[发明专利]一种构建适用于SMILE手术切削厚度预测的BP神经网络模型的方法

说明书

本发明公开一种基于BP神经网络模型的SMILE手术参数预测方法，包括如下步骤：步骤1：选定模型训练阶段的输入值和期望输出值，步骤2：构建BP神经网络模型；步骤3：训练模型；步骤4：选定模型应用阶段的输入值和输出值；步骤5：模型应用；步骤6：计算剩余基底厚度的预测值；步骤7：得出SMILE手术参数预测结果。优点：基于BP神经网络对现有的大量数据进行深度学习，并可独立于SMILE手术机器实现预测功能。因此，本发明能够在保证预测精度的基础之上，从根本上实现全飞秒手术适应症的科学、快速筛查，并可节约临床时间。

技术领域

本发明涉及一种应用BP神经网络预测SMILE手术参数的方法，属于眼科手术参数设计领域。

背景技术

目前飞秒激光在近视角膜屈光手术中的应用日趋广泛，特别是飞秒激光小切口角膜基质透镜取出术(SMILE)显示出较好的安全性、有效性、稳定性和可预测性。但不同患者其术后临床效果仍不尽相同，因此，如何做到真正的个体化还需要不断探讨，手术参数设计仍存在许多未知因素。近年来，屈光手术医生们在遵循视觉光学基本理论的前提下不断探索和优化SMILE手术参数的设计，以保证手术的精确度，提高患者术后视觉质量。

SMILE作为相对较新的角膜屈光手术方式，目前还处在不断探索的发展阶段，其中最重要的问题是对手术参数的设定尚缺乏足够的经验。为了减少对角膜组织的损伤，实现个体化的手术设计，达到最佳手术效果，需要对手术参数的设定和相关手术设计进行认真分析，并给予优化和必要的调整。

BP神经网络(Back-Propagation Neural Network)又称为反向传播神经网络，是通过误差反向传播算法的多层前向神经网络，该网络具有良好的非线性函数逼近能力，能够实现精准的预测。

SMILE手术的关键参数主要为切削厚度和剩余基底厚度，其中切削厚度受到患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)等数据的影响，而剩余基底厚度数值受到角膜厚度、切削厚度、基底厚度以及帽厚度等参数的影响。

由于SMILE手术的关键参数受到以上多方面因素的影响，临床上很难直观地得出判断结果，包括切削厚度、剩余基底厚度、以及患者是否符合手术条件等。

通常情况下，想要的出手术参数结论，需要借助SMILE手术机器，输入各项参数来得出切削厚度和剩余基底厚度等结果，然而这种方式会占用SMILE手术机器的时间，且在术前筛查过程中无法迅速进行计算和判断。

因此，如果能以厂家提供的部分数据和长期积累的患者数据为先验条件，建立科学的 SIMLE手术参数预测方法，快速预测出切削厚度和剩余基底厚度，帮助临床医生判断患者是否符合手术条件，同时又能避免占用SMILE手术机器的时间，获得较好的经济和社会效益。

发明内容

针对以上不足，本发明提供了提供一种基于BP神经网络对SMILE手术参数进行快速预测的方法该方法，是基于BP神经网络的机器学习模式，模拟并预测SMILE手术的角膜切削公式，通过输入患者的当前手术数据，计算SMILE手术需要切削的角膜厚度，以预测患者手术的可行性，辅助评估手术风险，并指导手术医生选择个性化设计的手术方案。

本发明采取的技术方案如下：

一种基于BP神经网络模型的SMILE手术参数预测方法，包括如下步骤:

步骤1：根据厂家提供的官方数据以及历史患者数据，选定患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)4项指标作为模型训练阶段的输入值，选定输入量所一一对应的切削厚度值Y作为模型训练阶段的期望输出值；