人工晶体植入后的屈光度预测方法、存储介质及电子设备技术

本申请涉及人工晶体植入后的屈光度预测方法、存储介质及电子设备，其包括：获取有晶体眼后房中的样本数据；将样本数据作为输入参数，采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练和合并训练，得到术后分开训练预测结果和术后合并训练预测结果；将术后分开训练预测结果和术后合并训练预测结果作为新的输入参数，采用不同机器学习预测模型分别对ICL和TICL进行单独训练，得到训练完成的模型；采用训练完成的模型进行预测，得出预测结果并与预置的实验结果对比，得出对比结果，根据对比结果确定ICL和TICL最佳预测模型，本申请具有通过最佳预测模型提高人工晶体植入后的屈光度预测的准确性的效果。预测的准确性的效果。预测的准确性的效果。

【技术实现步骤摘要】
人工晶体植入后的屈光度预测方法、存储介质及电子设备


[0001]本申请涉及人工晶体的
，尤其是涉及有人工晶体植入后的屈光度预测方法、存储介质及电子设备。

技术介绍

[0002]目前在矫正眼睛屈光不正，尤其是矫正白内障术后无晶体屈光不正方面，通常都是采用往有晶体眼后房中植入人工晶体的方式，不仅提高了患者的视力，更改善了患者生活，为了达到植入人工晶体后患者能取得最佳视觉效果，术后屈光度预测的准确性受到了许多科学家的关注。人工晶体包括可植入式隐形眼镜（Implantable Collamer Lens，ICL）和散光矫正可植入式隐形眼镜（Toric Implantable Collamer Lens，TICL），ICL适用于矫正高度近视，TICL适用于矫正高度近视合并散光。其中屈光不正是指眼在不使用调节时，平行光线通过眼的屈光作用后，不能在视网膜上形成清晰的物像，而在视网膜前或后方成像。
[0003]相关技术中，ICL/TICL晶体术后屈光度预测方法临床上用的多是聚散度计算公式，这类公式纳入的参数只有患者年龄、球镜、柱镜、轴向、前房深度、角膜厚度、白到白等参数。另外，这类公式的准确性容易受到不同眼部解剖结构（眼轴、角膜曲率）的影响。
[0004]针对上述中的相关技术，专利技术人认为存在有以下缺陷：术后屈光度预测方法的计算公式内纳入的参数不够全面，这样通过计算公式预测出来的屈光度准确性有待提高。

