CN113743498A - 一种角膜塑形镜验配okai解决方法 - Google Patents
一种角膜塑形镜验配okai解决方法 Download PDFInfo
- Publication number
- CN113743498A CN113743498A CN202111026026.XA CN202111026026A CN113743498A CN 113743498 A CN113743498 A CN 113743498A CN 202111026026 A CN202111026026 A CN 202111026026A CN 113743498 A CN113743498 A CN 113743498A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- fitting
- namely
- parameters
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 230000003287 optical effect Effects 0.000 abstract 1
- 210000004087 cornea Anatomy 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 201000009310 astigmatism Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种角膜塑形镜验配OKAI解决方法，包括数据分析、模型建立和模型预测三部分；数据分析部分，通过对验光的各项历史数据进行归一化处理，并对数据进行分析以提取出具有高价值的影响因子，即特征以建立模型；模型建立部分，利用筛选出来的影响因子，与定片的验配参数利用树形模型算法建立一一对应的关系，最后得到一个方程式Y=f(X)，即预训练好预测模型；模型预测三部分,基于预训练好的预测模型，获取得到模型参数和文件，输入用户的新数据进行预测，得到新的验配参数结果提供给医生参考以帮助医生作出相应的验配策略。
Description
技术领域
本发明涉及角膜塑形镜验配技术领域，特别涉及一种角膜塑形镜验配OKAI解决方法。
背景技术
在视光验配角膜塑形镜（OK镜）领域，一般都是基于医生的经验进行验配，由此医生的经验好坏直接决定了患者试戴过程的时间，以及能否验配到一副适合自己的角膜塑形镜。
基于目前的处理方式，存在着以下的不足：首先医生不了解角膜地形图背后的数据含义，只能通过角膜地形图去估计患者的OK镜参数，然后通过一片一片的试戴片去帮助患者得到较好的OK镜片，这样过程非常耗时并且繁琐，甚至有很多时候找不到非常适配的OK镜；还有厂商只能按照他们测定的数据来做OK镜片，这样并不能帮助到部分特殊需要的患者，换句话说，厂商做不到精准的镜片参数设计。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种角膜塑形镜验配OKAI解决方法，利用验配良好的历史数据进行预测，模型将会把难以表达的医生经验转化成一套有效的模型数字参数，进而可以定量地对验配进行描述和预测，最后通过模型可以准确地帮助医生为患者选择适配良好的角膜塑形镜镜片。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种角膜塑形镜验配OKAI解决方法，包括数据分析、模型建立和模型预测三部分；
数据分析部分，通过对验光的各项历史数据进行归一化处理，对数据和验配参数做相关性检验及数据自身的分布检验，筛选出具有高价值的影响因子，即特征以建立模型；
模型建立部分，利用筛选出来的影响因子，与定片的验配参数利用树形模型算法建立一一对应的关系，最后得到一个方程式Y=f(X)，其中X代表影响因子，Y代表验配参数，具体通过建立多棵回归或者分类的树，每一棵树对数据进行不断的拟合，持续地降低树拟合的结果与真实数据的误差，最后得到一个集成的树模型；
模型预测三部分,基于预训练好的树形模型，获取得到模型参数和文件，输入用户的新数据进行预测，得到新的验配参数结果提供给医生参考以帮助医生做出相应的验配策略。
具体地，数据分析部分包含了历史数据的各个处理，包括对数据进行删除、修改、转化等操作，模型建立部分主要是依赖已有的历史数据，即通过验光的各项数据和最后的角膜塑形镜定片参数，利用xgboost树型算法，该算法主要是通过建立一个数学模型表达，其原理是建立多棵回归或者分类的树，每一棵树对数据进行不断的拟合，持续地降低树拟合的结果与真实数据的误差，最后得到一个集成的树模型，最后，该树模型可以很好地对处理过的数据进行分析，从而对于新的类似数据达到准确预测的功能，整个技术解决方案的流程如下图1所示。
本申请人依托验配良好的历史数据，通过大数据分析和人工智能算法对这些历史数据进行分析和预测，一方面帮助经验不足的医生也能够找到适合病人的角膜塑形镜，另一方面能够辅助经验良好的医生更加快速地确定角膜塑形镜的验配参数。
在此，涉及到的大数据分析包括：1、清除无效的历史数据；2、填充部分缺失数据；3、修正错误数据；4、整合、转化所有的历史数据等。
所涉及到的人工智能算法主要是分类预测算法，其名称为xgboost分类算法，是一类树型分类模型，其主要的功能是能够通过建立多棵决策树，设定每一棵树上的目标函数，以此建立历史数据中配置角膜塑形镜的因果关系算法，即通过历史数据的表现，用该分类算法找到这些历史数据背后隐藏的数理逻辑关系，从而快速地解决验配的参数预测。
综上所述，本发明对比于现有技术的有益效果为：
利用人工智能验配角膜塑形镜参数，一方面可以避免医生个人经验误差，不同的医生有着自己的一套经验来验配角膜塑形镜，同时，不同的经验会带来不同的误差，给患者带来多次试戴的问题以及医生也仅仅只能得到可用的角膜塑形镜参数，但是并不能得到最好或者最适合的角膜塑形镜参数。
