[发明专利]一种预测SMILE屈光手术中屈光度调整值的优化方法及系统

权利要求书

1.一种预测SMILE屈光手术中屈光度调整值的优化方法，其特征在于包括如下步骤：使用机器学习算法，将训练样本的术前参数及其术后验光度作为训练属性，训练生成预测模型；对于待预测新病例，将术后验光度作为目标属性，设置为理想值，协同该待预测新病例的术前参数作为输入，应用预测模型生成Nomogram预测值；

基于训练样本属性及医师设定的Nomogram值，构建术后验光度预测模型；将Nomogram初始预测值及其K近邻Nomogram值输入术后验光度预测模型，选择其中导致最佳术后验光度的Nomogram值作为最终优化结果，包括以下子步骤：

采用机器学习算法，基于训练样本的属性，构建预测Nomogram值的预测模型；

采用机器学习算法，基于训练样本的属性及医师设定的Nomogram值，构建预测术后验光度的术后验光度预测模型；

对于待预测新病例，应用预测模型生成其Nomogram初始预测值，并设定步长，生成其K近邻集合；

分别将待预测新病例的Nomogram初始预测值及生成的K近邻集合，协同所述新病例的其他属性输入术后验光度预测模型，生成相应的术后验光度，选择导致术后验光度绝对值最小的Nomogram值作为最终预测值，

其中，训练生成预测模型包括以下子步骤：

S121，对训练样本的术前参数及其术后验光度作为训练属性分别进行归一化处 理，生成归一化特征值，将归一特征值作为输入数据输入到多层感知神经网络模型中，随机分配多层感知神经网络中各个边上的权重；

S122，根据各个边的权值和输入层的数据按照顺序计算下一层神经元的输出，并 得到输出层神经元的输出结果；

S123，计算输出节点的总误差，并将这些误差用反向传播算法传播回网络以计算梯度；S124，利用梯度下降算法调整网络中的所有权重，从而减少输出层的误差； S125，重复S122～S124，直到输出层误差小于给定的标准误差，生成预测模型。

2.如权利要求1所述的预测SMILE屈光手术中屈光度调整值的优化方法，其特征在于还可以包括如下步骤：

基于机器学习算法生成的Nomogram预测值，构建偏差预测模型对Nomogram值的预测偏差进行预测，并修正Nomogram预测值。

3.如权利要求2所述的预测SMILE屈光手术中屈光度调整值的优化方法，其特征在于所述基于机器学习算法生成的Nomogram预测值，构建偏差预测模型对Nomogram值的预测偏差进行预测，并修正Nomogram预测值，包括如下步骤：

采用机器学习算法，基于训练样本的属性，构建预测Nomogram值的预测模型；

对训练样本应用预测模型进行预测，得到Nomogram预测值，并计算Nomogram预测值与医师设定的Nomogram值之间的偏差；

采用机器学习算法，基于训练样本属性和Nomogram预测值，构建预测偏差的偏差预测模型；

对于待预测的新病例，依次应用预测模型生成Nomogram预测值、偏差预测模型生成其预测偏差，并用所述预测偏差修正所述Nomogram预测值，得到修正后的Nomogram预测值。

4.如权利要求1或2所述的预测SMILE屈光手术中屈光度调整值的优化方法，其特征在于使用机器学习算法基于训练样本的属性及其术后验光度对训练样本进行训练，生成预测模型之前，还可以包括如下步骤：

对获取的初步训练样本进行扩充，增加初步训练样本中小众训练样本的数量,得到训练样本。