[发明专利]基于机器学习的全飞秒术后视力预测方法、系统及介质

说明书

本发明公开了一种基于机器学习的全飞秒术后视力预测方法，包括：获取全飞秒手术样本数据集；对全飞秒手术样本数据集进行有效变量筛选；对有效变量输入一AI算法进行模型训练；对训练后的数学模型进行术后视力的预测；对预测结果进行误差调整；对调整后的预测结果进行视力表达形式的转换。本发明公开了又公开了一种基于机器学习的全飞秒术后视力预测系统，包括全飞秒手术样本数据集获取模块、有效变量筛选模块、AI算法模型训练模块、术后视力预测模块、预测结果误差调整模块和视力表达形式转换模块。本发明能精确预测全飞秒术后早期及远期的视力情况。

技术领域

本发明涉及眼科术后视力预测人工智能技术领域，具体涉及基于机器学习的全飞秒术后视力预测方法、系统及介质。

背景技术

自2008年以来，飞秒激光小切口基质透镜取出术(简称“全飞秒”，Small incisionlenticule extraction，SMILE)被广泛推荐，并成为角膜屈光手术中“微创手术”的巨大突破。该手术方式避免了角膜瓣以及所有角膜瓣相关的并发症的发生。到目前为止，全球SMILE手术已经有超过200万例。而且，越来越多的临床研究证明，SMILE是一种安全、准确、有效的屈光手术。与其他类型的角膜屈光手术相比较，SMILE具有更多的优势，如：医源性干眼症的发生率低，角膜知觉恢复较快，以及生物力学的优势。然而，在一些病例中，SMILE术后出现了屈光度数回退和裸眼视力的下降现象。裸眼视力直接代表患者未戴矫正眼镜的情况下对物体的识别能力。因此，对于SMILE术后患者的裸眼视力状态的预测极具意义。

在既往传统研究中，SMILE术后视力状态的结果报告常以“特征群体”进行总体汇报。因此，在实际临床场景之下，临床医生仅在“拥有丰富的临床经验和学习较多临床研究报告之后”才能对SMILE术后的视力状态进行粗略的估计。不可否认，即使这种情况的估测，依然需要消耗临床医生较多的时间、精力以及相应的劳动。事实上，对于临床医生，每一位患者所拥有的信息都是一个“大数据”的挑战。在处理大量信息和存储的能力方面，计算机毫无疑问远远超越人脑。因此，与单纯依赖大脑记忆分析相比，计算机的机器学习(machinelearning，ML)即人工智能(artificial intelligence，AI)可以帮助进行预测分析，从而辅助临床医生进行正确的临床决策。目前，AI已经被成熟地应用于模拟人类的学习结果。在眼科学中，特别是与图像识别方便的问题，AI取得了实质性的进展。毫无疑问，这将推进眼科AI技术质的飞跃。不可否认的是目前尚缺乏对于SMILE术后视力的精确预测。无论对于SMILE的手术医生还是打算接受SMILE进行近视矫正的患者，术后的视力状态都是至关重要的，原因如下：首先，SMILE术后视力的精确预测可以帮助减少SMILE患者和手术医生的心理压力；其次，SMILE术后视力的精确预测对更有助于确定SMILE的适应症；此外，传统的研究报告及技术不能满足这些需求。

发明内容

有鉴于此，有必要针对上述的问题，提出基于机器学习的全飞秒术后视力预测方法、系统及介质，能精确预测SMILE术后早期及远期的视力情况。

为实现上述目的，本发明采取以下的技术方案：

本发明提出一种基于机器学习的全飞秒术后视力预测方法，包括以下步骤：

S1，获取全飞秒手术样本数据集；

S2，对于S1获得的全飞秒手术样本数据集进行有效变量筛选；

S3，对于S2获得的有效变量输入一AI算法进行模型训练；

S4，对于S3训练后的数学模型进行术后视力的预测；

S5，对于S4获得的预测结果进行误差调整；

S6，对于S5调整后的预测结果进行视力表达形式的转换。