但是基于历史中验配非常良好情况下的数据，利用人工智能的方法进行对其分析，然后用数学模型进行关系表达，就可以从客观的角度上对这些医生的经验做一个沉淀，并且其中误差达到最小。另一方面，还有很多的医生都不具备较好的验配角膜塑形镜经验，对于这样的验配医生，该发明可以有效地辅助这类医生做验配角膜塑形镜的参数调配，从而提升医生的技能和效率。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1为发明内容部分的流程图；
图2为实施例中验光数据的示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。说明书中的“实施例”或“实施方式”既可表示一个实施例或一种实施方式，也可表示一些实施例或一些实施方式的情况。
本领域技术人员知道，本发明的实施方式可以实现为一种***、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件（包括固件、驻留软件、微代码等），或者硬件和软件结合的形式。
需要说明的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
一种角膜塑形镜验配OKAI解决方法，主要包括数据分析、模型建立和模型预测三部分，利用人工智能的相关算法对角膜塑形镜(OK镜)进行参数预测，即通过机器学习的数学逻辑方法，基于多年的OK镜验配数据，对视光验配领域的OK镜验配进行预测，从而省去患者试戴的过程，为医生和患者提高适配的效率。
数据分析部分，具体包括数据清洗和特征筛选；
数据清洗，通过剔除采集的不规整视光数据以及一些验配不良好情况下的数据，同时对部分数据进行归一化处理；
特征筛选，对清理出来的数据，将数据与验配参数做相关性的检验以及数据自身的分布检验，筛选出具有高价值的影响因子，即特征。
验光的各项数据具体包括数值型的数据（例如FK、SK的数值）、布尔型的数据（性别、是否需要toric等）、图像数据（图像的数字化），参照图2所示，包含sex（性别）、age（年龄）、FK（角膜FK）、SK（角膜SK）、e_val（角膜E值）、AXL（眼轴）、js（近视）、astigmia（散光）、direction（方位）等。
数据归一化处理的流程具体如下：
1、例如数据缺失太多，很显然无法帮助我们建立有效的数学模型，对于这样的数据，我们选择删除；
2、在删除掉无效的数据之后，对其中一些错误的数据(输入错误，***错误等原因)进行修改；
3、最后对于这些可用的数据进行一些特征上的转化，比如用独热码的方式对性别这个特征进行转化，转化成离散的数据类型；
4、所有处理好的数据转化成csv格式或者excel格式进行存储。
针对数据和验配参数的相关性检验，主要是通过皮尔逊相关的方式进行检测，但是该相关性主要是检测线性的相关程度，所以我们采用了利用一般的非线性模型来进行筛选出高价值的影响因子，比如用随机森林算法，设定其树的个数为50，深度为6，直接做特征和结果的拟合回归，同时就可以得到一个特征权重的排行，以此来筛选出高价值的影响因子。
至于数据自身的分布检验，数据本身并不一定要遵循某种分布，我们只要保证训练数据和测试数据的分布保持一致就可以，这样就大大地提升了模型和数据的应用能力。
基于上述的检测方式，我们可以得到各个指标的权重图，基于该权重图，我们可以筛选出排名靠前的影响因子。
模型建立部分，利用筛选出来的影响因子，与定片的验配参数利用树形模型算法建立一一对应的关系，最后得到一个方程式Y=f(X)，即预训练好预测模型。
模型预测三部分,基于预训练好的预测模型，获取得到模型参数和文件，输入用户的新数据进行预测，得到新的验配参数结果提供给医生参考以帮助医生作出相应的验配策略。
基于上述内容，一个具体的实施流程具体如下：
１、首先，对于数据源进行整合，所有的数据都汇总到一个可输入软件的excel表格中；
２、利用软件对excel中的数据进行读取，以及做数据处理，包括增删改等操作；
３、通过软件相应的算法包，对处理好的数据进行建立模型和训练模型；
４、将训练好的模型进行保存，以便对新数据进行预测和再训练；
５、将训练数据反馈到界面中进行展示，给出相应的策略供医生参考。
以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。
Claims (5)
1.一种角膜塑形镜验配OKAI解决方法，其特征在于，包括数据分析、模型建立和模型预测三部分；
数据分析部分，通过对验光的各项历史数据进行归一化处理，对数据和验配参数做相关性检验及数据自身的分布检验，筛选出具有高价值的影响因子，即特征以建立模型；
模型建立部分，利用筛选出来的影响因子，与定片的验配参数利用树形模型算法建立一一对应的关系，最后得到一个方程式Y=f(X)，其中X代表影响因子，Y代表验配参数，具体通过建立多棵回归或者分类的树，每一棵树对数据进行不断的拟合，持续地降低树拟合的结果与真实数据的误差，最后得到一个集成的树模型；
模型预测三部分,基于预训练好的树形模型，获取得到模型参数和文件，输入用户的新数据进行预测，得到新的验配参数结果提供给医生参考以帮助医生做出相应的验配策略。
2.根据权利要求1所述的一种角膜塑形镜验配OKAI解决方法，其特征对于，数据分析部分具体包括数据清洗和特征筛选；
数据清洗，通过剔除采集的不规整视光数据以及一些验配不良好情况下的数据，同时对部分数据进行归一化处理；
特征筛选，对清理出来的数据，将数据与验配参数做相关性的检验，通过非线性模型分析获得特征权重的排行，进而筛选出高价值的影响因子，数据自身的分布检验通过训练数据和测试数据的分布保持一致以提升模型和数据的应用能力。
3.根据权利要求1或2所述的一种角膜塑形镜验配OKAI解决方法，其特征在于，各项历史数据归一化处理包括对缺少等无效数据进行删除、对错误数据进行修改、对数据进行特征转化等操作。
4.根据权利要求3所述的一种角膜塑形镜验配OKAI解决方法，其特征在于，归一化处理完成的各项历史数据转化成CSV格式或者excel格式进行存储。
5.根据权利要求1所述的一种角膜塑形镜验配OKAI解决方法，其特征在于，数据与验配参数做相关性的检验通过采用一般的非线性模型做特征和验配参数的拟合回归，以此得到一个特征权重的排行，以此来筛选出高价值的影响因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111026026.XA CN113743498A (zh) | 2021-09-02 | 2021-09-02 | 一种角膜塑形镜验配okai解决方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111026026.XA CN113743498A (zh) | 2021-09-02 | 2021-09-02 | 一种角膜塑形镜验配okai解决方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113743498A true CN113743498A (zh) | 2021-12-03 |
Family
ID=78734885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111026026.XA Pending CN113743498A (zh) | 2021-09-02 | 2021-09-02 | 一种角膜塑形镜验配okai解决方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743498A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832581A (zh) * | 2017-12-15 | 2018-03-23 | 百度在线网络技术（北京）有限公司 | 状态预测方法和装置 |
| CN108335757A (zh) * | 2018-02-05 | 2018-07-27 | 王雁 | 一种预测smile手术中屈光度调整值的方法 |
| CN108742513A (zh) * | 2018-02-09 | 2018-11-06 | 上海长江科技发展有限公司 | 脑卒中患者康复预测方法及*** |
| CN111000525A (zh) * | 2019-11-21 | 2020-04-14 | 明灏科技（北京）有限公司 | 一种基于大数据的角膜塑形镜验配方法及*** |
| CN111144609A (zh) * | 2019-11-13 | 2020-05-12 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种锅炉废气排放预测模型建立方法、预测方法及装置 |
| CN111242363A (zh) * | 2020-01-08 | 2020-06-05 | 广东工业大学 | 一种基于机器学习的pcb板订单合拼与排版预测方法及*** |
| CN111414972A (zh) * | 2020-03-30 | 2020-07-14 | 王雁 | 一种基于XGBoost的眼屈光矫正多源数据自动分类方法 |
| CN111553402A (zh) * | 2020-04-22 | 2020-08-18 | 首都医科大学附属北京同仁医院 | 基于大数据和深度学习的智能化角膜塑形镜选片***及方法 |
| AU2020102515A4 (en) * | 2020-09-30 | 2020-11-19 | Cao, Zhi Mr | A method of financial default prediction based on Python data analysis |
| WO2021082394A1 (zh) * | 2019-10-30 | 2021-05-06 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的场面可变滑出时间预测*** |
-
2021
- 2021-09-02 CN CN202111026026.XA patent/CN113743498A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832581A (zh) * | 2017-12-15 | 2018-03-23 | 百度在线网络技术（北京）有限公司 | 状态预测方法和装置 |
| CN108335757A (zh) * | 2018-02-05 | 2018-07-27 | 王雁 | 一种预测smile手术中屈光度调整值的方法 |
| CN108742513A (zh) * | 2018-02-09 | 2018-11-06 | 上海长江科技发展有限公司 | 脑卒中患者康复预测方法及*** |
| WO2021082394A1 (zh) * | 2019-10-30 | 2021-05-06 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的场面可变滑出时间预测*** |
| CN111144609A (zh) * | 2019-11-13 | 2020-05-12 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种锅炉废气排放预测模型建立方法、预测方法及装置 |
| CN111000525A (zh) * | 2019-11-21 | 2020-04-14 | 明灏科技（北京）有限公司 | 一种基于大数据的角膜塑形镜验配方法及*** |
| CN111242363A (zh) * | 2020-01-08 | 2020-06-05 | 广东工业大学 | 一种基于机器学习的pcb板订单合拼与排版预测方法及*** |
| CN111414972A (zh) * | 2020-03-30 | 2020-07-14 | 王雁 | 一种基于XGBoost的眼屈光矫正多源数据自动分类方法 |
| CN111553402A (zh) * | 2020-04-22 | 2020-08-18 | 首都医科大学附属北京同仁医院 | 基于大数据和深度学习的智能化角膜塑形镜选片***及方法 |
| AU2020102515A4 (en) * | 2020-09-30 | 2020-11-19 | Cao, Zhi Mr | A method of financial default prediction based on Python data analysis |
Non-Patent Citations (1)
| Title |
|---|
| 宋晓磊;祁鑫;王彪;: "基于机器学习的学生成绩信息化预测研究", 电脑编程技巧与维护, no. 04, 18 April 2020 (2020-04-18) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kamal et al. | Explainable AI for glaucoma prediction analysis to understand risk factors in treatment planning | |
| CN110163839B (zh) | 豹纹状眼底图像识别方法、模型训练方法及设备 | |
| KR20210103446A (ko) | 의료 정보를 생성하는 방법 | |
| Sharma et al. | Machine learning approach for detection of diabetic retinopathy with improved pre-processing | |
| CN113870239A (zh) | 视力检测方法及装置、电子设备、存储介质 | |
| CN115985515A (zh) | 一种基于机器学习的弱视矫治效果预测方法、装置及设备 | |
| Sheeba et al. | Glaucoma detection using artificial neural network | |
| Ebin et al. | An approach using transfer learning to disclose diabetic retinopathy in early stage | |
| Naramala et al. | Enhancing diabetic retinopathy detection through machine learning with restricted boltzmann machines | |
| Ramani et al. | Automatic diabetic retinopathy detection through ensemble classification techniques automated diabetic retionapthy classification | |
| CN113989217A (zh) | 一种基于深度学习的人眼屈光度检测方法 | |
| CN117338234A (zh) | 一种屈光度与视力联合检测方法 | |
| CN110993100B (zh) | 一种青少年儿童近视预测***的缺失值填补方法及使用该方法的*** | |
| Roshan et al. | Fine-tuning of pre-trained convolutional neural networks for diabetic retinopathy screening: a clinical study | |
| CN113743498A (zh) | 一种角膜塑形镜验配okai解决方法 | |
| CN115272743A (zh) | 一种基于深度学习的二维IOLmaster晶状体图像分级方法和装置 | |
| Saju et al. | Eye-Vision Net: Cataract Detection and Classification in Retinal and Slit Lamp Images using Deep Network | |
| Mazumder et al. | Deep learning approaches for diabetic retinopathy detection by image classification | |
| Anggraeni et al. | Detection of the emergence of exudate on the image of retina using extreme learning machine method | |
| Sutradhar et al. | Blind-spot network for image anomaly detection: A new approach to diabetic retinopathy screening. | |
| Fu et al. | Recognition of Medical Images of Eye Diseases in a Deep Learning Perspective | |
| CN111374632A (zh) | 视网膜病变检测方法、装置及计算机可读存储介质 | |
| Boral et al. | A Review on Automated Diabetic Retinopathy Detection using Pretrained Deep Neural Network | |
| CN117593783B (zh) | 基于自适应smote的视觉训练方案生成方法及装置 | |
| Biswas et al. | Deep learning system for assessing diabetic retinopathy prevalence and risk level estimation |
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 |