CN109998477A - 一种高度近视白内障手术预后智能预判*** - Google Patents
一种高度近视白内障手术预后智能预判*** Download PDFInfo
- Publication number
- CN109998477A CN109998477A CN201910294447.7A CN201910294447A CN109998477A CN 109998477 A CN109998477 A CN 109998477A CN 201910294447 A CN201910294447 A CN 201910294447A CN 109998477 A CN109998477 A CN 109998477A
- Authority
- CN
- China
- Prior art keywords
- patient
- high myopia
- cataract
- prognosis
- intelligently
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/18—Arrangement of plural eye-testing or -examining apparatus
- A61B3/185—Arrangement of plural eye-testing or -examining apparatus characterised by modular construction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Ophthalmology & Optometry (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及一种高度近视白内障手术预后智能预判***。所述***可对眼前节照片进行白内障混浊程度评估,根据眼底照片及眼底OCT图像评估眼底情况,再综合患者其他临床资料提供对高度近视白内障患者术后最佳矫正视力范围的预测。其优点表现在:经反复测试与调参以达到高正确率,解决临床医生与患者最关心的问题,可帮助临床医生准确预估患者术后视力,为患者提供直观的术后结果预测,减少患者预期与结果的差距,提高患者满意度。
Description
技术领域
本发明涉及医疗人工智能技术领域,具体地说,是一种高度近视白内障手术预后智能预判***。
背景技术
高度近视白内障是指眼轴长度大于等于26mm的白内障患者,该类患者术前通常有超过-6.0D甚至-30.0D的近视,而且高度近视不单是屈光度的改变,其可能合并一系列病理性改变,包括豹纹状眼底、后巩膜葡萄肿、漆裂纹、视盘周围萎缩狐、脉络膜视网膜萎缩、脉络膜新生血管、视网膜劈裂及黄斑裂孔等。对于白内障患者及手术医生来说,最关注的是术后视力及视觉质量,但由于高度近视患者眼底病变情况复杂,加之白内障导致屈光介质混浊,术前检查眼底病变细节欠清,对于术后的视力改善预测是临床难点,目前临床上主要依靠临床医生的经验预测,缺乏一种客观的检测手段或软件可以提供该项服务,如果医生经验不足或预判失误将会造成不必要的医患矛盾。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学,目前人工智能已经应用于眼科图像识别领域,在眼前节照片、眼底照片及OCT图像识别分析中已经取得一定成果,相关技术已经应用于先天性白内障识别、糖尿病视网膜病变分级等,但目前市场上眼科人工智能产品并没有能够整合多种图像、生物测量结果及其他临床资料的综合评估***。建立高度近视白内障手术预后智能预判***对于提高临床医生决策效率,增加患者术后满意度,减少医患矛盾至关重要,而目前市场上缺乏该类产品。
中国专利文献:CN108245182A,公开日:2018.07.06,公开了一种具有预判功能的智能化数字DR***,包括本体,本体包括机身和摄影装置,摄影装置包括射线源、支撑板以及成像板,还包括预判装置,预判装置包括人体特征测量单元和控制单元,人体特征测量单元包括身高传感器和体重传感器,控制单元中存储有多组曝光数据,曝光数据包括相对应的人体特征参数和曝光参数,控制单元输入端与身高传感器和体重传感器连接,以采集身高信息和体重信息、计算人体特征参数、将计算得到的人体特征参数与存储的各个人体特征参数进行匹配,得到曝光参数,一输出设备与控制单元连接以输出得到的曝光参数。
中国专利文献:CN106650261A,公开日:2017.05.10,公开了一种智能问诊方法、装置和***。其中的智能问诊方法包括:通过基于自然语言的文本或语音交互方式采集患者的症状信息;将所采集到的症状信息存入预设的问诊模板;以及基于所述问诊模板所存入的症状信息生成供预设的关联终端输出展示的病患情况信息,其中,所述病患情况信息包括以下的一种或多种:预判病症类型信息、预判挂号科室信息以及所述症状信息。
但是关于本发明的一种高度近视白内障手术预后智能预判***目前还未见报道。
发明内容
本发明的目的克服现有技术的不足,提供一种高度近视白内障手术预后智能预判***。
为实现上述目的,本发明采取的技术方案是:
一种高度近视白内障手术预后智能预判***,包括:
