行程序代码时使手术辅助系统500控制以下单元：视频序列存储装置506，用于提供白内障手术的视频序列，这些视频序列是通过图像记录装置来记录的；训练控制系统508，用于训练机器学习系统510，该训练使用所提供的视频序列、以及在每种情况下在白内障手术期间要插入的人工晶状体的计划屈光力和白内障手术后的目标屈光值作为训练输入数据，并且使用呈白内障手术后的实际屈光值形式的相关联的预测结果，以形成用于预测白内障手术后的
实际屈光值的机器学习模型；以及参数值存储器512，用于持久存储经训练的机器学习系统的参数值以及可选地超参数值。
[0066]
明确提及以下事实：模块和单元（特别是处理器502、存储器504、视频序列存储装置506、训练控制系统508、机器学习系统510（对应于312）和参数值存储器512）可以通过电信号线或通过系统内部的总线系统514连接，以交换信号或数据。视频序列存储单元506和参数值存储器512可以使用相同的存储系统。另外，显示单元（未示出）也可以连接到系统内部的总线系统514，以输出、显示或以其他方式进一步处理或转发屈光力。
[0067]
对于实际手术使用，手术辅助系统的稍微不同的设计将是有利的（未示出）。为此，处理器、用于程序代码的存储器、经训练的机器学习系统312和显示单元将对向外科医生显示机器学习系统的预测值有用。
[0068]
图6展示了计算机系统的框图，该计算机系统可以具有用于确定屈光力的系统的至少一些部分。这里提出的概念的实施例原则上可以与几乎任何类型的计算机一起使用，而不管其中用于存储和/或执行程序代码的平台如何。图6通过示例展示了计算机系统600，该计算机系统适合于执行根据这里提出的方法的程序代码，但是也可以全部或部分地包含预测系统。
[0069]
计算机系统600具有多个通用功能。在这种情况下，计算机系统可以是平板计算机、膝上型/笔记本计算机、另一种便携式或移动电子设备、微处理器系统、基于微处理器的系统、智能电话、具有特别配置的特殊功能的计算机系统或者显微镜系统的组成部分。计算机系统600可以被配置以执行计算机系统可执行指令（比如程序模块等），这些计算机系统可执行指令可以被执行以实施这里提出的概念的功能。为此，程序模块可以包含例程、程序、对象、组件、逻辑、数据结构等，以实施特定的任务或特定的抽象数据类型。
[0070]
计算机系统的组件可以具有以下各项：一个或多个处理器或处理单元602、存储系统604以及将包括存储系统604在内的各种系统组件连接到处理器602的总线系统606。计算机系统600通常具有可由计算机系统600访问的多个易失性或非易失性存储介质。存储系统604可以以易失性形式存储存储介质的数据和/或指令（命令），例如存储在ram（随机存取存储器）608等中，以便由处理器602执行。这些数据和指令执行这里提出的概念的一个或多个功能或步骤。存储系统604的其他组件可以是永久性存储器（rom）610和长期存储器612，其中可以存储程序模块和数据（附图标记616）以及工作流。
[0071]
计算机系统具有用于通信目的多个专用装置（键盘618、鼠标/定点设备（未展示）、屏幕620等）。这些专用装置也可以组合在触敏显示器中。单独提供的i/o控制器614确保了与外部设备的无摩擦数据交换。网络适配器622可用于通过本地网络或全球网络（lan、wan，例如通过互联网）进行通信。计算机系统600的其他组件可以通过总线系统606访问网络适配器。应当理解，在这种情况下，尽管没有展示，但是其他装置也可以连接到计算机系统600。
[0072]
手术辅助系统500（参见图5）的至少一些部分也可以连接到总线系统606。手术辅助系统500和计算机系统600可以可选地一起使用存储器和/或处理器。
[0073]
出于更好理解的目的，已给出了本发明的各种示例性实施例的描述，但是该描述并不用于将本发明的概念直接局限于这些示例性实施例。本领域技术人员将自行开发进一步的修改和变化。这里使用的术语被选择以用于最好地描述示例性实施例的基本原理，并
且使其对于本领域技术人员来说容易理解。
[0074]
