一种人工晶状体的度数确定方法、系统及设备与流程

本发明涉及人工智能，尤其涉及一种人工晶状体的度数确定方法、系统及设备。

背景技术：

1、白内障是全球范围内首要的致盲性眼病之一，目前临床上最成熟、最主流的治疗方式为超声乳化白内障摘除联合人工晶状体植入术。在该手术中，植入眼内的人工晶状体度数是否准确，决定患者术后的屈光状态及视觉质量。若人工晶状体度数选择不当，患者术后可能出现近视、远视或散光等屈光不正，需要额外配镜矫正，影响手术效果和患者满意度。因此，如何根据患者术前眼部参数准确计算拟植入的人工晶状体度数，是白内障手术中至关重要的技术环节。

2、目前，以专利cn117238514b为例，公开了一种玻璃体切除术后人工晶状体屈光力预测方法，该方法包括：获取玻璃体切除术后白内障患者的数据集，并将数据集分为训练集和验证集；基于堆叠算法建立用于预测有效晶状体位置的预测模型，并分别通过训练集和验证集对预测模型进行训练并验证；将目标患者的生物学病史参数输入预测模型，得到有效晶状体位置的目标预测值；根据生物学病史参数计算得到对应的全角膜屈光力和光学眼轴长度；最后根据目标预测值、全角膜屈光力和光学眼轴长度进行屈光力计算，得到人工晶状体的屈光力。

3、然而，现有技术针对玻璃体切除术后白内障患者，采用单一全局预测模型进行有效晶状体位置预测，默认在玻璃体切除术后白内障患者中有效晶状体位置与患者的病史参数之间遵循同质的映射规律，但是，在常规白内障患者中，眼部结构参数的分布存在较大的偏离，导致应用现有技术的方案时屈光预测准确性显著下降，最终导致确定的人工晶状体度数的准确性低。

技术实现思路

1、本发明提供了一种人工晶状体的度数确定方法、系统及设备，能够解决现有技术采用单一全局预测模型进行有效晶状体位置预测，导致屈光预测准确性低，进而导致确定的人工晶状体度数准确性低的问题。

2、本发明提供了一种人工晶状体的度数确定方法，包括：

3、获取目标对象的术前的眼部参数、术后的目标屈光度，以及用于手术的人工晶状体的至少两个候选度数；

4、根据眼轴与人工晶状体的位置之间的分段非线性映射关系确定至少两个预设眼轴区间，并根据眼部参数中的眼轴参数，在所有预设眼轴区间中确定目标对象对应的目标区间；

5、根据目标区间调用对应的目标预测模型，将眼部参数输入目标预测模型，得到人工晶状体的预测位置参数；

6、针对每个候选度数，将预测位置参数、眼部参数以及候选度数，输入预设理论光学模型，得到每个候选度数对应的预测屈光度，并根据所有预测屈光度与目标屈光度之间的差值，确定人工晶状体的目标度数。

7、本发明实施例创新的提出了晶状体位置与眼轴参数之间的分段非线性映射关系，基于该关系确定眼轴区间，并以目标对象的眼轴参数为依据精准定位其所属目标区间，进而调用与该目标区间匹配的目标预测模型进行位置预测。通过上述手段，实现基于目标对象实际所属的解剖结构区间进行预测模型的精准适配，提高了常规白内障患者进行人工晶状体植入术的术前位置预测的准确性。并且，根据预测位置参数，遍历多个候选度数并逐一计算对应的预测屈光度，以预测屈光度与目标屈光度之间的偏差作为量化筛选依据，同步提高了确定的人工晶状体度数的准确性。

8、进一步的，根据目标区间调用对应的目标预测模型，具体为：

9、获取与预设眼轴区间对应的训练子集；

10、基于训练子集，采用lasso回归算法进行独立训练，得到与预设眼轴区间对应的预测子模型，其中，各预测子模型具有互不相同的非零回归系数集合，且各非零回归系数集合用于表征分段非线性映射关系在对应的预设眼轴区间内参数类型的映射特征；

11、根据目标区间在各预测子模型中确定目标预测模型。

12、这样依据分段非线性映射关系中的预设眼轴区间获取对应的训练子集，并在各训练子集上采用lasso回归算法进行独立训练，使得各眼轴区间的预测子模型在参数优化过程中互不牵制，各自精准拟合本区间内elp与眼部参数之间的局部映射规律。在此基础上，lasso回归的l1正则化机制自动为各区间筛选出与该区间elp预测最相关的关键参数类型，形成各自独立的非零回归系数集合。实现了模型参数层面的结构性解耦，进而使得各区间预测子模型能够精准适配对应解剖结构的预测需求，避免了单一全局模型因一套系数拟合所有区间而导致的预测偏差，从而进一步提高了晶体位置预测的精度。

13、进一步的，其中，训练子集包括至少两个训练样本，每个训练样本包括术前的实际眼部参数、实际度数以及术后的实际屈光度；

14、采用lasso回归算法进行独立训练，得到与所述预设眼轴区间对应的预测子模型，具体为：

15、在各训练子集内，将实际眼部参数中各参数类型对应的回归系数作为训练变量，以参考位置参数为拟合目标，采用lasso回归算法进行优化训练，在优化训练过程中，自动根据预测贡献确定冗余参数类型和目标参数类型，压缩冗余参数类型对应的冗余回归系数为零值，并保留目标参数类型对应的目标回归系数为非零值，得到非零回归系数集合，其中，参考位置参数是根据实际度数和实际屈光度反推得到的；