储存装置:用于储存训练集中的信息,包括患者的基本信息、术前最佳矫正视力、眼轴长度、角膜散光、眼前节照片、眼底照片、眼底OCT及术后的最佳矫正视力;
评估模块:根据眼前节图像晶状体混浊程度,做出LOCSIII分级,构建晶状体混浊程度的深度学习模型,同时根据眼底照相及OCT结果对眼底病变程度进行评估;
审查模块:结合患者的年龄、性别、全身疾病、既往眼部疾病史、术前最佳矫正视力、眼轴长度、角膜散光等及对应的术后最佳矫正视力,通过核函数投射到高维空间后,构建术后最佳矫正视力的线性回归模型,从而达到高度近视白内障手术预后智能预判结果;
测试评价调整模块:用于使用训练集进行学习、调参,构建模型,通过训练学习和测试集建立评估预测网络,然后测试调整,从而达到手术智能预判。
所述高度近视白内障预后智能预判***可对眼前节照片进行白内障混浊程度评估,根据眼底照片及眼底OCT图像评估眼底情况,再综合患者其他临床资料提供对高度近视白内障患者术后最佳矫正视力范围的预测。
所述一种高度近视白内障手术预后智能预判***,可对眼前节照片进行白内障浑浊程度评估,建立晶状体浑浊程度LOCSIII分级深度学习模型,经过训练和测试,可输出患者白内障浑浊程度的评估结果。
所述一种高度近视白内障手术预后智能预判***,可根据眼底照片及OCT图像评估眼底情况,采用图像增强算法,并配对分析眼底照片与OCT扫描相对应的区域,尽可能准确地评估眼底病变范围及性质。
所述一种高度近视白内障手术预后智能预判***,可以整合患者基本病史及临床检查资料,建立与术后最佳矫正视力线性回归模型,并通过反复训练、测试调整参数,达到对术后最佳矫正视力范围的预测准确度要求。
所述一种高度近视白内障手术预后智能预判***,具备简便的操作界面,由登录、录入、输出、记录四种界面,易于操作,语音、外观可更换。
本发明优点在于:
1、提高高度近视白内障术后疗效预测准确性。人工智能决策***基于大数据训练学习,涵盖临床可能遇到的绝大多数术前情况及对应的预后结果,经反复测试与调参以达到高正确率,解决临床医生与患者最关心的问题,可帮助临床医生准确预估患者术后视力,为患者提供直观的术后结果预测,减少患者预期与结果的差距,提高患者满意度。
2、提高临床诊疗效率,该***可在数秒内完成预测,极大提高医患沟通效率,节省医疗资源。
3、提供治疗指导,可根据预测结果选择合适的治疗方式,避免不必要的医疗资源浪费及经济损失。
4、由于术后视力预测与眼底病变程度关系密切,该***的特色是在眼底评估模型中采取图像增强算法,降低屈光介质浑浊对图像质量的影响,尽可能的识别全部的眼底病变并进行分级,同时根据眼底照片及OCT扫描同一位置的对应图像分析确认病变部位及性质,获得尽可能高的预测精度。
附图说明
附图1是本发明一种高度近视白内障手术预后智能预判***的评估网络。
附图2是本发明一种高度近视白内障手术预后智能预判***的预测网络。
附图3是本发明一种高度近视白内障手术预后智能预判***的建立流程。
附图4是本发明一种高度近视白内障手术预后智能预判***的结构框图。
附图5-8是本发明一种高度近视白内障手术预后智能预判***的操作界面。
具体实施方式
下面结合实施例并参照附图对本发明作进一步描述。
附图中涉及的附图标记和组成部分如下所示:
1.储存装置
2.评估模块
3.审查模块
4.测试评价调整模块
实施例1
请参照附图4、附图4是本发明一种高度近视白内障手术预后智能预判***的结构框图。所述一种高度近视白内障手术预后智能预判***包括储存装置1、评估模块2、审查模块3和测试评价调整模块4。
储存装置1:用于储存训练集中的信息,包括患者的基本信息、术前最佳矫正视力、眼轴长度、角膜散光、眼前节照片、眼底照片、眼底OCT及术后的最佳矫正视力;
评估模块2:根据眼前节图像晶状体混浊程度,做出LOCSIII分级,构建晶状体混浊程度的深度学习模型,同时根据眼底照相及OCT结果对眼底病变程度进行评估;
审查模块3:结合患者的年龄、性别、全身疾病、既往眼部疾病史、术前最佳矫正视力、眼轴长度、角膜散光等及对应的术后最佳矫正视力,通过核函数投射到高维空间后,构建术后最佳矫正视力的线性回归模型,从而达到高度近视白内障手术预后智能预判结果;
测试评价调整模块4:用于使用训练集进行学习、调参,构建模型,通过训练学习和测试集建立评估预测网络,然后测试调整,从而达到手术智能预判。
所述高度近视白内障预后智能预判***可对眼前节照片进行白内障混浊程度评估,根据眼底照片及眼底OCT图像评估眼底情况,再综合患者其他临床资料提供对高度近视白内障患者术后最佳矫正视力范围的预测。
所述一种高度近视白内障手术预后智能预判***,可对眼前节照片进行白内障浑浊程度评估,建立晶状体浑浊程度LOCSIII分级深度学习模型,经过训练和测试,可输出患者白内障浑浊程度的评估结果。
所述一种高度近视白内障手术预后智能预判***,可根据眼底照片及OCT图像评估眼底情况,采用图像增强算法,并配对分析眼底照片与OCT扫描相对应的区域,尽可能准确地评估眼底病变范围及性质。
所述一种高度近视白内障手术预后智能预判***,可以整合患者基本病史及临床检查资料,建立与术后最佳矫正视力线性回归模型,并通过反复训练、测试调整参数,达到对术后最佳矫正视力范围的预测准确度要求。
