一种预测SMILE屈光手术中屈光度调整值的优化方法及系统技术方案

本发明专利技术公开了一种预测SMILE屈光手术中屈光度调整值的优化方法及系统。其中，该方法包括如下步骤：使用优选机器学习算法，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。该方法可以有效提升现有Nomogram预测值的预测准确率，使用该方法可以减少术前方案制定过程对专家的依赖，降低术前方案制定的专业门槛，进一步提升术前方案制定的精准率。

【技术实现步骤摘要】
一种预测SMILE屈光手术中屈光度调整值的优化方法及系统
本专利技术涉及一种预测SMILE(全飞秒激光)屈光手术中屈光度调整值的优化方法，尤其涉及一种基于机器学习方法预测SMILE屈光手术中屈光度调整值的优化方法，同时涉及实现该优化方法的系统。
技术介绍
近视已经逐渐成为一个全球化的问题，调查研究显示，全世界有超过15亿人患有近视，在中国，年龄15-25岁之间的青少年近视患病率为75％以上。治疗近视、远视及散光等屈光不正的角膜屈光手术(准分子激光手术，飞秒激光手术)是本世纪最新的常见眼科手术之一。SMILE屈光手术是最新研发的一种治疗屈光不正的手术技术，其效果和安全性较以往的手术技术都有很大提升。屈光手术在保障安全性、有效性的基础上，为了达到最佳的视力矫正效果，仍然有一些问题亟待解决，例如个性化的手术决策、精准化的手术设计、手术效果评价、以及手术效果预测等。相对统一的手术筛查、手术设计以及治疗方案不适合所有的人眼个体；同时，角膜形态参数庞杂，加之对激光的敏感性不同，以及临床医师的经验水平不同，亦很难达到决策的标准性、一致性。然而，随着当前屈光手术数据量的不断扩大，利用机器学习技术对手术数据进行预测分析，从而得到个性化、精准化的手术方案开始成为可能。这将辅助医师精确设计手术方案，显著提升患者的术后疗效。当前，SMILE屈光手术主要基于医师先验手术经验，综合考虑球镜度、柱镜度、年龄等因素进行重要手术参数设定，其中，Nomogram值的设定对于屈光手术的疗效至关重要的。目前，已有研究提出利用机器学习技术对屈光手术方案中的Nomogram值进行分析预测。例如，Multi-regression方法利用多元线性回归方法，研究在LASIK(LaserAssistedinSituKeratomileusis，准分子激光原位角膜磨镶术)手术方案制定过程中，Nomogram值和术前各个参数的线性关系。但是，SMILE手术的原理与LASIK手术有所不同，实验证明，在SMILE手术中，Nomogram值与术前参数间不存在线性关系，现有方法不适用于SMILE手术方案的制定。通过研究与实验证实，机器学习中的强化分类器和神经网络算法对SMILE手术中Nomogram值的预测有较高的准确度，已达到临床应用可接受标准。然而，仍存在不少问题尚待优化，以进一步提高SMILE手术中Nomogram值预测的准确度。
技术实现思路
针对现有技术的不足，本专利技术所要解决的首要技术问题在于提供一种预测SMILE屈光手术中屈光度调整值的优化方法。本专利技术所要解决的另一技术问题提供一种预测SMILE屈光手术中屈光度调整值的优化系统。为实现上述专利技术目的，本专利技术采用下述的技术方案：根据本专利技术实施例的第一方面，提供一种预测SMILE屈光手术中屈光度调整值的优化方法，包括如下步骤：使用优选机器学习算法，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。其中较优地，所述预测SMILE屈光手术中屈光度调整值的优化方法，还可以包括如下步骤：基于优选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。其中较优地，所述基于优选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：采用优选机器学习算法，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；采用优选机器学习算法，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。其中较优地，所述预测SMILE屈光手术中屈光度调整值的优化方法，还可以包括如下步骤：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。其中较优地，所述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,包括如下步骤：采用优选机器学习算法，基于训练样本的属性，构建预测Nomogram值的预测模型；采用优选机器学习算法，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。其中较优地，所述预测SMILE屈光手术中屈光度调整值的优化方法，使用优选机器学习算法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。其中较优地，所述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，包括如下步骤：S111，计算初步训练样本中各属性对Nomogram值的信息增益，确定不变属性和可变属性；S112，对于任意一个小众样本，基于全局属性的欧式距离筛选所述小众样本最近邻同类样本；S113，基于所述小众样本生成新的小众训练样本,其中，所述新的小众训练样本的不变属性取值与所述小众样本相同，所述新的小众训练样本的可变属性取值为所述小众样本与所述最近邻同类样本相应属性的随机中间值；S114，重复步骤S112～S113，直到训练样本基于不同Nomogram值的数量分布达到均衡。根据本专利技术实施例的第二方面，提供一种预测SMILE屈光手术中屈光度调整值的优化方法的优化系统，包括处理器和存储器；所述存储器上存储有可用在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时实现如下步骤：使用优选机器学习算法，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。其中较优地，当所述计算机程序被所述处理器执行时还可以实现如下步骤：基于优选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。其中较优地，当所述计算机程序被所述处理器执行时，还可以实现如下步骤：基于训练样本本文档来自技高网...

【技术保护点】
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：使用优选机器学习算法，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。

【技术特征摘要】
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：使用优选机器学习算法，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。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：基于优选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优选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：采用优选机器学习算法，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；采用优选机器学习算法，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。5.如权利要求4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,包括如下步骤：采用优选机器学习算法，基于训练样本的属性，构建预测Nomogram值的预测模型；采用优选机器学习算法，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...

【专利技术属性】
技术研发人员：季书帆，李炎，郑承浩，石林川，崔彤，张琳，王书航，徐佳慧，
申请(专利权)人：季书帆，
类型：发明
国别省市：北京,11