16、根据非零回归系数集合确定预测子模型。

17、这样针对各训练子集分别独立执行lasso回归优化训练，由于各区间内的映射规律不同，lasso回归算法中的l1正则化在各区间中自动判定出的冗余参数和目标参数自然不同，使各区间模型能够聚焦于对该区间elp预测最具贡献的关键参数，从而在保障模型精简性的同时，进一步提升了各眼轴区间的预测精度。

18、进一步的，预设理论光学模型还用于在目标预测模型的训练阶段生成训练标签，具体为：

19、根据目标对象对应的目标区间，获取初始预测模型和训练子集，其中，训练子集包括至少两个训练样本，每个训练样本包括术前的实际眼部参数、实际度数以及术后的实际屈光度；

20、根据实际度数、实际屈光度以及预设理论光学模型，反推得到参考位置参数；

21、以实际眼部参数为输入，以参考位置参数为训练标签，对初始预测模型进行训练，得到目标预测模型。

22、这样将预设理论光学模型同时用于训练阶段的训练标签生成和应用阶段的位置预测，使得训练标签的物理定义与应用阶段位置预测中位置参数的物理定义在统一光学模型下保持一致，避免了因训练标签与位置预测采用不同物理模型或不同定义方式而可能引入的偏差。同时，以实际植入度数和术后实际屈光度作为反推依据，结合理论光学模型生成参考位置参数，使得训练标签的确定具有明确的物理含义和客观的数据基础，进一步保障了模型预测的可靠性。

23、进一步的，在将眼部参数输入目标预测模型之前，还包括：

24、分别判断眼部参数中的各参数是否位于预设取值区间；

25、若是，则眼部参数校验通过，将眼部参数输入目标预测模型；

26、若否，则将未位于预设取值区间的参数标记为异常参数，并剔除异常参数或提示重新测量异常参数。

27、这样基于合理区间的数据质量前置管控，在数据进入预测模型之前完成有效性检查，有效过滤异常测量值和录入错误，提高临床实际使用中的可靠性和容错性。

28、进一步的，人工晶状体的度数确定方法，还包括：

29、获取目标对象的术后的实际屈光结果；

30、将实际屈光结果与目标度数对应的预测屈光度进行比较，计算得到预测误差；

31、当预测误差大于预设误差阈值时，根据眼部参数、目标度数对应的预测屈光度，以及实际屈光结果，对目标预测模型重新训练或增量更新。

32、这样建立了模型的更新维护机制，能够利用术后实际结果持续优化模型性能，解决了静态模型无法适应人群特征变化或设备更新带来的漂移问题，保障预测的长期准确性。

33、进一步的，获取目标对象的术前的眼部参数，具体为：

34、获取目标对象的术前的眼部测量参数；

35、根据眼部测量参数中的至少两个参数，计算得到眼部组合参数；

36、组合眼部测量参数和眼部组合参数，得到眼部参数。

37、这样通过构造组合特征，将原始测量数据所隐含的空间结构关系和眼球几何特征显式地输入到预测模型中，丰富了输入信息的维度，解决了仅用原始测量参数难以充分表征复杂眼球解剖结构差异的问题，从而提高模型对不同眼球结构特征的识别和预测能力。

38、进一步的，其中，预设理论光学模型是高斯理论光学模型；

39、将预测位置参数、眼部参数以及候选度数，输入预设理论光学模型，得到每个候选度数对应的预测屈光度，具体为：

40、根据眼部参数中的角膜曲率，计算得到光线经角膜折射后的第一会聚状态；

41、根据预测位置参数，将第一会聚状态由角膜对应的平面传播至人工晶状体对应的平面，得到第二会聚状态；

42、根据候选度数，计算第二会聚状态经人工晶状体折射后的第三会聚状态；

43、根据眼部参数中的眼轴长度，将第三会聚状态传播至视网膜平面，与视网膜平面的目标会聚状态进行比较，得到预测屈光度。

44、这样将理论光学计算过程分解为四个明确的物理传播步骤，从角膜折射到最终视网膜成像，完整地模拟了光线在眼内的传播路径。每一步都有明确的物理含义，使整个计算过程透明可解释，摆脱了对既有回归公式的依赖。

45、本发明另一实施例还提供了一种人工晶状体的度数确定系统，包括：数据获取模块、区间定位模块、位置预测模块和度数筛选模块；

46、数据获取模块，用于获取目标对象的术前的眼部参数、术后的目标屈光度，以及用于手术的人工晶状体的至少两个候选度数；

47、区间定位模块，用于根据眼轴与人工晶状体的位置之间的分段非线性映射关系确定至少两个预设眼轴区间，并根据眼部参数中的眼轴参数，在所有预设眼轴区间中确定目标对象对应的目标区间；

48、位置预测模块，用于根据目标区间调用对应的目标预测模型，将眼部参数输入目标预测模型，得到人工晶状体的预测位置参数；

49、度数筛选模块，用于针对每个候选度数，将预测位置参数、眼部参数以及候选度数，输入预设理论光学模型，得到每个候选度数对应的预测屈光度，并根据所有预测屈光度与目标屈光度之间的差值，确定人工晶状体的目标度数。

50、本发明另一实施例还提供了一种终端设备，包括：处理器、存储器以及存储在存储器中且被配置为由处理器执行的计算机程序，处理器执行计算机程序时，实现如本发明人工晶状体的度数确定方法的步骤。