这里提出的原理可以实施为系统、方法、其组合和/或计算机程序产品。在这种情况下，计算机程序产品可以具有包含计算机可读程序指令的一个（或多个）计算机可读存储介质，以使处理器或控制系统执行本发明的各个方面。
[0075]
将电子介质、磁性介质、光学介质、电磁介质、红外介质或半导体系统用作转发介质；例如ssd（作为固态存储器的固态设备/驱动器）、ram（随机存取存储器）和/或rom（只读存储器）、eeprom（电可擦除rom）或其任何组合。还考虑传播的电磁波、波导或其他传输介质中的电磁波（例如光缆中的光脉冲）或电线中传输的电信号作为转发介质。
[0076]
计算机可读存储介质可以是保持或存储指令以供指令执行设备使用的实施装置。这里描述的计算机可读程序指令也可以例如作为（智能手机）app、通过基于电缆的连接或移动无线电网络从服务提供商下载到对应的计算机系统上。
[0077]
用于执行这里描述的本发明的操作的计算机可读程序指令可以是与机器相关或与机器无关的指令、微码、固件、状态定义数据或任何源代码或目标代码，其是用例如c++、java等或比如编程语言“c”或类似编程语言等常规程序编程语言来编写的。计算机可读程序指令可以完全由计算机系统执行。在一些示例性实施例中，还可以由比如可编程逻辑电路、现场可编程门阵列（fpga）或可编程逻辑阵列（pla）等电子电路通过使用计算机可读程序指令的状态信息来执行计算机可读程序指令，以根据本发明的方面配置或定制电子电路。
[0078]
此外，这里提出的发明是参考根据本发明的示例性实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图来说明的。要指出的是，实际上流程图和/或框图中的任何框都可以被设计为计算机可读程序指令。
[0079]
计算机可读程序指令可以可用于通用计算机、专用计算机或能够以另一种方式编程的数据处理系统，以便创建机器，使得由处理器或计算机或其他可编程数据处理装置执行的指令生成用于实施流程图和/或框图中所展示的功能或过程的装置。这些计算机可读程序指令也可以相应地存储在计算机可读存储介质上。
[0080]
在这个意义上，所展示流程图或框图中的任何框都可以表示模块、表示用于实施特定逻辑功能的若干可执行指令的指令段或指令部分。在一些示例性实施例中，在各个框中展示的功能可以以另一顺序执行，也可能并行执行。
[0081]
权利要求中所展示的结构、材料、顺序和具有相关联的功能的所有装置和/或步骤的等效物旨在应用权利要求所表达的所有结构、材料或顺序。
[0082]
附图标记100
ꢀꢀꢀ
用于在眼科手术期间识别与计划参数的偏差的方法102
ꢀꢀꢀ
100的方法步骤104
ꢀꢀꢀ
100的方法步骤106
ꢀꢀꢀ
100的方法步骤200
ꢀꢀꢀ
眼睛参数202
ꢀꢀꢀ
眼轴长度204
ꢀꢀꢀ
前房厚度206
ꢀꢀꢀ
角膜曲率值
208
ꢀꢀꢀ
晶状体厚度210
ꢀꢀꢀ
中央角膜厚度212
ꢀꢀꢀ
白到白距离214
ꢀꢀꢀ
瞳孔大小216
ꢀꢀꢀ
后房深度218
ꢀꢀꢀ
视网膜厚度300
ꢀꢀꢀ
用于实施方法的功能块302
ꢀꢀꢀ
来自相机的视频序列304
ꢀꢀꢀ
计划屈光力的值306
ꢀꢀꢀ
白内障手术后的目标屈光值308
ꢀꢀꢀ
手术后实际测得的屈光力值310
ꢀꢀꢀ
训练中的机器学习系统312
ꢀꢀꢀ
具有学习模型的经训练的机器学习系统400
ꢀꢀꢀ
用于机器学习系统的激活操作的组成部分402
ꢀꢀꢀ
（多个）视频序列404
ꢀꢀꢀ
要插入的人工晶状体的计划屈光力406
ꢀꢀꢀ
目标屈光值408
ꢀꢀꢀ
预测数据的输出（可视化）500
ꢀꢀꢀ
手术辅助系统502
ꢀꢀꢀ
处理器504
ꢀꢀꢀ
存储器506
ꢀꢀꢀ
视频序列存储装置508
ꢀꢀꢀ
训练控制系统510
ꢀꢀꢀ
机器学习系统512
ꢀꢀꢀ
参数值存储器514
ꢀꢀꢀ
总线系统600
ꢀꢀꢀ
计算机系统602
ꢀꢀꢀ
处理器604
ꢀꢀꢀ
存储系统606
ꢀꢀꢀ
总线系统608
ꢀꢀꢀ
ram610
ꢀꢀꢀ
rom612
ꢀꢀꢀ
长期存储器614
ꢀꢀꢀ
i/o控制器615
ꢀꢀꢀ
程序模块、潜在数据618
ꢀꢀꢀ
键盘620
ꢀꢀꢀ
屏幕622
ꢀꢀ
网络适配器