[发明专利]一种基于Scheimpflug眼前节形态的屈光度精准评估的方法和应用

权利要求书

1.一种基于Scheimpflug眼前节形态的屈光度精准评估的方法，其特征在于：步骤如下：

步骤1：采集患者客观电脑验光数据以及眼前节数据特征，作为模型学习训练使用的特征；

步骤2：对数据集进行划分，使用十折交叉验证的方法得到训练集和验证集；

步骤3：初始化模型F₀(x)，为只有一个根节点的树，使用均方根误差RMSE，数据集中，x_i为第i个样本，N为样本量,y_i∈R；

步骤4：在上一模型F₀(x)损失函数梯度下降方向上建立模型，所述模型构建采用的梯度提升算法XGboost，具体步骤如下：

⑴对于每一个节点，计算所有特征以及选择不同划分点的Gain值；

⑵选择Gain值最大的特征以及划分点将该节点的数据集分成两部分，直到满足停止条件，即Gain值小于阈值或者达到最大树的高度；

⑶用得到的新CART树更新模型F_m＝F_m-1+f_t；

⑷重复执行步骤⑵，直至迭代次数达到设定的迭代数T；

⑸得到最终回归模型f_M：

其中，XGBoost采用网格化搜索调节的参数，设置如下：

迭代次数设置为500并使用早停止，树的最大深度为2，每棵树特征下采样率为0.8，每个节点特征下采样率为0.9，学习率0.05。

2.根据权利要求1所述的基于Scheimpflug眼前节形态的屈光度精准评估的方法，其特征在于：所述步骤1中模型学习使用的特征包括客观电脑验光、形态参数、眼前节数据，并对客观电脑验光、眼前节数据匹配标注。

3.根据权利要求2所述的基于Scheimpflug眼前节形态的屈光度精准评估的方法，其特征在于：所述形态参数包括角膜散光、角膜曲率、角膜非球面参数、角膜偏心值、角膜像差；

所述眼前节数据包括前房容积。

4.根据权利要求1至3任一项所述的基于Scheimpflug眼前节形态的屈光度精准评估的方法，其特征在于：所述步骤2中利用交叉验证方法对数据集划分并对模型性能验证，即将数据集随机均匀分为10组，每次选1组作为验证集，其余几组作为训练集，并按该十折交叉验证的方法对模型进行训练。

5.如权利要求1至4任一项所述的基于Scheimpflug眼前节形态的屈光度精准评估的方法在屈光度检测方面中的应用。

6.如权利要求1至4任一项所述的基于Scheimpflug眼前节形态的屈光度精准评估的方法在视力筛查和/或近视防控方面和/或视力临床矫正中的应用。