使用正视区预测来选择人工晶状体的系统和方法

摘要

用于使用正视区预测来选择人工晶状体(IOL)的系统和方法包括：确定眼睛的一个或多个术前测量值；基于所述术前测量值来估计人工晶状体(IOL)的术后前房深度(ACD)；基于所述术前测量值和所述估计的术后ACD来估计植入所述IOL后的所述眼睛的术后显性等效球镜屈光力(MRSE)；基于所述估计的术后MRSE来确定植入所述IOL后的所述眼睛是否可能处于正视区；基于所述正视区确定，使用正视区预测模型或非正视区预测模型来重新估计植入所述IOL后的所述眼睛的术后MRSE；以及向使用者提供所述重新估计的术后MRSE，以辅助选择用于植入所述眼睛中的IOL。

说明书

发明背景

技术领域

本披露涉及使用正视区预测来辅助选择待植入的人工晶状体的系统和方法。

背景技术

白内障手术涉及移除眼睛的天然晶状体并且在大多数情况下用人造的人工晶状体(IOL)来替换天然晶状体。为了实现最佳的术后视力结果，好的术前手术规划至关重要。一些重要的术前规划决策是，选择适当的IOL类型和焦度以在IOL植入后实现期望的显性等效球镜屈光力(MRSE)。

通常，在IOL预测公式中使用的测量值是使用光学和/或超声生物计在光轴上获得的一维测量值。这些传统的测量做法导致在选择IOL类型和焦度期间的不准确性，从而导致患者的视力结果欠佳。

因此，本领域中需要用于更好地选择对患者产生最佳视力结果的用于植入的人工晶状体的技术。

发明内容

根据一些实施例，一种由实施预测引擎的一个或多个计算装置执行的方法包括：确定眼睛的一个或多个术前测量值；基于所述眼睛的一个或多个术前测量值来估计人工晶状体(IOL)的术后前房深度(ACD)；基于所述眼睛的一个或多个术前测量值和所述估计的术后ACD来估计植入所述IOL后的所述眼睛的术后显性等效球镜屈光力(MRSE)；基于所述估计的术后MRSE来确定植入所述IOL后的所述眼睛是否可能处于正视区；基于所述正视区确定，使用正视区预测模型或非正视区预测模型来重新估计植入所述IOL后的所述眼睛的术后MRSE；以及向使用者提供所述重新估计的术后MRSE，以辅助选择用于植入所述眼睛中的IOL。

根据一些实施例，一种预测引擎包括一个或多个处理器。所述预测引擎被配置用于：确定眼睛的一个或多个术前测量值；基于所述眼睛的一个或多个术前测量值来估计人工晶状体(IOL)的术后前房深度(ACD)；基于所述眼睛的一个或多个术前测量值和所述估计的术后ACD来估计植入所述IOL后的所述眼睛的术后显性等效球镜屈光力(MRSE)；基于所述估计的术后MRSE来确定植入所述IOL后的所述眼睛是否可能处于正视区；基于所述正视区确定，使用正视区预测模型或非正视区预测模型来重新估计植入所述IOL后的所述眼睛的术后MRSE；以及向使用者提供所述重新估计的术后MRSE，以辅助选择用于植入所述眼睛中的IOL。

根据一些实施例，一种非暂态机器可读介质包括多个机器可读指令，所述指令在被一个或多个处理器执行时被适配成致使所述一个或多个处理器执行一种方法。所述方法包括：确定眼睛的一个或多个术前测量值；基于所述眼睛的一个或多个术前测量值来估计人工晶状体(IOL)的术后前房深度(ACD)；基于所述眼睛的一个或多个术前测量值和所述估计的术后ACD来估计植入所述IOL后的所述眼睛的术后显性等效球镜屈光力(MRSE)；基于所述估计的术后MRSE来确定植入所述IOL后的所述眼睛是否可能处于正视区；基于所述正视区确定，使用正视区预测模型或非正视区预测模型来重新估计植入所述IOL后的所述眼睛的术后MRSE；以及向使用者提供所述重新估计的术后MRSE，以辅助选择用于植入所述眼睛中的IOL。