所述一种高度近视白内障手术预后智能预判***,具备简便的操作界面,由登录、录入、输出、记录四种界面,易于操作,语音、外观可更换。
实施例2
构建智能预判***深度学习模型,由评估与预测两个网络组成;评估网络根据眼前节图像晶状体混浊程度,做出LOCSIII分级,构建晶状体混浊程度的深度学习模型,同时根据眼底照相及OCT结果对眼底病变程度进行评估,构建眼底评估模型;晶状体混浊程度的深度学习模型,是以卷积神经网络(CNN)为主题的分级回归算法,所采用的深度学习框架基于VGG,Inception,ResNet等。由于术后视力预测与眼底病变程度关系密切,该***的特色是在眼底评估模型中采取图像增强算法,降低屈光介质混浊对图像质量的影响,尽可能的识别全部的眼底病变并进行分级,同时根据眼底照片及OCT扫描同一位置的对应图像分析确认病变部位及性质,获得尽可能高的预测精度(图1);预测网络基于术后视力风险预测模型,在上述评估模型的基础上,结合患者的年龄、性别、全身疾病、既往眼部疾病史、术前最佳矫正视力、眼轴长度、角膜散光等及对应的术后最佳矫正视力,通过核函数投射到高维空间后,构建术后最佳矫正视力的线性回归模型,该模型采用多模态结构,图像分析部分运用卷积神经网络,其他信息经归一化后与卷积层输出共同连接到多层的预测网络,得到对术后视力的预测(图2);
构建训练集;训练集中每条记录需包括:患者的基本信息(年龄、性别、全身疾病,其他眼部疾病史),术前最佳矫正视力、眼轴长度、角膜散光、眼前节照片、眼底照片、眼底OCT及术后的最佳矫正视力;其中,眼前节照相有统一拍摄要求(充分散瞳、裂隙宽2-3mm、照明角度30°),拍摄裂隙、弥散及后照三种模式,***根据色阶和混浊程度评估白内障程度;眼底照相要求以视盘与黄斑的中间点为中心进行照相,对焦准确,曝光适中;OCT拍摄黄斑区断层结构;训练集通过对超大样本量患者的白内障程度分析、眼底情况判定及其他必要信息整合与术后最佳矫正视力的回归分析,构建形成初步的预测模型(图3);
模型用训练集进行训练学习、调参,训练时对训练数据采用多种数据扩增(dataaugmentation)方法以使算法有更广泛的适应性,包括(但不限于)亮度变换、对比度变换、几何变换等。然后模型经过多个相关数据集的测试,测试集每条记录包括的项目种类和要求与训练集资料相同,调整模型参数,直至达到性能和准确度的要求(图3)。
图5-8是本发明一种高度近视白内障手术预后智能预判***的操作界面。由登录界面、录入界面、输出界面、记录界面组成,如图5所示,所述登录界面包含用户名、密码以及使用说明;登录后为录入界面,如图6所示,所述录入界面有“编号”“姓名”“性别”“出生日期”“全身疾病”“其他眼部疾病”条目,按“眼别”分为2列,“术前最佳矫正视力”、“眼轴长度”、“角膜散光”、“眼前节照相”、“眼底照相”及“OCT”条目需填写上传;当录入各条目,点击运行,运行数秒后,如图7所示,所述输出界面将显示患者白内障程度、眼底情况及预测的患者术后最佳矫正视力范围;如图8所示,患者的各项临床资料、***所输出的预测结果将纳入“记录”界面,其他眼部疾病语言、外观可更换。
实施例3
患者女,46岁,右眼视物模糊1年,于我院就诊,否认糖尿病、高血压及其他眼部疾病或手术史。眼科检查显示右眼最佳矫正视力0.4,眼轴长度27.1mm,角膜散光-0.58D。医生将患者信息及临床资料录入高度近视白内障手术预后智能预判***,***评定结果为:右眼高度近视白内障(LOCSIII分级N3,眼底无明显异常),预估术后最佳矫正视力范围为0.8-1.0。患者同意手术,术后1天检查右眼最佳矫正视力为1.0,患者满意。
实施例4
患者男,63岁,左眼视物模糊5年,于我院就诊,否认高血压及眼部手术史,有糖尿病史20年。眼科检查显示左眼最佳矫正视力0.05,眼轴长度30.2mm,角膜散光-1.23D。医生将患者信息及临床资料录入高度近视白内障手术预后智能预判***,***评定结果为:左眼高度近视白内障(LOCSIII分级C2N4P4,糖尿病视网膜病变非增殖期,局限黄斑前膜),预估术后最佳矫正视力范围为0.4-0.6。经沟通,患者同意手术,术后1天检查左眼最佳矫正视力为0.5,患者满意。
实施例5
患者女,58岁,左眼视物模糊3年,于我院就诊,否认高血压,糖尿病,左眼网复术后8年。眼科检查显示左眼最佳矫正视力0.01,眼轴长度29.6mm,角膜散光-1.8D。医生将患者信息及临床资料录入高度近视白内障手术预后智能预判***,***评定结果为:左眼高度近视白内障(LOCSIII分级N5,黄斑区视网膜色素上皮萎缩),预估术后最佳矫正视力范围为0.2-0.4。经沟通,患者同意手术,术后1天检查最佳矫正视力为0.1,术后1周检查左眼最佳矫正视力为0.3,患者满意。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (6)
1.一种高度近视白内障手术预后智能预判***,其特征在于,包括:
储存装置:用于储存训练集中的信息,包括患者的基本信息、术前最佳矫正视力、眼轴长度、角膜散光、眼前节照片、眼底照片、眼底OCT及术后的最佳矫正视力;
评估模块:根据眼前节图像晶状体混浊程度,做出LOCSIII分级,构建晶状体混浊程度的深度学习模型,同时根据眼底照相及OCT结果对眼底病变程度进行评估;
