一种异常眼轴制造技术

本发明专利技术所提供的异常眼轴

【技术实现步骤摘要】
一种异常眼轴IOL度数预测方法


[0001]本专利技术涉及眼部预测
，特别是涉及一种异常眼轴
IOL
度数预测方法
。

技术介绍

[0002]异常眼轴的白内障患者术前人工晶体度数计算一直是临床的难点，而目随着人们生活方式的改变，白内障患者对术后的视力要求更高，不仅要求看远，还有看中和看近的要求，而传统的单焦点晶体并不能满足术后全程视力，因此部分白内障的患者选择植入老视矫正型人工晶体的意愿更强，，对于这类患者，术前
IOL
度数精准的选择尤为关键，不准确的度数选择可能导致手术后的看远及看近均不理想，因此对于这一类白内障患者，术前
IOL
的精准计算一直是临床的重点及难点
。
[0003]目前存在多种
IOL
度数计算公式，但其准确性受到多种因素的影响，尤其在异常眼轴的白内障患者中准确性受限
。
传统的
IOL
度数计算公式往往不能满足这部分异常眼轴患者的需求
[0004]因此，提供一个更为高效
、
准确的异常眼轴
IOL
度数预测方法是本领域技术人员亟待解决的问题
。

技术实现思路

[0005]本专利技术的目的在于提供一种异常眼轴
IOL
度数预测方法，该方法逻辑清晰，安全
、
有效
、
可靠且操作简便，能针对异常眼轴的
IOL
度数进行更为精准和高效的预测
。
[0006]基于以上目的，本专利技术提供的技术方案如下：
[0007]一种异常眼轴
IOL
度数预测方法，包括如下步骤：
[0008]筛选满足预设条件的异常眼轴用户；
[0009]获取所述异常眼轴用户包含有多种预设参数的数据集；
[0010]构建初始堆叠回归机器学习模型；
[0011]将所述数据集分为训练集
、
测试集和样本集，将所述训练集输入至所述初始堆叠回归机器学习模型进行训练，并通过所述测试集进行测试，以获取训练后的堆叠回归机器学习模型；
[0012]将所述样本集输入至所述训练后的堆叠回归机器学习模型，以获取
IOL
度数预测概率并生成
IOL
度数预测报告后输出
。
[0013]优选地，所述筛选满足预设条件的异常眼轴用户，具体为：
[0014]从用户数据库中选取眼轴半径大于等于第一预设值或眼轴半径小于等于第二预设值的用户
。
[0015]优选地，所述预设参数包括：性别
、
年龄
、
眼轴长度
、
中央角膜厚度
、
角膜曲率
、
前房深度
、
晶状体厚度
、
白至白以及用户术后主觉验光数据
。
[0016]优选地，所述初始堆叠回归机器学习模型，具体包括
:
[0017]XGBoost
模块
、
支持向量回归器
、
线性回归模块和线性
SVR
；
[0018]所述
XGBoost
模块
、
所述支持向量回归器和所述线性回归模块均与所述线性
SVR
连接；
[0019]所述
XGBoost
模块
、
所述支持向量回归器和所述线性回归模块为堆叠结构的第一层；
[0020]所述线性
SVR
为堆叠结构的第二层
。
[0021]优选地，将所述数据集分为训练集
、
测试集和样本集，将所述训练集输入至所述初始堆叠回归机器学习模型进行训练，并通过所述测试集进行测试，以获取训练后的堆叠回归机器学习模型，包括如下步骤：
[0022]将数据集按预设比例分为训练集
、
测试集和样本集；
[0023]将所述训练集输入至所述初始堆叠回归机器学习模型，为所述训练集中的所述预设参数赋予权重；
[0024]调用已赋予权重的预设参数对应的公式，获取第一预测概率；
[0025]通过预设算法和所述训练集对所述初始堆叠回归机器学习模型进行训练，实现快速收敛，以获取第一模型；
[0026]其中，所述预设算法为
TPE
算法
。
[0027]优选地，在获取所述第一模型之后，还包括：
[0028]将所述测试集输入至所述第一模型，获取第二预测概率；
[0029]判断所述第二预测概率是否大于预设阈值；
[0030]若是，则将所述第一模型作为训练后的堆叠回归机器学习模型
。
[0031]本专利技术所提供的异常眼轴
IOL
度数预测方法，是通过从医院或数据库中获取异常眼轴用户的包含有多种预设参数的数据集；构建初始堆叠回归机器学习模块；将数据集分为训练集
、
测试集和样本集后，将训练集输入至初始堆叠回归机器学习模块进行训练，训练完成后，输入测试集进行测试，测试完成后得到训练后的堆叠回归机器学习模型；随后将样本集输入至训练后的堆叠回归模块，计算获取
IOL
度数预测概率，并生成
IOL
度数预测报告后输出
。
[0032]相比于现有技术，本专利技术针对异常眼轴设计了对应的已训练的堆叠回归机学习模型，同时将异常眼轴用户进行了样本分组，测试该堆叠回归机器学习模型是否已达最优，若已是最优模型，则将样本集输入至训练后的堆叠回归机器学习模型，从而得到
IOL
度数预测概率，并根据该预测概率生成
IOL
度数预测报告后输出，该方法能针对异常眼轴的
IOL
度数进行更为精准和高效的预测
。
附图说明
[0033]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0034]图1为本专利技术实施例提供的一种异常眼轴
IOL
度数预测方法的流程图；
[0035]图2为本专利技术实施例提供的步骤
S4
的流程图；
[0036]图3为本专利技术实施例提供的在获取第一模型之后的流程图
。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例
,
本领域普通技术人员在没有做出创造性劳本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种异常眼轴
IOL
度数预测方法，其特征在于，包括如下步骤：筛选满足预设条件的异常眼轴用户；获取所述异常眼轴用户包含有多种预设参数的数据集；构建初始堆叠回归机器学习模型；将所述数据集分为训练集
、
测试集和样本集，将所述训练集输入至所述初始堆叠回归机器学习模型进行训练，并通过所述测试集进行测试，以获取训练后的堆叠回归机器学习模型；将所述样本集输入至所述训练后的堆叠回归机器学习模型，以获取
IOL
度数预测概率并生成
IOL
度数预测报告后输出
。2.
如权利要求1所述的异常眼轴
IOL
度数预测方法，其特征在于，所述筛选满足预设条件的异常眼轴用户，具体为：从用户数据库中选取眼轴半径大于等于第一预设值或眼轴半径小于等于第二预设值的用户
。3.
如权利要求1所述的异常眼轴
IOL
度数预测方法，其特征在于，所述预设参数包括：性别
、
年龄
、
眼轴长度
、
中央角膜厚度
、
角膜曲率
、
前房深度
、
晶状体厚度
、
白至白以及用户术后主觉验光数据
。4.
如权利要求1所述的异常眼轴
IOL
度数预测方法，其特征在于，所述初始堆叠回归机器学习模型，具体包括
:XGBoost
模块
、
...

【专利技术属性】
技术研发人员：胡旻，曹丹敏，戴伟伟，
申请(专利权)人：爱尔眼科医院集团股份有限公司，
类型：发明
国别省市：