附图说明

为了更加全面地理解本技术、其特征及其优点，参考结合附图给出的以下说明。

图1是根据一些实施例的用于IOL选择的系统的图。

图2是根据一些实施例的植入IOL的方法的图。

图3是根据一些实施例的眼睛和眼睛特征的图。

图4是根据一些实施例的评估IOL和IOL焦度的方法的图。

图5A和图5B是根据一些实施例的处理系统的图。

图6是根据一些实施例的多层神经网络的图。

在附图中，具有相同标号的要素具有相同或相似的功能。

具体实施方式

展示本发明的方面、实施例、实施方式或模块的描述和附图不应被视为限制，而是权利要求定义了受保护的发明。在不脱离本说明书和权利要求的精神和范围的情况下，可以进行各种机械的、组成的、结构的、电气的和操作上的改变。在某些情况下，未详细示出或描述公知的电路、结构或技术，以免模糊本发明。在两个或更多个图中的相似的数字表示相同或相似的要素。

在本描述中，阐述了描述与本披露一致的一些实施例的具体细节。为了提供对实施例的透彻理解，阐述了许多具体细节。然而，对于本领域技术人员将清楚的是，一些实施例可以在没有一些或所有这些具体细节的情况下实践。本文披露的具体实施例意在说明而非限制。本领域技术人员可以实现尽管在这里没有具体描述但是在本披露的范围和精神内的其他要素。另外，为了避免不必要的重复，与一个实施例相关联示出和描述的一个或多个特征可以结合到其他实施例中，除非另外特别说明或者如果该一个或多个特征会使实施例不起作用。

以下描述的技术涉及通过估计新患者的术后MRSE来更好地估计该患者的植入后视力结果的系统和方法。这些系统和方法使用多种预测模型来估计若干个IOL的术后MRSE和IOL焦度以辅助外科医生和患者选择最有可能提供期望的术后视力结果的IOL。更具体地，这些系统和方法使用一种或多种模型来确定候选IOL是可能导致正视区内的术后视力结果(即，患者不需要用附加的矫正镜片(如眼镜)来补充IOL的术后视力结果)还是正视区外的术后视力结果，并且然后使用不同的预测模型来估计预测会导致正视区中的视力结果的IOL和预测会导致正视区外的视力结果的IOL的术后MRSE。

图1展示了根据一些实施例的用于IOL选择的系统的系统100。系统100包括经由网络115与一个或多个诊断训练数据源110联接的IOL选择平台105。在一些示例中，网络115可以包括一个或多个切换装置、路由器、局域网(例如，以太网)、广域网(例如，因特网)等。每个诊断训练数据源110可以是可通过眼科手术实践、眼科诊所、医科大学、电子病历(EMR)存储库等获得的数据库、数据存储库等。每个诊断训练数据源110可以为IOL选择平台105提供呈以下中的一种或多种的形式的训练数据：患者术前和术后眼睛的多维图像和/或测量值、手术规划数据、手术控制台参数日志、手术并发症日志、患者病史、患者人口统计数据、关于所植入IOL的信息等。IOL选择平台105可以将训练数据存储在一个或多个数据库155中，所述数据库可以被配置用于对训练数据进行匿名化、加密和/或以其他方式进行安全保护。

IOL选择平台105包括预测引擎120，所述预测引擎可以(如下文更详细解释的)处理所接收的训练数据、提取眼睛的测量值、对训练数据进行原始数据分析、训练机器学习算法和/或模型以基于术前测量值来估计术后MRSE、并且迭代地完善机器学习以优化用于预测术后MRSE的各种模型，从而改善其针对未来患者的使用以改善其术后视力结果(例如，植入了IOL的眼睛具有更好的光学特性)。在一些示例中，预测引擎120可以使用一个或多个模型(例如，一个或多个神经网络)，这些预测模型基于从一个或多个诊断训练数据源110获得的术前测量值和对应的术后结果来训练。

IOL选择平台105进一步经由网络115联接至眼科实践场125的一个或多个装置。该一个或多个装置包括诊断装置130。诊断装置130用于获得患者135的眼睛的一个或多个多维图像和/或其他测量值。诊断装置130可以是用于获得眼科解剖学结构的多维图像和/或测量值的多个装置中的任何装置，比如光学相干断层扫描(OCT)装置、旋转照相机(例如，Scheimpflug照相机)、磁共振成像(MRI)装置、角膜曲率计、检眼计、光学生物计等。

眼科实践场125还可以包括一个或多个计算装置140，该一个或多个计算装置用于从诊断装置130获得患者135的多维图像和/或测量值并将多维图像和/或测量值发送到IOL选择平台105。该一个或多个计算装置140可以是以下中的一项或多项：独立式计算机、平板电脑和/或其他智能装置、手术控制台、集成到诊断装置130中的计算装置等。