审查模块:结合患者的年龄、性别、全身疾病、既往眼部疾病史、术前最佳矫正视力、眼轴长度、角膜散光等及对应的术后最佳矫正视力,通过核函数投射到高维空间后,构建术后最佳矫正视力的线性回归模型,从而达到高度近视白内障手术预后智能预判结果;
测试评价调整模块:用于使用训练集进行学习、调参,构建模型,通过训练学习和测试集建立评估预测网络,然后测试调整,从而达到手术智能预判。
2.根据权利要求1所述的一种高度近视白内障手术预后智能预判***,其特征在于,所述高度近视白内障预后智能预判***可对眼前节照片进行白内障混浊程度评估,根据眼底照片及眼底OCT图像评估眼底情况,再综合患者其他临床资料提供对高度近视白内障患者术后最佳矫正视力范围的预测。
3.根据权利要求1所述的一种高度近视白内障手术预后智能预判***,其特征在于,所述一种高度近视白内障手术预后智能预判***,可对眼前节照片进行白内障浑浊程度评估,建立晶状体浑浊程度LOCSIII分级深度学习模型,经过训练和测试,可输出患者白内障浑浊程度的评估结果。
4.根据权利要求1所述的一种高度近视白内障手术玉壶智能预判***,其特征在于,所述一种高度近视白内障手术预后智能预判***,可根据眼底照片及OCT图像评估眼底情况,采用图像增强算法,并配对分析眼底照片与OCT扫描相对应的区域,尽可能准确地评估眼底病变范围及性质。
5.根据权利要求1所述的一种高度近视白内障手术预后智能预判***,其特征在于,所述一种高度近视白内障手术预后智能预判***,可以整合患者基本病史及临床检查资料,建立与术后最佳矫正视力线性回归模型,并通过反复训练、测试调整参数,达到对术后最佳矫正视力范围的预测准确度要求。
6.根据权利要求1所述的一种高度近视白内障手术预后智能预判***,其特征在于,所述一种高度近视白内障手术预后智能预判***,具备简便的操作界面,由登录、录入、输出、记录四种界面,易于操作,语音、外观可更换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294447.7A CN109998477B (zh) | 2019-04-12 | 2019-04-12 | 一种高度近视白内障手术预后智能预判*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910294447.7A CN109998477B (zh) | 2019-04-12 | 2019-04-12 | 一种高度近视白内障手术预后智能预判*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109998477A true CN109998477A (zh) | 2019-07-12 |
CN109998477B CN109998477B (zh) | 2021-12-10 |
Family
ID=67171520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910294447.7A Active CN109998477B (zh) | 2019-04-12 | 2019-04-12 | 一种高度近视白内障手术预后智能预判*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109998477B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310282A (zh) * | 2019-07-31 | 2019-10-08 | 广西壮族自治区人民医院 | 一种利用活体共聚焦显微镜图像智能分析角膜神经纤维的*** |
CN110675929A (zh) * | 2019-09-25 | 2020-01-10 | 张哲� | 一种基于角膜地形图的数据处理*** |
CN111951946A (zh) * | 2020-07-17 | 2020-11-17 | 合肥森亿智能科技有限公司 | 基于深度学习的手术排班***、方法、存储介质和终端 |
CN112257912A (zh) * | 2020-10-15 | 2021-01-22 | 北京爱康宜诚医疗器材有限公司 | 预测手术评估信息的方法及装置、处理器、电子装置 |
WO2022014661A1 (ja) * | 2020-07-15 | 2022-01-20 | DeepEyeVision株式会社 | 予後判定装置、予後判定プログラム、及び予後判定方法 |
WO2022147306A1 (en) * | 2020-12-30 | 2022-07-07 | Universal Research Solutions, Llc | Patient post-operation improvement prediction using machine learning |
CN114937307A (zh) * | 2022-07-19 | 2022-08-23 | 北京鹰瞳科技发展股份有限公司 | 用于近视预测的方法及其相关产品 |