技术实现思路

[0005]为了提高人工晶体植入后的屈光度预测的准确性，本申请提供人工晶体植入后的屈光度预测方法、存储介质及电子设备。
[0006]第一方面，本申请提供的人工晶体植入后的屈光度预测方法、存储介质及电子设备采用如下技术技术方案：人工晶体植入后的屈光度预测方法，包括：获取有晶体眼后房中的样本数据；将所述样本数据作为输入参数，采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，得到术后分开训练预测结果；将所述样本数据作为输入参数，采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行合并训练，得出术后合并训练预测结果；将所述术后分开训练预测结果和所述术后合并训练预测结果作为新的输入参数，采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，得到训练完成的模型；采用所述训练完成的模型进行预测，得出预测结果并与预置的实验结果对比，得出对比结果，根据所述对比结果确定ICL和TICL最佳预测模型。
[0007]通过采用上述技术方案，将样本数据作为机器学习预测模型的输入参数，先后进行ICL、TICL的分开单独训练和ICL、TICL的合并训练，使得机器学习预测模型可以学习到ICL、TICL的差异特征和共同特征，将术后分开训练预测结果和术后合并训练预测结果作为
新的输入参数，再次采用机器学习模型对ICL、TICL进行分开单独训练，得到最终的训练完成的模型，其得到预测结果和实验结果作对比，找出最佳的预测模型，从而使得机器学习预测模型学习的更充分，预测结果更加准确，从而提高人工晶体植入后的屈光度预测的准确性。
[0008]可选的，在所述将所述样本数据作为输入参数之前，包括：对所述样本数据进行清洗，得到清洗数据；根据预置的划分比例对所述清洗数据进行数据集的划分，得到训练验证集和测试集；所述将所述样本数据作为输入参数，采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，得到术后分开训练预测结果，包括：基于所述训练验证集，并采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，得到术后分开训练预测结果；所述将所述有晶状体眼后房中样本数据作为模型输入参数，采用预置的不同的机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行合并训练，得到术后合并训练预测结果，包括：基于所述训练验证集，并采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行合并训练，得到术后合并训练预测结果。
[0009]通过采用上述技术方案，获取到样本数据后，清洗掉样本数据中一些不合格的数据，从而使得最后的样本数据的准确度和客观性，然后把清洗后得到的清洗数据分为训练验证集和测试集，基于训练验证集中的数据采用不同的机器学习预测模型进行训练，训练验证集可以对模型的训练和验证，其中测试集可以对模型进行最终评估，确定最佳的模型。
[0010]可选的，所述根据预置的划分比例对所述清洗数据进行数据集的划分，得到训练验证集和测试集之后，包括：根据预置的划分比例将所述训练验证集划分为训练集和验证集。
[0011]通过采用上述技术方案，划分得到的训练集和验证集便于交叉训练验证的实施，轮流选择训练验证集数中固定比例的数据作为训练集，剩下的作为验证集，使得机器学习预测模型能多次学习训练，从而有助于选择到机器学习预测模型的最合适的模型参数。
[0012]可选的，所述基于所述训练验证集，并采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，得到术后分开训练预测结果，包括：基于所述训练集和所述验证集并采用多折交叉验证对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，确定每个实验不同机器学习预测模型的分开最佳超参数，其中超参数是机器学习预测模型各自设置的模型参数；根据分开最佳超参数得到机器学习分开训练预测模型；将所述机器学习分开训练预测模型在所述验证集上进行预测，得出术后分开训练预测结果。
[0013]通过上述技术方案，验证集数据输入到机器学习预测模型，通过不断设置机器学习预测模型内各自设置的模型参数，对ICL和TICL多折交叉单独训练并进行术后预测，在验
证集上对预测模型的术后预测进行验证，找到表现最好的模型参数，以此来得到机器学习分开训练预测模型，从而使得机器学习分开训练预测模型得到ICL和TICL各自术后分开预测结果准确性更高。
[0014]可选的，所述基于所述训练验证集，并采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行合并训练，得到术后合并训练预测结果，包括：基于所述训练集和所述验证集并采用多折交叉验证对ICL类型的人工晶体和TICL类型的人工晶体进行合并训练，确定每个实验的不同机器学习预测模型的合并最佳超参数；根据合并最佳超参数得到机器学习合并训练预测模型；将所述机器学习合并训练预测模型在所述验证集上进行预测，得出术后合并训练预测结果。
[0015]通过上述技术方案，验证集数据输入到机器学习预测模型，通过不断设置机器学习预测模型内各自设置的模型参数，对ICL和TICL采用多折交叉合并训练并进行术后预测，在验证集上对预测模型的术后预测进行验证，找到表现最好的模型参数，以此来得到机器学习合并训练预测模型，从而使得机器学习合并训练预测模型得到ICL和TICL各自术后合并预测结果准确性更高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.人工晶体植入后的屈光度预测方法，其特征在于，包括：获取有晶体眼后房中的样本数据；将所述样本数据作为输入参数，采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，得到术后分开训练预测结果；将所述样本数据作为输入参数，采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行合并训练，得出术后合并训练预测结果；将所述术后分开训练预测结果和所述术后合并训练预测结果作为新的输入参数，采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，得到训练完成的模型；采用所述训练完成的模型进行预测，得出预测结果并与预置的实验结果对比，得出对比结果，根据所述对比结果确定ICL和TICL最佳预测模型。2.根据权利要求1所述的人工晶体植入后的屈光度预测方法，其特征在于，在所述将所述样本数据作为输入参数之前，包括：对所述样本数据进行清洗，得到清洗数据；根据预置的划分比例对所述清洗数据进行数据集的划分，得到训练验证集和测试集；所述将所述样本数据作为输入参数，采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，得到术后分开训练预测结果，包括：基于所述训练验证集，并采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，得到术后分开训练预测结果；所述将所述样本数据作为模型输入参数，采用预置的不同的机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行合并训练，得到术后合并训练预测结果，包括：基于所述训练验证集，并采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行合并训练，得到术后合并训练预测结果。3.根据权利要求2所述的人工晶体植入后的屈光度预测方法，其特征在于，所述根据预置的划分比例对所述清洗数据进行数据集的划分，得到训练验证集和测试集之后，包括：根据预置的划分比例将所述训练验证集划分为训练集和验证集。4.根据权利要求3所述的人工晶体植入后的屈光度预测方法，其特征在于，所述基于所述训练验证集，并采用预置的不同机器学习预测模型分别对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，得到术后分开训练预测结果，包括：基于所述训练集和所述验证集并采用多折交叉验证对ICL类型的人工晶体和TICL类型的人工晶体进行单独训练，确定每个实验不同机器学习预测模型的分开最佳超参数，其中超参数是机器学习模型各自设置的模型参数；根据分开最佳超参数得到机器学习分开训练预测模型；将所述机器学习分开训练预...

【专利技术属性】
技术研发人员：沈阳，王崇阳，周行涛，王晓瑛，陈珣，蒋寅婕，牛凌凌，姚佩君，李慧杰，
申请(专利权)人：上海美沃精密仪器股份有限公司，
类型：发明
国别省市：