IOL选择平台105可以接收患者135的测量值，和/或根据测量值来计算出值，并且使用预测引擎120针对各种IOL和IOL焦度来估计术后MRSE。接着，预测引擎可以用于通过向眼科实践场125和/或外科医生或其他使用者提供针对各种IOL和IOL焦度所估计的术后MRSE来帮助选择用于患者135的IOL和IOL焦度。

诊断装置130可以进一步用于在患者进行白内障移除并且使用所选择的IOL进行IOL植入之后获得患者135的术后测量值。接着，该一个或多个计算装置140可以将患者135的术后多维图像和/或测量值和所选择的IOL发送至IOL选择平台105，以用于迭代地训练和/或更新预测引擎120所使用的模型，以纳入患者135的信息来供未来患者使用。

估计的术后MRSE、所选择的IOL、和/或所选择的IOL焦度可以显示在计算装置140和/或另一计算装置、显示器、手术控制台等上。此外，IOL选择平台105和/或该一个或多个计算装置140可以在测量值中识别患者135的解剖学结构的各种特征，如下文更详细解释的。另外，IOL选择平台105和/或该一个或多个计算装置140可以创建用于标识、突显、和/或以其他方式描绘患者解剖学结构和/或测得特征的图形元素。IOL选择平台105和/或该一个或多个计算装置140可以对测量值补充图形元素。

在一些实施例中，IOL选择平台105可以进一步包括手术规划器150，所述手术规划器可以用于向眼科实践场125提供使用所估计的术后MRSE、所选择的IOL、和/或所选择的IOL焦度的一个或多个手术规划。

在一些实施例中，系统100可以进一步包括独立式手术规划器160，和/或眼科实践场125可以进一步包括在该一个或多个计算装置140上的手术规划器模块170。

如上文讨论的以及在此进一步强调的，图1仅是示例，而不应不当地限制权利要求的范围。本领域普通技术人员应认识到许多变化、替代方案和修改。根据一些实施例，IOL选择平台130的IOL选择平台130和/或一个或多个部件(比如数据库155、预测引擎120、和/或手术规划器150)可以集成到眼科实践场125的一个或多个装置中。在一些示例中，计算装置140可以管控IOL选择平台105、数据库155、预测引擎120、和/或手术规划器150。在一些示例中，手术规划器150可以与手术规划器170组合。

图2是根据一些实施例的植入IOL的方法200的图。方法200的过程210-290中的一个或多个过程可以至少部分地以存储在非暂态有形机器可读介质上的可执行代码的形式来实施，所述可执行代码在被一个或多个处理器(例如，预测引擎120、IOL预测平台、诊断装置130、该一个或多个计算装置140、和/或手术规划器150、160和/或170中的一个或多个手术规划器的处理器)运行时可以致使该一个或多个处理器执行过程210-290中的一个或多个过程。根据一些实施例，过程280和/或290是可选的并且可以被省略。

在过程210处，确定眼睛的一个或多个术前测量值。在一些示例中，这些术前测量值中的一个或多个可以从使用诊断装置(比如诊断装置130)、OCT装置、旋转(例如，Scheimpflug)照相机、MRI装置等获得的眼睛的一个或多个术前图像中提取。在一些示例中，所述术前测量值中的一个或多个可以使用一个或多个测量装置(比如诊断装置130、角膜曲率计、检眼计、光学生物计等)来确定。在图3的背景下描述了过程210，该图是根据一些实施例的眼睛300和眼睛特征的图。如图3所示，眼睛300包括角膜310、前房320、和晶状体330。

在一些实施例中，眼睛300的一个感兴趣测量值是角膜310的白到白直径。在一些示例中，可以使用光学生物计来测量角膜310的白到白直径。在一些示例中，可以通过分析眼睛300的一个或多个图像来确定角膜310的白到白直径。在一些示例中，可以分析一个或多个图像以分别识别前房320的鼻角340和颞角350。在一些示例中，通过(例如，使用一种或多种边缘检测和/或区域检测算法)识别标识前房320的结构并注意在前房320的朝向前房320的颞范围和鼻范围定位的边缘处的锐角，可以从该一个或多个图像来识别前房320的鼻角340和颞角350。一旦被识别，就可以测量鼻角340与颞角350之间的距离以确定角膜310的白到白直径，其对应于鼻角340与颞角350之间的线360的长度。

在一些实施例中，眼睛300的一个感兴趣测量值是角膜310的前表面的平均角膜曲率或圆度。在一些示例中，可以使用眼睛300的一个或多个图像、角膜曲率计等来测量角膜310的平均角膜曲率。在一些示例中，角膜310的平均角膜曲率可以是基于角膜310的陡峭角膜曲率测量值和平缓角膜曲率测量值的平均值。在一些示例中，可以将角膜310的平均角膜曲率表示为角膜310的曲率半径(rc)，为337.5除以角平均角膜曲率。

在一些实施例中，眼睛300的一个感兴趣测量值是眼睛300的眼轴长度370，如从角膜310的前表面沿着眼睛300的中心轴线380到视网膜测得的。在一些示例中，可以使用眼睛300的一个或多个图像、眼睛的生物测量值等来确定眼轴长度370。

返回参考图2，在过程220处，估计眼睛的术前前房深度(ACD)。在图3的示例中，术前ACD 390对应于角膜310的后表面与术前晶状体330的前表面之间的距离。在一些示例中，可以使用眼睛的一个或多个几何模型和第一校正模型的组合来估计术前ACD。在一些示例中，该一个或多个几何模型中的每一个基于如在过程210期间测量的角膜的曲率半径(rc)、眼睛的眼轴长度和角膜的白到白直径来提供术前ACD的初始估计。在一些示例中，在曲率半径、眼轴长度、白到白直径和前房深度是已知的情况下，眼睛的一个或多个几何模型中的每一个可以通过使用例如最小二乘法将该一个或多个几何模型中的每一个拟合到来自先前患者的眼睛的数据来确定。在一些示例中，数据可以存储在数据源中，如数据源110。然后将术前ACD的初始估计、曲率半径、眼轴长度和白到白直径中的每一个传递给第一校正模型，该模型细化术前ACD的一个或多个初始估计以提供更准确的术前ACD估计。在一些示例中，第一校正模型可以包括使用来自先前患者的眼睛的数据训练的神经网络。

在过程230处，估计眼睛的术后前房深度(ACD)。在图3的示例中，术后ACD 390对应于角膜310的后表面与要植入眼睛300中的IOL的前表面之间的距离。在一些示例中，可以使用在过程220期间使用的眼睛的一个或多个几何模型和第一预测模型的组合来估计术后ACD。然后将来自过程220的术前ACD的初始估计、曲率半径、眼轴长度和白到白直径中的每一个传递到第一预测模型以生成术后ACD的估计。在一些示例中，第一预测模型可以包括使用来自先前患者的眼睛的数据(包括关于每个植入的IOL的术后ACD的信息)训练的神经网络。

在过程240处，识别一个或多个候选人工晶状体(IOL)。在一些示例中，外科医生或其他使用者可以基于可用的一个或多个IOL、过去的经验、偏好、患者的当前视力问题、患者的预期视力结果等来选择一个或多个候选IOL。一个或多个候选IOL中的每一个都具有相应的类型和IOL焦度。

在过程250处，针对在过程240期间识别的每个候选IOL估计术后显性等效球镜屈光力(MRSE)。MRSE以屈光度(D)表示。根据一些实施例，每个候选IOL的MRSE可以使用评估IOL和IOL焦度的方法来确定，如图4中所示的方法400。方法400的过程410-450中的一个或多个过程可以至少部分地以存储在非暂态有形机器可读介质上的可执行代码的形式来实施，所述可执行代码在被一个或多个处理器(例如，预测引擎120、IOL预测平台等的处理器)运行时可以致使该一个或多个处理器执行过程410-450中的一个或多个过程。

在过程410处，估计术后MRSE。在一些示例中，可以基于在过程210期间确定的白到白直径、在过程210期间确定的眼睛的平均角膜曲率、在过程210期间确定的眼轴长度、在过程220期间估计的术前ACD、在过程230期间估计的术后ACD、所评估的IOL的IOL类型、所评估的IOL的IOL焦度等来估计术后MRSE。在一些示例中，过程410可以使用光线追踪方法，该方法使用构造的近轴模型眼来表示植入所评估的IOL后的人工晶状体眼。在光线追踪模型中，进入眼睛的光线依次穿过角膜前表面、角膜后表面、IOL前表面和IOL后表面，最终到达视网膜的表面。使用来自在过程210期间确定的眼睛测量值、IOL的设计轮廓、估计的术后ACD和眼睛的已知模型的参数，将这些表面中的每一个的形状定义为双圆锥形状。角膜、前房、眼睛其他部分的眼部材料或介质的折射率可从眼睛模型和/或IOL模型中获知。

在一些实施例中，光线追踪用于“测量”来自近轴模型眼的全眼波前。光线从视网膜的中心(例如，中央凹)开始追踪，向角膜的前表面的各个方向辐射。平面表面位于角膜前表面的顶点。记录光线在离开眼睛时与平面表面的交汇点以及相应的光学路径长度。在一些示例中，使用直径为3.5m的圆形孔(例如，对应于入射光瞳)内的光线数据来计算全眼波前。

在一些示例中，可以使用泽尼克多项式根据全眼波前的表示来计算估计的术后MRSE。在一些示例中，估计的术后MRSE包括眼睛的球面和柱面屈光力与对应于所评估的IOL的植入IOL的组合。光线追踪方法在以下文献中有更详细的描述：Canovas的“CustomizedEye Models for Determining Optimized Intraocular Lens Power[用于确定优化的人工晶状体焦度的定制眼睛模型]”，Biomedical Optics Express，第2(6)卷，第1649-1663页，2011年，其通过引用并入本文。

在过程420处，对来自过程410的估计的术后MRSE进行校正。在一些示例中，可以使用第二校正模型来校正估计的术后MRSE。第二校正模型可以使用在过程210期间确定的眼睛的测量值(例如，白到白直径、平均角膜曲率和/或眼轴长度)、在过程期间估计的术后ACD230和/或在过程410期间估计的术后MRSE中的一个或多个来确定对在过程410期间估计的术后MRSE的校正。在一些示例中，第二校正模型可以包括使用来自先前患者的眼睛的数据(包括估计的和实际的术后MRSE)训练的神经网络。在一些示例中，第二校正模型可以确定添加到在过程410期间估计的术后MRSE的校正值以获得术后MRSE的校正估计。

在过程430处，确定所评估的IOL是否将使术后眼睛处于正视区。在一些示例中，当术后MRSE与眼睛的期望术后MRSE相差半屈光度以内时，术后眼睛被认为处于正视区，因此术后眼睛不太可能需要附加的矫正镜片。(例如，当期望的与实际的术后MRSE之间的绝对差在彼此的半屈光度内时。)在一些示例中，可以通过取在过程420期间确定的术后MRSE的校正估计与眼睛的期望术后MRSE之间的绝对差以查看其是否小于半屈光度来确定所评估的IOL是否使术后眼睛处于正视区。

在一些示例中，对所评估的IOL是否使术后眼睛处于正视区进行更稳健的测试可能是优选的，因为术后ACD的校正估计仅仅是估计。在一些示例中，可以使用统计技术来开发用于确定所评估的IOL是否使术后眼睛处于正视区的更稳健的分类器，如基于二元密度分位数和受试者操作特征(ROC)曲线的逻辑回归。在一些示例中，该方法可以在包括术后MRSE的先前校正估计和来自植入的IOL的相应实际术后MRSE值的数据对之间拟合回归曲线，如逻辑回归曲线。然后可以将二元分位数与回归曲线一起使用以提供分类器，该分类器预测实际术后MRSE将处于正视区内(例如，在期望术后MRSE的半屈光度内)的可能性。然后可以使用ROC曲线来确定应当超过的可能性阈值，以可靠地得出植入的IOL将使术后眼睛处于正视区的结论。ROC曲线的使用考虑了导致关于术后眼睛是否将处于正视区的假阳性确定和假阴性确定的预测，因此，提供了更好地最大限度地提高基于回归的分类器的敏感性和特异性的分类方法。因此，使用这种方法提供了所评估的IOL是否会导致术后眼睛处于正视区的估计可能性，以及为了得出使用所评估的IOL的术后眼睛将处于正视区的结论而应当超过的阈值可能性。ROC曲线在以下文献中有更详细的描述：Greiner等人的“Principlesand Practical Application of the Receiver-Operating Characteristic Analysisfor Diagnostic Tests[诊断测试的受试者操作特征分析的原理和实际应用]”，Preventive Veterinary Medicine，第45卷，2000年，第23-41页，和Fawcett的“AnIntroduction to ROC Analysis[ROC分析简介]”，Pattern Recognition Letters，第27卷，2000年，第861-874页，每篇文献均通过引用并入。

当确定所评估的IOL很可能使术后眼睛处于正视区时(例如，由分类器预测的可能性大于或等于来自ROC曲线的阈值)，使用过程440使用正视区预测模型来重新估计术后MRSE。当确定所评估的IOL不可能使术后眼睛处于正视区时，使用过程450使用非正视区预测模型来重新估计术后MRSE。

在过程440处，使用正视区预测模型来重新估计所评估的IOL的术后MRSE。在一些示例中，正视区预测模型可以使用在过程210期间确定的眼睛的测量值(例如，白到白直径、平均角膜曲率和/或眼轴长度)和/或在过程230期间估计的术后ACD中的一个或多个来重新估计术后MRSE。在一些示例中，正视区预测模型可以包括使用来自先前患者的眼睛的数据(包括估计的和实际的术后MRSE，其中，术后眼睛处于正视区中)训练的神经网络。一旦使用正视区预测模型重新估计了术后MRSE，方法400结束。

在过程450处，使用非正视区预测模型来重新估计所评估的IOL的术后MRSE。在一些示例中，非正视区预测模型可以使用在过程210期间确定的眼睛的测量值(例如，白到白直径、平均角膜曲率和/或眼轴长度)和/或在过程230期间估计的术后ACD中的一个或多个来重新估计术后MRSE。在一些示例中，非正视区预测模型可以包括使用来自先前患者的眼睛的数据(包括估计的和实际的术后MRSE，其中，术后眼睛处于非正视区中)训练的神经网络。一旦使用非正视区预测模型重新估计了术后MRSE，方法400结束。

返回参考图2，在过程260处，从候选IOL中选择IOL。在一些示例中，过程260可以包括经由用户接口向外科医生、另一使用者和/或患者提供信息，以便可以选择合适的IOL用于植入。在一些示例中，对于在过程240期间识别的每个候选IOL，该信息可以包括IOL类型、IOL焦度、来自过程230的估计的术后ACD、来自过程430的正视区确定、来自过程420的MRSE的校正的术后估计、来自过程440或450(如适用的话)的重新估计的术后MRSE、重新估计的术后MRSE与期望的术后MRSE之间的差等。在一些示例中，候选IOL可以基于来自过程430的正视区确定而被分成组和/或基于重新估计的术后MRSE与期望的术后MRSE之间的实际差或绝对差进行分类。在一些示例中，外科医生或其他使用者可以通过从结果列表中进行选择、点击链接、按下按钮等来选择IOL。

在过程270处，植入IOL。在一些示例中，在过程260期间选择的IOL由外科医生植入眼睛中。

在过程280处，获得眼睛的一个或多个术后测量值。在一些示例中，该一个或多个术后测量值可以包括植入IOL之后IOL的实际术后ACD、在植入IOL之后的实际术后MRSE、实际术后正视区确定等。在一些示例中，可以基于术后眼睛的一个或多个图像、术后眼睛的一个或多个生理和/或光学测量值等来确定实际术后ACD和/或实际术后MRSE。

在过程290处，更新由方法200和/或400使用的一个或多个模型。在一些示例中，在过程210期间确定的一个或多个术前测量值、在过程280期间确定的实际术后ACD、实际术后MRSE、实际术后正视区确定等可以用作过程220的一个或多个几何模型、过程220的第一校正模型、过程230的第一预测模型、过程420的第二校正模型、过程440的正视区预测模型或过程450的非正视区预测模型中的任何一个的附加训练数据。在一些示例中，附加训练数据可以添加到数据源，如数据源110。在一些示例中，所述更新可以包括更新最小二乘法拟合、反馈到神经网络(例如，使用反向传播)等中的一者或多者。在一些示例中，可以使用一个或多个损失函数、基于其针对各个候选IOL正确地预测术后MRSE的能力来训练一个或多个模型。在一些示例中，一个或多个损失函数可以包括根据等式1确定的平均绝对误差损失函数(MAPE)和/或根据等式2确定的半屈光度预测成功概率损失函数(MAE)，其中，MRSEAct

图5A和图5B是根据一些实施例的处理系统的图。虽然图5A和图5B示出了两个实施例，但是本领域普通技术人员还应容易了解的是，其他系统实施例是可能的。根据一些实施例，图5A和/或图5B的处理系统代表可以包含在以下一者或多者中的计算系统：IOL选择平台105、眼科实践场125、预测引擎120、诊断装置130、该一个或多个计算装置140、手术规划器150、160、和/或170中的任一个等。

图5A展示了计算系统500，其中系统500的部件使用总线505彼此电连通。系统500包括处理器510和系统总线505，所述系统总线将各个系统部件(包括，呈只读存储器(ROM)520、随机存取存储器(RAM)525等(例如，PROM、EPROM、FLASH-EPROM和/或任何其他存储器芯片或盒)形式的存储器)联接至处理器510。系统500可以进一步包括与处理器510直接连接、与之紧邻、或集成为其一部分的高速存储器的缓存512。系统500可以通过缓存512来访问存储在ROM 520、RAM 525、和/或一个或多个存储装置530中的数据以供处理器510进行高速访问。在一些示例中，缓存512可以提供性能提升，以避免处理器510从存储器515、ROM 520、RAM 525、和/或该一个或多个存储装置530访问之前存储在缓存512中的数据时的延迟。在一些示例中，该一个或多个存储装置530存储一个或多个软件模块(例如，软件模块532、534、536等)。软件模块532、534和/或536可以控制和/或被配置用于控制处理器510执行各种动作、比如方法200和/或300的过程。并且虽然示出系统500仅具有一个处理器510，但是应理解的是，处理器510可以代表一个或多个中央处理器(CPU)、多核处理器、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、图形处理单元(GPU)、张量处理单元(TPU)等。在一些示例中，系统500可以被实施为独立式子系统、和/或实施为添加至计算装置的板、或实施为虚拟机。

为了使得使用者能够与系统500交互，系统500包括一个或多个通信接口540和/或一个或多个输入/输出(I/O)装置545。在一些示例中，该一个或多个通信接口540可以包括一个或多个网络接口、网络接口卡等，以根据一个或多个网络和/或通信总线标准来提供通信。在一些示例中，该一个或多个通信接口540可以包括用于经由网络、比如网络115来与系统500通信的接口。在一些示例中，该一个或多个I/O装置545可以包括一个或多个用户接口装置(例如，键盘、指向/选择装置(例如，鼠标、触摸板、滚轮、轨迹球、触摸屏等)、音频装置(例如，麦克风和/或扬声器)、传感器、致动器、显示装置等)。

该一个或多个存储装置530中的每一个可以包括比如由硬盘、光学介质、固态驱动器等提供的非暂态、非易失性存储器。在一些示例中，该一个或多个存储装置530中的每一个可以与系统500(例如，本地存储装置)位于同一地点、和/或远离系统500(例如，云存储装置)。

图5B展示了基于芯片组架构的计算系统550，所述芯片组架构可以用于执行本文描述的任一种方法(例如，方法200和/或300)。系统550可以包括处理器555，其代表能够执行软件、固件和/或其他计算的任何数量的物理和/或逻辑上不同的资源，比如一个或多个CPU、多核处理器、微处理器、微控制器、DSP、FPGA、ASIC、GPU、TPU等。如图所示，处理器555由一个或多个芯片组560辅助，所述芯片组还可以包括一个或多个CPU、多核处理器、微处理器、微控制器、DSP、FPGA、ASIC、GPU、TPU、协处理器、编码器-解码器(CODEC)等。如图所示，该一个或多个芯片组560将处理器555与一个或多个I/O装置565、一个或多个存储装置570、存储器575、桥接器580、和/或一个或多个通信接口590中的一者或多者对接。在一些示例中，该一个或多个I/O装置565、一个或多个存储装置570、存储器、和/或一个或多个通信接口590可以对应于图5A和系统500中类似命名的对应物。

在一些示例中，桥接器580可以提供额外的接口，用于向系统550提供对一个或多个用户接口(UI)部件、比如一个或多个键盘、指向/选择装置(例如，鼠标、触摸板、滚轮、跟踪球、触摸屏等)、音频装置(例如，麦克风和/或扬声器)、显示装置等的访问。

根据一些实施例，系统500和/或560可以提供图形用户接口(GUI)，其适合于辅助使用者(例如，外科医生和/或其他医务人员)执行方法200和/或300的过程。GUI可以包括关于要执行的下一动作的指令，带注释和/或无注释的解剖学结构图、比如眼睛的术前和/或术后图像(例如，比如图4描绘的)，输入请求，等。在一些示例中，GUI可以显示解剖学结构等的真彩色图像和/或假彩色图像。

图6是根据一些实施例的多层神经网络600的图。在一些实施例中，神经网络600可以代表用于实施关于过程220、230、420、440和/或450描述的并且被预测引擎120使用的一个或多个模型中的每个模型的神经网络。神经网络600使用输入层620来处理输入数据610。在一些示例中，输入数据610可以对应于被提供给该一个或多个模型的输入数据、和/或在用于训练该一个或多个模型的过程290期间的更新期间被提供给该一个或多个模型的训练数据。输入层620包括用于通过缩放、范围限制、和/或类似方式来调节输入数据610的多个神经元。输入层620中的每个神经元生成被馈送至隐藏层631的输入端的输出。隐藏层631包括处理来自输入层620的输出的多个神经元。在一些示例中，隐藏层631中的每个神经元生成输出，所述输出接着被传播经过一个或多个额外的隐藏层(以隐藏层639结束)。隐藏层639包括处理来自前一个隐藏层的输出的多个神经元。隐藏层639的输出被馈送至输出层640。输出层640包括用于通过缩放、范围限制、和/或类似方式来调节来自隐藏层639的输出的一个或多个神经元。应理解的是，神经网络600的架构仅是代表性的，并且其他架构是可能的，包括具有仅一个隐藏层的神经网络、没有输入层和/或输出层的神经网络、具有递归层的神经网络等。

在一些示例中，输入层620、隐藏层631-639、和/或输出层640中的每一者包括一个或多个神经元。在一些示例中，输入层620、隐藏层631-639、和/或输出层640中的每一者可以包括相同数量或不同数量的神经元。在一些示例中，每个神经元将其输入x进行组合(例如，使用可训练加权矩阵W获得的加权和)、加上可选的可训练乖离率b、并且应用激活函数f来生成输出a，如等式3所示。在一些示例中，激活函数f可以是线性激活函数、具有上限和/或下限的激活函数、对数s形(log-sigmoid)函数、双曲正切函数、修正线性单元函数等。在一些示例中，每个神经元可以具有相同或不同的激活函数。

a＝f(Wx+b) 等式3

在一些示例中，可以使用监督学习(例如，在过程290期间)来训练神经网络600，其中训练数据的组合包括输入数据和标准真值(ground truth)(例如，预期的)输出数据的组合。神经网络600的使用该输入数据作为输入数据610而生成的输出之间的差异，并将如由神经网络600生成的输出数据650与标准真值输出数据进行比较。然后可以将所生成的输出数据650与标准真值输出数据之间的差异反馈到神经网络600中，以对各个可训练的权重和乖离率进行校正。在一些示例中，可以使用使用随机梯度下降算法的反向传播技术等来反馈所述差异。在一些示例中，可以将一大组的训练数据组合多次呈现给神经网络600，直到总损失函数(例如，基于每个训练组合的差异的均方误差)收敛到可接受的水平为止。

根据上述实施例的方法可以实施为存储在非暂态有形机器可读介质上的可执行指令。所述可执行指令在被一个或多个处理器(例如，处理器510和/或处理555)运行时可以致使该一个或多个处理器执行方法200和/或400的过程中的一个或多个过程。可以包括方法200和/或400的过程的一些常见形式的机器可读介质是例如软磁盘、软盘、硬盘、磁带、任何其他磁性介质、CD-ROM、任何其他光学介质、打孔卡、纸带、任何其他带有孔图案的物理介质、RAM、PROM、EPROM、FLASH-EPROM、任何其他存储芯片或盒、和/或处理器或计算机适合从中读取的任何其他介质。

实施根据这些披露内容的方法的装置可以包括硬件、固件和/或软件，并且可以采用多种形状因子中的任一种。这样的形状因子的典型示例包括膝上型计算机、智能电话、小型个人计算机、个人数字助理等。本文描述的功能的一部分也可以体现在外围设备和/或附加卡中。通过进一步示例，此类功能还可以在单一装置中的不同芯片或在其中执行的不同过程之间、在电路板上实现。

虽然已经示出和描述了展示性实施例，但是在前述披露中设想了各种各样的修改、改变和替换，并且在一些情况下，可以采用实施例的一些特征而不相应地使用其他特征。本领域普通技术人员应认识到许多变化、替代方案和修改。因此，本发明的范围应仅由权利要求来限制，并且应了解的是，应以与本文披露的实施例的范围一致的方式广义地解释权利要求。