CN117153407A (zh) * | 2023-11-01 | 2023-12-01 | 福建瞳视力科技有限公司 | 一种用于视力矫正的青少年近视预测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103989453A (zh) * | 2014-06-03 | 2014-08-20 | 深圳市莫廷影像技术有限公司 | 一种多功能眼科测量装置及测试人眼不同部位的方法 |
US9357911B2 (en) * | 2011-05-09 | 2016-06-07 | Carl Zeiss Meditec, Inc. | Integration and fusion of data from diagnostic measurements for glaucoma detection and progression analysis |
CN108814544A (zh) * | 2018-04-25 | 2018-11-16 | 天津市索维电子技术有限公司 | 一种眼前节形态分析方法 |
CN109528155A (zh) * | 2018-11-19 | 2019-03-29 | 复旦大学附属眼耳鼻喉科医院 | 一种适用于高度近视并发开角型青光眼的智能筛查***及其建立方法 |
-
2019
- 2019-04-12 CN CN201910294447.7A patent/CN109998477B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9357911B2 (en) * | 2011-05-09 | 2016-06-07 | Carl Zeiss Meditec, Inc. | Integration and fusion of data from diagnostic measurements for glaucoma detection and progression analysis |
CN103989453A (zh) * | 2014-06-03 | 2014-08-20 | 深圳市莫廷影像技术有限公司 | 一种多功能眼科测量装置及测试人眼不同部位的方法 |
CN108814544A (zh) * | 2018-04-25 | 2018-11-16 | 天津市索维电子技术有限公司 | 一种眼前节形态分析方法 |
CN109528155A (zh) * | 2018-11-19 | 2019-03-29 | 复旦大学附属眼耳鼻喉科医院 | 一种适用于高度近视并发开角型青光眼的智能筛查***及其建立方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310282A (zh) * | 2019-07-31 | 2019-10-08 | 广西壮族自治区人民医院 | 一种利用活体共聚焦显微镜图像智能分析角膜神经纤维的*** |
CN110310282B (zh) * | 2019-07-31 | 2021-05-18 | 广西壮族自治区人民医院 | 一种利用活体共聚焦显微镜图像智能分析角膜神经纤维的*** |
CN110675929A (zh) * | 2019-09-25 | 2020-01-10 | 张哲� | 一种基于角膜地形图的数据处理*** |
WO2022014661A1 (ja) * | 2020-07-15 | 2022-01-20 | DeepEyeVision株式会社 | 予後判定装置、予後判定プログラム、及び予後判定方法 |
CN111951946A (zh) * | 2020-07-17 | 2020-11-17 | 合肥森亿智能科技有限公司 | 基于深度学习的手术排班***、方法、存储介质和终端 |
CN111951946B (zh) * | 2020-07-17 | 2023-11-07 | 合肥森亿智能科技有限公司 | 基于深度学习的手术排班***、方法、存储介质和终端 |
CN112257912A (zh) * | 2020-10-15 | 2021-01-22 | 北京爱康宜诚医疗器材有限公司 | 预测手术评估信息的方法及装置、处理器、电子装置 |
WO2022147306A1 (en) * | 2020-12-30 | 2022-07-07 | Universal Research Solutions, Llc | Patient post-operation improvement prediction using machine learning |
CN114937307A (zh) * | 2022-07-19 | 2022-08-23 | 北京鹰瞳科技发展股份有限公司 | 用于近视预测的方法及其相关产品 |
CN117153407A (zh) * | 2023-11-01 | 2023-12-01 | 福建瞳视力科技有限公司 | 一种用于视力矫正的青少年近视预测方法及*** |
CN117153407B (zh) * | 2023-11-01 | 2023-12-26 | 福建瞳视力科技有限公司 | 一种用于视力矫正的青少年近视预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109998477B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109998477A (zh) | 一种高度近视白内障手术预后智能预判*** | |
Lavric et al. | KeratoDetect: keratoconus detection algorithm using convolutional neural networks | |
CN109528155B (zh) | 一种适用于高度近视并发开角型青光眼的智能筛查***及其建立方法 | |
Martinez-Enriquez et al. | OCT-based full crystalline lens shape change during accommodation in vivo | |
AU2023214356A1 (en) | System and method for medical condition diagnosis, treatment and prognosis determination | |
CN111199794B (zh) | 一种适用于高度近视白内障的手术智能决策***及其建立方法 | |
Pieczynski et al. | The role of telemedicine, in-home testing and artificial intelligence to alleviate an increasingly burdened healthcare system: Diabetic retinopathy | |
US20210391056A1 (en) | Health big data service method and system based on remote fundus screening | |
CN112233087A (zh) | 一种基于人工智能的眼科超声疾病诊断方法和*** | |
CN109464120A (zh) | 一种糖尿病视网膜病变筛查方法、装置及存储介质 | |
Ram et al. | The relationship between Fully Connected Layers and number of classes for the analysis of retinal images | |
JP2022526867A (ja) | 眼検査 | |
CN110211686A (zh) | 一种高度近视白内障人工晶状体精准选择*** | |
CN112220445A (zh) | 一种基于移动终端的白内障和后发性白内障的分析***和装置 | |
CN113854957A (zh) | 一种基于眼部图像的人工智能屈光度精准测量方法 | |
Li et al. | Evaluating the accuracy of the Ophthalmologist Robot for multiple blindness-causing eye diseases: a multicentre, prospective study protocol | |
CN112700863A (zh) | 一种基于Scheimpflug眼前节形态的屈光度精准评估的方法和应用 | |
KR102460451B1 (ko) | 가시광선의 동공 반사 이미지를 이용한 굴절이상 측정 방법 | |
Quan et al. | Automatic glaucoma screening hybrid cloud system with pattern classification algorithms | |
do Amaral Antunes et al. | Artificial intelligence in ophthalmology: The optimization of medical care and future challenges | |
Shuxian | Design of Postoperative Visual Acuity Prediction Program Based on Machine Learning before Cataract Surgery | |
CN214484464U (zh) | 基于移动终端的白内障和后发性白内障的分析***和装置 | |
Goyanes et al. | Fully-automatic segmentation of the ciliary muscle using anterior segment optical coherence tomography images | |
Alipour et al. | PERSIAN Eye Cohort Study (PECS): Design, Methodology | |
US20220151482A1 (en) | Biometric ocular measurements using deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |