一种晶体推荐方法、装置、电子设备及存储介质与流程
未命名
09-29
阅读:81
评论:0
1.本技术涉及数据处理
技术领域:
:,特别是涉及一种晶体推荐方法、装置、电子设备及存储介质。
背景技术:
::2.icl(implantablecollamerlens,有晶体眼人工晶体植入术)及ticl(toricimplantablecontactlens,散光矫正有晶体眼人工晶体植入术)为矫正近视的手术方法,通过在眼睛内部加一副“眼镜”(icl或ticl晶体),实现矫正近视度数的目的,全程无需切削角膜,相对于其他切削手术,具有安全性更高、手术可逆等特点,能够使用于大范围的屈光矫正应用场景。3.在icl/ticl手术之前,需要进行晶体选型,目前可以通过传统的机器学习方法,确定用户在手术中所使用的晶体型号。但是,传统机器学习方法对用户特征的分析能力不足,使得选型精度不够高,所确定的晶体型号无法满足用户需求,进而导致手术效果不好。技术实现要素:4.为解决上述技术问题,本技术示出了一种晶体推荐方法、装置、电子设备及存储介质。5.第一方面,本技术示出了一种晶体推荐方法,所述方法包括:6.获取目标用户的用户信息及多种候选晶体的晶体参数;7.将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;所述目标深度学习模型由预设深度学习模型对训练数据进行训练得到,所述训练数据包括样本用户的用户信息、所述晶体参数及所述样本用户植入对应的候选晶体后的样本术后结果;8.根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体。9.可选的,所述获取目标用户的用户信息及多种候选晶体的晶体参数,包括:10.获取多种候选晶体的晶体参数;11.获取目标用户相关的文本数据及每个候选晶体对应的特征数据类型;12.从所述文本数据中提取各个特征数据类型对应的数据,分别生成每个候选晶体对应的用户信息。13.可选的,所述获取目标用户相关的文本数据及所述候选晶体对应的特征数据类型之前,还包括:14.获取训练数据;15.根据所植入的候选晶体,对所述训练数据进行分类,并对每一分类中包括的样本用户的用户信息进行匹配分析,确定植入每个候选晶体前所需获取数据的特征数据类型;所述特征数据类型的数据用于指示所述样本用户的术前情况。16.可选的,所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:17.在所述用户信息和/或所述晶体参数为离散变量的情况下,对所述用户信息和/或所述晶体参数进行独热编码,得到第一变量;18.在所述用户信息和/或所述晶体参数为连续变量的情况下,对所述用户信息和/或所述晶体参数进行归一化处理,得到第二变量;19.调用激活函数对所述第一变量及所述第二变量进行处理,得到输入变量;20.将所述输入变量输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果。21.可选的,在所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果之前,包括:22.获取训练数据;所述训练数据包括阳性样本及阴性样本;23.对所述阴性样本进行重复采样,得到训练数据;24.将所述训练数据输入至预设深度学习模型进行预测,得到所述样本用户植入对应的候选晶体后的训练术后结果;25.根据所述训练术后结果、所述样本术后结果及预设损失函数,迭代调整所述预设深度学习模型的模型参数,得到目标深度学习模型。26.可选的,所述预设深度学习模型为多层感知器模型、残差多层感知器模型或transformer模型;27.所述损失函数为均方损失函数、平均绝对误差损失函数或平滑平均绝对误差损失函数。28.可选的,所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:29.确定与所述用户信息相匹配的候选晶体的晶体参数,作为目标晶体参数,将所述用户信息及所述目标晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;或,30.按照预设分组,从多种候选晶体中选择各个分组对应的参考晶体,将所述用户信息及所述参考晶体的晶体参数输入至目标深度学习模型进行预测,确定每种参考晶体对应的预测术后结果,根据所述预测术后结果,从所述参考晶体中确定符合预设条件的目标参考晶体,将所述用户信息及所述目标参考晶体同一分组的候选晶体的晶体参数输入至目标深度学习模型进行预测,确定同一分组的候选晶体对应的预测术后结果。31.可选的,所述根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体,包括:32.确定所述预测术后结果与预设值最接近的预设数量个候选晶体,作为目标晶体;或,33.对所述预测术后结果进行风险评估,按照风险评估结果由小到大的顺序,确定预设数量个候选晶体为目标晶体。34.第二方面,本技术示出了一种晶体推荐装置,所述装置包括:35.获取模块,用于获取目标用户的用户信息及多种候选晶体的晶体参数;36.预测模块,用于将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;所述目标深度学习模型由预设深度学习模型对训练数据进行训练得到,所述训练数据包括样本用户的用户信息、所述晶体参数及所述样本用户植入对应的候选晶体后的样本术后结果;37.推荐模块,用于根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体。38.第三方面,本技术示出了一种电子设备,所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一项所述的晶体推荐方法的步骤。39.第四方面,本技术示出了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的晶体推荐方法的步骤。40.与现有技术相比,本技术包括以下优点:41.在本技术中,获取目标用户的用户信息及多种候选晶体的晶体参数;将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;目标深度学习模型由预设深度学习模型对训练数据进行训练得到,训练数据包括样本用户的用户信息、晶体参数及样本用户植入对应的候选晶体后的样本术后结果;根据预测术后结果,从候选晶体中确定符合预设条件的目标晶体。42.这样,采用深度学习算法,通过预先训练好的目标深度学习模型,可以对用户信息及晶体参数进行建模分析,目标深度学习模型的训练数据包括广泛人群采样的样本用户在晶体移植手术术前的用户信息和术后复查视力情况和眼部生理参数得到的样本术后结果,因此,能够有效准确选择目标用户对应的目标晶体,相比于传统机器学习方法,晶体的选型更加准确,可以个性化地满足不同人群的术后需求。附图说明43.通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:44.图1是本技术的一种晶体推荐方法的步骤流程图;45.图2是本技术的一种数据采集与清洗过程的示意图;46.图3是本技术的一种多层感知器模型的模型示意图;47.图4是本技术的一种残差多层感知器模型的模型示意图;48.图5是本技术的一种transformer模型的模型示意图;49.图6是本技术的一种晶体推荐装置的结构框图;50.图7是本技术的一种电子设备的结构框图。具体实施方式51.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。52.下面将通过具体的实施例,对本发明实施例提供的晶体推荐方法进行详细描述。53.参照图1,示出了本技术的一种晶体推荐方法的步骤流程图,该方法具体可以包括如下步骤:54.s101:获取目标用户的用户信息及多种候选晶体的晶体参数。55.icl(implantablecollamerlens,有晶体眼人工晶体植入术)及ticl(toricimplantablecontactlens,散光矫正有晶体眼人工晶体植入术)为矫正近视的手术方法。在icl/ticl手术之前,需要进行晶体选型,以确定用户在手术中所使用的晶体型号。56.在本步骤中,需要获取目标用户的用户信息及多种候选晶体的晶体参数,其中,目标用户即为当前需要进行手术并进行晶体选型的人员,候选晶体即为目标用户当前可选择的几种晶体。获取到用户信息及晶体参数之后,才能实现后续基于两种信息对目标用户及候选晶体的匹配。57.举例来说,用户信息可以包含用户的基本信息,例如年龄、性别、眼别等;术前检查信息,例如术前球镜、术前柱镜、术前轴位、术前等效球镜、暗瞳、眼压、眼轴长度、角膜曲率k1、k1轴向、角膜曲率k2、k2轴向、前房深度、角膜厚度(cornealthicknes,ct)、白到白(whitetowhite,wtw)、前房容积、前房角、瞳孔直径、晶状体厚度等。晶体参数可以包含晶体尺寸、晶体球镜、晶体柱镜和晶体轴位等参数,具体不做限定。58.一种实现方式中,获取目标用户的用户信息及多种候选晶体的晶体参数,包括:59.获取多种候选晶体的晶体参数;获取目标用户相关的文本数据及每个候选晶体对应的特征数据类型;从文本数据中提取各个特征数据类型对应的数据,分别生成每个候选晶体对应的用户信息。60.其中,文本数据可以包含目标用户的历史病历、手术记录和术前检验报告单等,对于纸质版的数据,可以通过图像采集的方法将其电子化,并通光学字符识别(opticalcharacterrecognition,ocr)技术,转换成可供提取的文本数据。61.获取到的文本数据可以进行结构化信息提取,抽取出各个特征数据类型对应的数据,包括与晶体植入相关的指标、指征等信息,由于结构化信息经过分析后可分解成多个互相关联的组成部分,各组成部分间有明确的层次结构,因此,从文本数据中提取出的信息可以进行结构化的存储,将数据按照其对应的层次结构存储至数据库中,以使对数据的管理、使用和维护更规范。进而,可以通过对已存储的数据进行分析,确定目标用户植入各个候选晶体时分别需要参考的数据,即每个候选晶体对应的用户信息。62.不同的文件中可以抽取出不同特征数据类型的数据,比如,从光学相干生物测量仪(iolmaster)检查报告中可以提取角膜曲率、轴向,眼轴、前房角、白到白等信息,从病历记录中可以提取年龄、性别、眼别、常见病史等信息,从手术记录中可以提取切口大小、切口方向、术后诊断、植入晶体信息等等。63.丰富且高质量的用户信息对于构建性能可靠的目标深度学习模型至关重要,可以进一步提高晶体选型的精度,满足不同用户的需求。64.其中,获取目标用户相关的文本数据及候选晶体对应的特征数据类型之前,还包括:65.获取训练数据;根据所植入的候选晶体,对训练数据进行分类,并对每一分类中包括的样本用户的用户信息进行匹配分析,确定植入每个候选晶体前所需获取数据的特征数据类型;所述特征数据类型的数据用于指示所述样本用户的术前情况。66.可以理解,不同类型的晶体植入手术所需要的用户信息包括的特征数据类型略有差异,例如在术后的复查中,除去视力情况和复查距手术时间外,icl晶体植入还关注术后的拱高等眼部结构参数。那么,可以通过对训练数据进行分类及匹配分析,可以确定每个候选晶体所需要的特征数据类型,从而有利于提高用户信息的丰富度及其质量。67.举例来说,可以根据病历号等关键字段,对训练数据进行分类,然后对每一分类中包括的样本用户的用户信息进行匹配分析,根据每个候选晶体对应的术前参数和术后情况的条目,确定植入每个候选晶体前所需获取数据的特征数据类型;所述特征数据类型的数据用于指示所述样本用户的术前情况,比如,特征数据类型可以包括年龄、性别、眼别、常见病史、角膜曲率及对应轴向、眼轴、前房角、白到白、拱高等,具体不做限定。68.进一步地,所确定的条目还可以先通过人工核验,根据用户信息进行符合医学条件的筛选,得到最终的特征数据类型,这样可以进一步提高晶体选型的安全性和准确度。69.如图2所示,为上述的一种数据采集与清洗过程的示意图。获取到历史病历、手术记录和术前检验报告单等原始数据后,利用ocr技术将图片数据转换成可供提取的文本数据。文本数据进行结构化信息提取,抽取出与晶体植入相关的指标、指征等信息并进行结构化存储。然后,对不同种类的信息进行多源数据匹配,并通过人工核验得到最终的可用数据条目,确定每个候选晶体对应的特征数据类型。70.s102:将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;目标深度学习模型由预设深度学习模型对训练数据进行训练得到,训练数据包括样本用户的用户信息、晶体参数及样本用户植入对应的候选晶体后的样本术后结果。71.在本技术中,在训练时使用样本用户的用户信息和晶体参数,预测样本术后结果,并对深度学习模型的模型参数进行调整。在推理时,通过遍历有限的候选晶体的晶体参数,目标深度学习模型可以得到每种候选晶体对应的预测术后结果。72.其中,预测术后结果是对目标用户植入某种候选晶体后的相关信息进行预测的结果,可以反应目标用户的术后情况,比如,可以包括术后视力和眼部参数,眼部参数包括拱高等,具体不做限定。73.由于深度学习模型相比于传统机器学习模型,对输入的用户信息及晶体参数的分析能力更强,因此,基于目标深度学习模型的预测结果更准确,使得晶体的选型精度更高。74.一种实现方式中,将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:75.在用户信息和/或晶体参数为离散变量的情况下,对用户信息和/或晶体参数进行独热(one-hot)编码,得到第一变量;在用户信息和/或晶体参数为连续变量的情况下,对用户信息和/或晶体参数进行归一化处理,得到第二变量;调用激活函数对第一变量及第二变量进行处理,得到输入变量;将输入变量输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果。76.可以理解,步骤s101中获取的用户信息及晶体参数包含不同的类型,例如某一数据可能是离散的类别,也可能是连续的数值类型。77.在本步骤中,针对离散的数据,可以进行one-hot编码,one-hot编码又称为一位有效编码,主要是采用n位状态寄存器来对n个状态进行编码,每个状态都对应独立的寄存器位,并且在任意时候只有一位有效。例如,对于两种不同的晶体icl和ticl,作为两种不同的特征,n=2,则可以分别记为[1,0]和[0,1];[0078]对于连续型的变量,可以设定变量的取值范围,将每个变量值减去取值范围的下限,并除以取值范围的上下限之差,使其变换到[0,1]的范围内。[0079]然后,调用激活函数对第一变量及第二变量进行sigmoid变换操作,得到输入变量。[0080]其中,sigmoid函数的调用,使得即使输入变量的是取值范围外的值,依然能够将其转换为目标深度学习模型学习到的值的范围中,而避免产生未知的意外情况,从而进一步对数据进行规范。[0081]通常,在医学诊断中,表现为异常的阳性样本数量远远小于阴性样本的数量,而这将造成训练出的目标深度学习模型被数据量大的阴性样本所主导,从而降低模型性能,不能准确进行晶体选型。[0082]那么,一种实现方式中,在将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果之前,包括:[0083]获取训练数据,训练数据包括阳性样本及阴性样本;对阴性样本进行重复采样,得到训练数据;将训练数据输入至预设深度学习模型进行预测,得到样本用户植入对应的候选晶体后的训练术后结果;根据训练术后结果、样本术后结果及预设损失函数,迭代调整预设深度学习模型的模型参数,得到目标深度学习模型。[0084]这样,通过采用重复采样的方式,可以增加少数类别的样本在训练中出现的频次,实现对少见的阳性样本进行数据扩增,使得训练数据相对平衡,减少由于异常的阳性样本数量远远小于阴性样本的数量导致训练出的模型被阴性样本所主导的情况,从而更好地适应模型训练的需要,提高模型性能和对阳性样本进行晶体选型的准确度。[0085]在本技术中,预设深度学习模型可以为多层感知器模型、残差多层感知器模型或transformer模型或其他任意一种深度学习模型;预设损失函数可以为均方误差(meansquarederror,mse)损失函数、平均绝对误差(l1)损失函数或平滑的l1损失函数,等等,具体不做限定。[0086]举例而言,如图3所示,为多层感知器模型的模型示意图,多层感知器模型中包括3层全连接层,每两层全连接层中包括2层隐藏层,隐藏层可以通过激活函数将输入的用户信息及晶体参数进行非线性变换,以得到预测术后结果,其中,激活函数可以包括sigmoid激活函数、dropout激活函数以及tanh激活函数等,具体不做限定;[0087]如图4所示,为残差多层感知器模型的模型示意图,残差多层感知器模型是在多层感知器模型的基础上,增加了残差感知器模块,残差感知器模块中包括2层全连接层以及4层隐藏层,通过将残差感知器模块的输入与2层全连接层及4层隐藏层的输出相加,得到残差感知器模块外部第三层全连接层的输入,这样,模型的深度进一步增加了,训练效果也更好;[0088]如图5所示,为transformer模型的模型示意图,transformer模型包括2层全连接层以及transformer编码层,transformer编码层基于自注意力机制(self-attention)实现对输入的用户信息及晶体参数的编码和学习,具有更高的并行性和计算效率;[0089]另外,本技术也可以采用其他的深度学习模型进行训练,并用于晶体选型,具体不做限定。[0090]s103:根据预测术后结果,从候选晶体中确定符合预设条件的目标晶体。[0091]在得到预测术后结果之后,可以对预测术后结果中的各项数据进行分析,从候选晶体中确定符合预设条件的目标晶体,尽量使预测术后结果中的各项数据分布在合理的区间,以减小并发症发生的概率。[0092]举例而言,可以先选取预测术后结果中符合术后屈光要求的候选晶体,然后,对术后眼部结构的其他参数,例如拱高进行分析,使其也分布在合理的区间,从中确定目标晶体。[0093]这种方式能够直观地看出晶体推荐的分布情况,便于评估方法的可靠性,同时也可以在此基础上医生根据用户的特点,利用其临床经验进行进一步优化晶体选型参数。[0094]在本步骤中,根据预测术后结果,从候选晶体中确定符合预设条件的目标晶体,包括:[0095]确定预测术后结果与预设值最接近的预设数量个候选晶体,作为目标晶体;或,对预测术后结果进行风险评估,按照风险评估结果由小到大的顺序,确定预设数量个候选晶体为目标晶体。[0096]也就是说,可以根据所需的术后屈光目标值,可以自动筛选出预测术后结果的屈光范围相近的一系列候选晶体,作为目标晶体进行推荐,或者,还可以结合术后的眼部参数预测,对预测术后结果进行分析对每一种候选晶体分别进行风险评估,给与一定的风险提示,例如,选择某种晶体可能导致术后拱高过高或者过低,增加用户术后并发症的风险,等等。[0097]在本技术中,将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:[0098]确定与用户信息相匹配的候选晶体的晶体参数,作为目标晶体参数,将用户信息及目标晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;[0099]其中,与用户信息相匹配的候选晶体可以是所有可能的候选晶体,也可以是医生根据传统经验选择可能的候选晶体,具体不做限定,这种方式中,目标深度学习模型需要对相匹配的候选晶体进行遍历,以寻求最优解。[0100]或,按照预设分组,从多种候选晶体中选择各个分组对应的参考晶体,将用户信息及参考晶体的晶体参数输入至目标深度学习模型进行预测,确定每种参考晶体对应的预测术后结果,根据预测术后结果,从参考晶体中确定符合预设条件的目标参考晶体,将用户信息及目标参考晶体同一分组的候选晶体的晶体参数输入至目标深度学习模型进行预测,确定同一分组的候选晶体对应的预测术后结果;[0101]也就是说,通过对候选晶体进行分组,可以先以较粗的间隔对候选晶体进行遍历,同一分组包括的候选晶体具有相似的特征,这样,在确定较优的分组后,再在分组内进行精细的遍历,确定分组内每种候选晶体对应的预测术后结果,以便从中选择最优的晶体进行手术,从而可以减少遍历的次数,提高模型处理的效率及晶体选型效率。interconnect,简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture,简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。[0118]通信接口用于上述终端与其他设备之间的通信。[0119]存储器可以包括随机存取存储器(randomaccessmemory,简称ram),也可以包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。[0120]上述的处理器可以是通用处理器,包括中央处理器(centralprocessingunit,简称cpu)、网络处理器(networkprocessor,简称np)等;还可以是数字信号处理器(digitalsignalprocessing,简称dsp)、专用集成电路(applicationspecificintegratedcircuit,简称asic)、现场可编程门阵列(field-programmablegatearray,简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。[0121]由以上可见,在本技术提供的方案中,采用深度学习算法,通过预先训练好的目标深度学习模型,可以对用户信息及晶体参数进行建模分析,目标深度学习模型的训练数据包括广泛人群采样的样本用户在晶体移植手术术前的用户信息和术后复查视力情况和眼部生理参数得到的样本术后结果,因此,能够有效准确选择目标用户对应的目标晶体,相比于传统机器学习方法,晶体的选型更加准确,可以个性化地满足不同人群的术后需求。[0122]在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的晶体推荐方法。[0123]在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的晶体推荐方法。[0124]在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。[0125]需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。[0126]本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。[0127]以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。当前第1页12当前第1页12
技术特征:
1.一种晶体推荐方法,其特征在于,所述方法包括:获取目标用户的用户信息及多种候选晶体的晶体参数;将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;所述目标深度学习模型由预设深度学习模型对训练数据进行训练得到,所述训练数据包括样本用户的用户信息、所述晶体参数及所述样本用户植入对应的候选晶体后的样本术后结果;根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体。2.根据权利要求1所述的方法,其特征在于,所述获取目标用户的用户信息及多种候选晶体的晶体参数,包括:获取多种候选晶体的晶体参数;获取目标用户相关的文本数据及每个候选晶体对应的特征数据类型;从所述文本数据中提取各个特征数据类型对应的数据,分别生成每个候选晶体对应的用户信息。3.根据权利要求2所述的方法,其特征在于,所述获取目标用户相关的文本数据及所述候选晶体对应的特征数据类型之前,还包括:获取训练数据;根据所植入的候选晶体,对所述训练数据进行分类,并对每一分类中包括的样本用户的用户信息进行匹配分析,确定植入每个候选晶体前所需获取数据的特征数据类型;所述特征数据类型的数据用于指示所述样本用户的术前情况。4.根据权利要求1所述的方法,其特征在于,所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:在所述用户信息和/或所述晶体参数为离散变量的情况下,对所述用户信息和/或所述晶体参数进行独热编码,得到第一变量;在所述用户信息和/或所述晶体参数为连续变量的情况下,对所述用户信息和/或所述晶体参数进行归一化处理,得到第二变量;调用激活函数对所述第一变量及所述第二变量进行处理,得到输入变量;将所述输入变量输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果。5.根据权利要求1所述的方法,其特征在于,在所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果之前,包括:获取训练数据;所述训练数据包括阳性样本及阴性样本;对所述阴性样本进行重复采样,得到训练数据;将所述训练数据输入至预设深度学习模型进行预测,得到所述样本用户植入对应的候选晶体后的训练术后结果;根据所述训练术后结果、所述样本术后结果及预设损失函数,迭代调整所述预设深度学习模型的模型参数,得到目标深度学习模型。6.根据权利要求5所述的方法,其特征在于,所述预设深度学习模型为多层感知器模型、残差多层感知器模型或transformer模型;所述损失函数为均方损失函数、平均绝对误差损失函数或平滑平均绝对误差损失函
数。7.根据权利要求1所述的方法,其特征在于,所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:确定与所述用户信息相匹配的候选晶体的晶体参数,作为目标晶体参数,将所述用户信息及所述目标晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;或,按照预设分组,从多种候选晶体中选择各个分组对应的参考晶体,将所述用户信息及所述参考晶体的晶体参数输入至目标深度学习模型进行预测,确定每种参考晶体对应的预测术后结果,根据所述预测术后结果,从所述参考晶体中确定符合预设条件的目标参考晶体,将所述用户信息及所述目标参考晶体同一分组的候选晶体的晶体参数输入至目标深度学习模型进行预测,确定同一分组的候选晶体对应的预测术后结果。8.根据权利要求1所述的方法,其特征在于,所述根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体,包括:确定所述预测术后结果与预设值最接近的预设数量个候选晶体,作为目标晶体;或,对所述预测术后结果进行风险评估,按照风险评估结果由小到大的顺序,确定预设数量个候选晶体为目标晶体。9.一种晶体推荐装置,其特征在于,所述方法包括:获取模块,用于获取目标用户的用户信息及多种候选晶体的晶体参数;预测模块,用于将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;所述目标深度学习模型由预设深度学习模型对训练数据进行训练得到,所述训练数据包括样本用户的用户信息、所述晶体参数及所述样本用户植入对应的候选晶体后的样本术后结果;推荐模块,用于根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体。10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8中任一项所述的晶体推荐方法的步骤。
技术总结
本申请提供了一种晶体推荐方法、装置、电子设备及存储介质,包括:获取目标用户的用户信息及多种候选晶体的晶体参数;将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;目标深度学习模型由预设深度学习模型对训练数据进行训练得到,训练数据包括样本用户的用户信息、晶体参数及样本用户植入对应的候选晶体后的样本术后结果;根据预测术后结果,从候选晶体中确定符合预设条件的目标晶体。这样,采用深度学习算法,通过预先训练好的目标深度学习模型对用户信息及晶体参数进行建模分析,能够有效准确选择目标用户对应的目标晶体,可以个性化地满足不同人群的术后需求。化地满足不同人群的术后需求。化地满足不同人群的术后需求。
技术研发人员:王璘 宋凯敏 琚烈 冯伟 马彤 戈宗元 陈羽中 张大磊
受保护的技术使用者:北京鹰瞳科技发展股份有限公司
技术研发日:2023.06.25
技术公布日:2023/9/23
技术领域:
:,特别是涉及一种晶体推荐方法、装置、电子设备及存储介质。
背景技术:
::2.icl(implantablecollamerlens,有晶体眼人工晶体植入术)及ticl(toricimplantablecontactlens,散光矫正有晶体眼人工晶体植入术)为矫正近视的手术方法,通过在眼睛内部加一副“眼镜”(icl或ticl晶体),实现矫正近视度数的目的,全程无需切削角膜,相对于其他切削手术,具有安全性更高、手术可逆等特点,能够使用于大范围的屈光矫正应用场景。3.在icl/ticl手术之前,需要进行晶体选型,目前可以通过传统的机器学习方法,确定用户在手术中所使用的晶体型号。但是,传统机器学习方法对用户特征的分析能力不足,使得选型精度不够高,所确定的晶体型号无法满足用户需求,进而导致手术效果不好。技术实现要素:4.为解决上述技术问题,本技术示出了一种晶体推荐方法、装置、电子设备及存储介质。5.第一方面,本技术示出了一种晶体推荐方法,所述方法包括:6.获取目标用户的用户信息及多种候选晶体的晶体参数;7.将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;所述目标深度学习模型由预设深度学习模型对训练数据进行训练得到,所述训练数据包括样本用户的用户信息、所述晶体参数及所述样本用户植入对应的候选晶体后的样本术后结果;8.根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体。9.可选的,所述获取目标用户的用户信息及多种候选晶体的晶体参数,包括:10.获取多种候选晶体的晶体参数;11.获取目标用户相关的文本数据及每个候选晶体对应的特征数据类型;12.从所述文本数据中提取各个特征数据类型对应的数据,分别生成每个候选晶体对应的用户信息。13.可选的,所述获取目标用户相关的文本数据及所述候选晶体对应的特征数据类型之前,还包括:14.获取训练数据;15.根据所植入的候选晶体,对所述训练数据进行分类,并对每一分类中包括的样本用户的用户信息进行匹配分析,确定植入每个候选晶体前所需获取数据的特征数据类型;所述特征数据类型的数据用于指示所述样本用户的术前情况。16.可选的,所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:17.在所述用户信息和/或所述晶体参数为离散变量的情况下,对所述用户信息和/或所述晶体参数进行独热编码,得到第一变量;18.在所述用户信息和/或所述晶体参数为连续变量的情况下,对所述用户信息和/或所述晶体参数进行归一化处理,得到第二变量;19.调用激活函数对所述第一变量及所述第二变量进行处理,得到输入变量;20.将所述输入变量输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果。21.可选的,在所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果之前,包括:22.获取训练数据;所述训练数据包括阳性样本及阴性样本;23.对所述阴性样本进行重复采样,得到训练数据;24.将所述训练数据输入至预设深度学习模型进行预测,得到所述样本用户植入对应的候选晶体后的训练术后结果;25.根据所述训练术后结果、所述样本术后结果及预设损失函数,迭代调整所述预设深度学习模型的模型参数,得到目标深度学习模型。26.可选的,所述预设深度学习模型为多层感知器模型、残差多层感知器模型或transformer模型;27.所述损失函数为均方损失函数、平均绝对误差损失函数或平滑平均绝对误差损失函数。28.可选的,所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:29.确定与所述用户信息相匹配的候选晶体的晶体参数,作为目标晶体参数,将所述用户信息及所述目标晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;或,30.按照预设分组,从多种候选晶体中选择各个分组对应的参考晶体,将所述用户信息及所述参考晶体的晶体参数输入至目标深度学习模型进行预测,确定每种参考晶体对应的预测术后结果,根据所述预测术后结果,从所述参考晶体中确定符合预设条件的目标参考晶体,将所述用户信息及所述目标参考晶体同一分组的候选晶体的晶体参数输入至目标深度学习模型进行预测,确定同一分组的候选晶体对应的预测术后结果。31.可选的,所述根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体,包括:32.确定所述预测术后结果与预设值最接近的预设数量个候选晶体,作为目标晶体;或,33.对所述预测术后结果进行风险评估,按照风险评估结果由小到大的顺序,确定预设数量个候选晶体为目标晶体。34.第二方面,本技术示出了一种晶体推荐装置,所述装置包括:35.获取模块,用于获取目标用户的用户信息及多种候选晶体的晶体参数;36.预测模块,用于将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;所述目标深度学习模型由预设深度学习模型对训练数据进行训练得到,所述训练数据包括样本用户的用户信息、所述晶体参数及所述样本用户植入对应的候选晶体后的样本术后结果;37.推荐模块,用于根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体。38.第三方面,本技术示出了一种电子设备,所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一项所述的晶体推荐方法的步骤。39.第四方面,本技术示出了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的晶体推荐方法的步骤。40.与现有技术相比,本技术包括以下优点:41.在本技术中,获取目标用户的用户信息及多种候选晶体的晶体参数;将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;目标深度学习模型由预设深度学习模型对训练数据进行训练得到,训练数据包括样本用户的用户信息、晶体参数及样本用户植入对应的候选晶体后的样本术后结果;根据预测术后结果,从候选晶体中确定符合预设条件的目标晶体。42.这样,采用深度学习算法,通过预先训练好的目标深度学习模型,可以对用户信息及晶体参数进行建模分析,目标深度学习模型的训练数据包括广泛人群采样的样本用户在晶体移植手术术前的用户信息和术后复查视力情况和眼部生理参数得到的样本术后结果,因此,能够有效准确选择目标用户对应的目标晶体,相比于传统机器学习方法,晶体的选型更加准确,可以个性化地满足不同人群的术后需求。附图说明43.通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:44.图1是本技术的一种晶体推荐方法的步骤流程图;45.图2是本技术的一种数据采集与清洗过程的示意图;46.图3是本技术的一种多层感知器模型的模型示意图;47.图4是本技术的一种残差多层感知器模型的模型示意图;48.图5是本技术的一种transformer模型的模型示意图;49.图6是本技术的一种晶体推荐装置的结构框图;50.图7是本技术的一种电子设备的结构框图。具体实施方式51.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。52.下面将通过具体的实施例,对本发明实施例提供的晶体推荐方法进行详细描述。53.参照图1,示出了本技术的一种晶体推荐方法的步骤流程图,该方法具体可以包括如下步骤:54.s101:获取目标用户的用户信息及多种候选晶体的晶体参数。55.icl(implantablecollamerlens,有晶体眼人工晶体植入术)及ticl(toricimplantablecontactlens,散光矫正有晶体眼人工晶体植入术)为矫正近视的手术方法。在icl/ticl手术之前,需要进行晶体选型,以确定用户在手术中所使用的晶体型号。56.在本步骤中,需要获取目标用户的用户信息及多种候选晶体的晶体参数,其中,目标用户即为当前需要进行手术并进行晶体选型的人员,候选晶体即为目标用户当前可选择的几种晶体。获取到用户信息及晶体参数之后,才能实现后续基于两种信息对目标用户及候选晶体的匹配。57.举例来说,用户信息可以包含用户的基本信息,例如年龄、性别、眼别等;术前检查信息,例如术前球镜、术前柱镜、术前轴位、术前等效球镜、暗瞳、眼压、眼轴长度、角膜曲率k1、k1轴向、角膜曲率k2、k2轴向、前房深度、角膜厚度(cornealthicknes,ct)、白到白(whitetowhite,wtw)、前房容积、前房角、瞳孔直径、晶状体厚度等。晶体参数可以包含晶体尺寸、晶体球镜、晶体柱镜和晶体轴位等参数,具体不做限定。58.一种实现方式中,获取目标用户的用户信息及多种候选晶体的晶体参数,包括:59.获取多种候选晶体的晶体参数;获取目标用户相关的文本数据及每个候选晶体对应的特征数据类型;从文本数据中提取各个特征数据类型对应的数据,分别生成每个候选晶体对应的用户信息。60.其中,文本数据可以包含目标用户的历史病历、手术记录和术前检验报告单等,对于纸质版的数据,可以通过图像采集的方法将其电子化,并通光学字符识别(opticalcharacterrecognition,ocr)技术,转换成可供提取的文本数据。61.获取到的文本数据可以进行结构化信息提取,抽取出各个特征数据类型对应的数据,包括与晶体植入相关的指标、指征等信息,由于结构化信息经过分析后可分解成多个互相关联的组成部分,各组成部分间有明确的层次结构,因此,从文本数据中提取出的信息可以进行结构化的存储,将数据按照其对应的层次结构存储至数据库中,以使对数据的管理、使用和维护更规范。进而,可以通过对已存储的数据进行分析,确定目标用户植入各个候选晶体时分别需要参考的数据,即每个候选晶体对应的用户信息。62.不同的文件中可以抽取出不同特征数据类型的数据,比如,从光学相干生物测量仪(iolmaster)检查报告中可以提取角膜曲率、轴向,眼轴、前房角、白到白等信息,从病历记录中可以提取年龄、性别、眼别、常见病史等信息,从手术记录中可以提取切口大小、切口方向、术后诊断、植入晶体信息等等。63.丰富且高质量的用户信息对于构建性能可靠的目标深度学习模型至关重要,可以进一步提高晶体选型的精度,满足不同用户的需求。64.其中,获取目标用户相关的文本数据及候选晶体对应的特征数据类型之前,还包括:65.获取训练数据;根据所植入的候选晶体,对训练数据进行分类,并对每一分类中包括的样本用户的用户信息进行匹配分析,确定植入每个候选晶体前所需获取数据的特征数据类型;所述特征数据类型的数据用于指示所述样本用户的术前情况。66.可以理解,不同类型的晶体植入手术所需要的用户信息包括的特征数据类型略有差异,例如在术后的复查中,除去视力情况和复查距手术时间外,icl晶体植入还关注术后的拱高等眼部结构参数。那么,可以通过对训练数据进行分类及匹配分析,可以确定每个候选晶体所需要的特征数据类型,从而有利于提高用户信息的丰富度及其质量。67.举例来说,可以根据病历号等关键字段,对训练数据进行分类,然后对每一分类中包括的样本用户的用户信息进行匹配分析,根据每个候选晶体对应的术前参数和术后情况的条目,确定植入每个候选晶体前所需获取数据的特征数据类型;所述特征数据类型的数据用于指示所述样本用户的术前情况,比如,特征数据类型可以包括年龄、性别、眼别、常见病史、角膜曲率及对应轴向、眼轴、前房角、白到白、拱高等,具体不做限定。68.进一步地,所确定的条目还可以先通过人工核验,根据用户信息进行符合医学条件的筛选,得到最终的特征数据类型,这样可以进一步提高晶体选型的安全性和准确度。69.如图2所示,为上述的一种数据采集与清洗过程的示意图。获取到历史病历、手术记录和术前检验报告单等原始数据后,利用ocr技术将图片数据转换成可供提取的文本数据。文本数据进行结构化信息提取,抽取出与晶体植入相关的指标、指征等信息并进行结构化存储。然后,对不同种类的信息进行多源数据匹配,并通过人工核验得到最终的可用数据条目,确定每个候选晶体对应的特征数据类型。70.s102:将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;目标深度学习模型由预设深度学习模型对训练数据进行训练得到,训练数据包括样本用户的用户信息、晶体参数及样本用户植入对应的候选晶体后的样本术后结果。71.在本技术中,在训练时使用样本用户的用户信息和晶体参数,预测样本术后结果,并对深度学习模型的模型参数进行调整。在推理时,通过遍历有限的候选晶体的晶体参数,目标深度学习模型可以得到每种候选晶体对应的预测术后结果。72.其中,预测术后结果是对目标用户植入某种候选晶体后的相关信息进行预测的结果,可以反应目标用户的术后情况,比如,可以包括术后视力和眼部参数,眼部参数包括拱高等,具体不做限定。73.由于深度学习模型相比于传统机器学习模型,对输入的用户信息及晶体参数的分析能力更强,因此,基于目标深度学习模型的预测结果更准确,使得晶体的选型精度更高。74.一种实现方式中,将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:75.在用户信息和/或晶体参数为离散变量的情况下,对用户信息和/或晶体参数进行独热(one-hot)编码,得到第一变量;在用户信息和/或晶体参数为连续变量的情况下,对用户信息和/或晶体参数进行归一化处理,得到第二变量;调用激活函数对第一变量及第二变量进行处理,得到输入变量;将输入变量输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果。76.可以理解,步骤s101中获取的用户信息及晶体参数包含不同的类型,例如某一数据可能是离散的类别,也可能是连续的数值类型。77.在本步骤中,针对离散的数据,可以进行one-hot编码,one-hot编码又称为一位有效编码,主要是采用n位状态寄存器来对n个状态进行编码,每个状态都对应独立的寄存器位,并且在任意时候只有一位有效。例如,对于两种不同的晶体icl和ticl,作为两种不同的特征,n=2,则可以分别记为[1,0]和[0,1];[0078]对于连续型的变量,可以设定变量的取值范围,将每个变量值减去取值范围的下限,并除以取值范围的上下限之差,使其变换到[0,1]的范围内。[0079]然后,调用激活函数对第一变量及第二变量进行sigmoid变换操作,得到输入变量。[0080]其中,sigmoid函数的调用,使得即使输入变量的是取值范围外的值,依然能够将其转换为目标深度学习模型学习到的值的范围中,而避免产生未知的意外情况,从而进一步对数据进行规范。[0081]通常,在医学诊断中,表现为异常的阳性样本数量远远小于阴性样本的数量,而这将造成训练出的目标深度学习模型被数据量大的阴性样本所主导,从而降低模型性能,不能准确进行晶体选型。[0082]那么,一种实现方式中,在将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果之前,包括:[0083]获取训练数据,训练数据包括阳性样本及阴性样本;对阴性样本进行重复采样,得到训练数据;将训练数据输入至预设深度学习模型进行预测,得到样本用户植入对应的候选晶体后的训练术后结果;根据训练术后结果、样本术后结果及预设损失函数,迭代调整预设深度学习模型的模型参数,得到目标深度学习模型。[0084]这样,通过采用重复采样的方式,可以增加少数类别的样本在训练中出现的频次,实现对少见的阳性样本进行数据扩增,使得训练数据相对平衡,减少由于异常的阳性样本数量远远小于阴性样本的数量导致训练出的模型被阴性样本所主导的情况,从而更好地适应模型训练的需要,提高模型性能和对阳性样本进行晶体选型的准确度。[0085]在本技术中,预设深度学习模型可以为多层感知器模型、残差多层感知器模型或transformer模型或其他任意一种深度学习模型;预设损失函数可以为均方误差(meansquarederror,mse)损失函数、平均绝对误差(l1)损失函数或平滑的l1损失函数,等等,具体不做限定。[0086]举例而言,如图3所示,为多层感知器模型的模型示意图,多层感知器模型中包括3层全连接层,每两层全连接层中包括2层隐藏层,隐藏层可以通过激活函数将输入的用户信息及晶体参数进行非线性变换,以得到预测术后结果,其中,激活函数可以包括sigmoid激活函数、dropout激活函数以及tanh激活函数等,具体不做限定;[0087]如图4所示,为残差多层感知器模型的模型示意图,残差多层感知器模型是在多层感知器模型的基础上,增加了残差感知器模块,残差感知器模块中包括2层全连接层以及4层隐藏层,通过将残差感知器模块的输入与2层全连接层及4层隐藏层的输出相加,得到残差感知器模块外部第三层全连接层的输入,这样,模型的深度进一步增加了,训练效果也更好;[0088]如图5所示,为transformer模型的模型示意图,transformer模型包括2层全连接层以及transformer编码层,transformer编码层基于自注意力机制(self-attention)实现对输入的用户信息及晶体参数的编码和学习,具有更高的并行性和计算效率;[0089]另外,本技术也可以采用其他的深度学习模型进行训练,并用于晶体选型,具体不做限定。[0090]s103:根据预测术后结果,从候选晶体中确定符合预设条件的目标晶体。[0091]在得到预测术后结果之后,可以对预测术后结果中的各项数据进行分析,从候选晶体中确定符合预设条件的目标晶体,尽量使预测术后结果中的各项数据分布在合理的区间,以减小并发症发生的概率。[0092]举例而言,可以先选取预测术后结果中符合术后屈光要求的候选晶体,然后,对术后眼部结构的其他参数,例如拱高进行分析,使其也分布在合理的区间,从中确定目标晶体。[0093]这种方式能够直观地看出晶体推荐的分布情况,便于评估方法的可靠性,同时也可以在此基础上医生根据用户的特点,利用其临床经验进行进一步优化晶体选型参数。[0094]在本步骤中,根据预测术后结果,从候选晶体中确定符合预设条件的目标晶体,包括:[0095]确定预测术后结果与预设值最接近的预设数量个候选晶体,作为目标晶体;或,对预测术后结果进行风险评估,按照风险评估结果由小到大的顺序,确定预设数量个候选晶体为目标晶体。[0096]也就是说,可以根据所需的术后屈光目标值,可以自动筛选出预测术后结果的屈光范围相近的一系列候选晶体,作为目标晶体进行推荐,或者,还可以结合术后的眼部参数预测,对预测术后结果进行分析对每一种候选晶体分别进行风险评估,给与一定的风险提示,例如,选择某种晶体可能导致术后拱高过高或者过低,增加用户术后并发症的风险,等等。[0097]在本技术中,将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:[0098]确定与用户信息相匹配的候选晶体的晶体参数,作为目标晶体参数,将用户信息及目标晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;[0099]其中,与用户信息相匹配的候选晶体可以是所有可能的候选晶体,也可以是医生根据传统经验选择可能的候选晶体,具体不做限定,这种方式中,目标深度学习模型需要对相匹配的候选晶体进行遍历,以寻求最优解。[0100]或,按照预设分组,从多种候选晶体中选择各个分组对应的参考晶体,将用户信息及参考晶体的晶体参数输入至目标深度学习模型进行预测,确定每种参考晶体对应的预测术后结果,根据预测术后结果,从参考晶体中确定符合预设条件的目标参考晶体,将用户信息及目标参考晶体同一分组的候选晶体的晶体参数输入至目标深度学习模型进行预测,确定同一分组的候选晶体对应的预测术后结果;[0101]也就是说,通过对候选晶体进行分组,可以先以较粗的间隔对候选晶体进行遍历,同一分组包括的候选晶体具有相似的特征,这样,在确定较优的分组后,再在分组内进行精细的遍历,确定分组内每种候选晶体对应的预测术后结果,以便从中选择最优的晶体进行手术,从而可以减少遍历的次数,提高模型处理的效率及晶体选型效率。interconnect,简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture,简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。[0118]通信接口用于上述终端与其他设备之间的通信。[0119]存储器可以包括随机存取存储器(randomaccessmemory,简称ram),也可以包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。[0120]上述的处理器可以是通用处理器,包括中央处理器(centralprocessingunit,简称cpu)、网络处理器(networkprocessor,简称np)等;还可以是数字信号处理器(digitalsignalprocessing,简称dsp)、专用集成电路(applicationspecificintegratedcircuit,简称asic)、现场可编程门阵列(field-programmablegatearray,简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。[0121]由以上可见,在本技术提供的方案中,采用深度学习算法,通过预先训练好的目标深度学习模型,可以对用户信息及晶体参数进行建模分析,目标深度学习模型的训练数据包括广泛人群采样的样本用户在晶体移植手术术前的用户信息和术后复查视力情况和眼部生理参数得到的样本术后结果,因此,能够有效准确选择目标用户对应的目标晶体,相比于传统机器学习方法,晶体的选型更加准确,可以个性化地满足不同人群的术后需求。[0122]在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的晶体推荐方法。[0123]在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的晶体推荐方法。[0124]在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。[0125]需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。[0126]本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。[0127]以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。当前第1页12当前第1页12
技术特征:
1.一种晶体推荐方法,其特征在于,所述方法包括:获取目标用户的用户信息及多种候选晶体的晶体参数;将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;所述目标深度学习模型由预设深度学习模型对训练数据进行训练得到,所述训练数据包括样本用户的用户信息、所述晶体参数及所述样本用户植入对应的候选晶体后的样本术后结果;根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体。2.根据权利要求1所述的方法,其特征在于,所述获取目标用户的用户信息及多种候选晶体的晶体参数,包括:获取多种候选晶体的晶体参数;获取目标用户相关的文本数据及每个候选晶体对应的特征数据类型;从所述文本数据中提取各个特征数据类型对应的数据,分别生成每个候选晶体对应的用户信息。3.根据权利要求2所述的方法,其特征在于,所述获取目标用户相关的文本数据及所述候选晶体对应的特征数据类型之前,还包括:获取训练数据;根据所植入的候选晶体,对所述训练数据进行分类,并对每一分类中包括的样本用户的用户信息进行匹配分析,确定植入每个候选晶体前所需获取数据的特征数据类型;所述特征数据类型的数据用于指示所述样本用户的术前情况。4.根据权利要求1所述的方法,其特征在于,所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:在所述用户信息和/或所述晶体参数为离散变量的情况下,对所述用户信息和/或所述晶体参数进行独热编码,得到第一变量;在所述用户信息和/或所述晶体参数为连续变量的情况下,对所述用户信息和/或所述晶体参数进行归一化处理,得到第二变量;调用激活函数对所述第一变量及所述第二变量进行处理,得到输入变量;将所述输入变量输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果。5.根据权利要求1所述的方法,其特征在于,在所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果之前,包括:获取训练数据;所述训练数据包括阳性样本及阴性样本;对所述阴性样本进行重复采样,得到训练数据;将所述训练数据输入至预设深度学习模型进行预测,得到所述样本用户植入对应的候选晶体后的训练术后结果;根据所述训练术后结果、所述样本术后结果及预设损失函数,迭代调整所述预设深度学习模型的模型参数,得到目标深度学习模型。6.根据权利要求5所述的方法,其特征在于,所述预设深度学习模型为多层感知器模型、残差多层感知器模型或transformer模型;所述损失函数为均方损失函数、平均绝对误差损失函数或平滑平均绝对误差损失函
数。7.根据权利要求1所述的方法,其特征在于,所述将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果,包括:确定与所述用户信息相匹配的候选晶体的晶体参数,作为目标晶体参数,将所述用户信息及所述目标晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;或,按照预设分组,从多种候选晶体中选择各个分组对应的参考晶体,将所述用户信息及所述参考晶体的晶体参数输入至目标深度学习模型进行预测,确定每种参考晶体对应的预测术后结果,根据所述预测术后结果,从所述参考晶体中确定符合预设条件的目标参考晶体,将所述用户信息及所述目标参考晶体同一分组的候选晶体的晶体参数输入至目标深度学习模型进行预测,确定同一分组的候选晶体对应的预测术后结果。8.根据权利要求1所述的方法,其特征在于,所述根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体,包括:确定所述预测术后结果与预设值最接近的预设数量个候选晶体,作为目标晶体;或,对所述预测术后结果进行风险评估,按照风险评估结果由小到大的顺序,确定预设数量个候选晶体为目标晶体。9.一种晶体推荐装置,其特征在于,所述方法包括:获取模块,用于获取目标用户的用户信息及多种候选晶体的晶体参数;预测模块,用于将所述用户信息及所述晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;所述目标深度学习模型由预设深度学习模型对训练数据进行训练得到,所述训练数据包括样本用户的用户信息、所述晶体参数及所述样本用户植入对应的候选晶体后的样本术后结果;推荐模块,用于根据所述预测术后结果,从所述候选晶体中确定符合预设条件的目标晶体。10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8中任一项所述的晶体推荐方法的步骤。
技术总结
本申请提供了一种晶体推荐方法、装置、电子设备及存储介质,包括:获取目标用户的用户信息及多种候选晶体的晶体参数;将用户信息及晶体参数输入至目标深度学习模型进行预测,确定每种候选晶体对应的预测术后结果;目标深度学习模型由预设深度学习模型对训练数据进行训练得到,训练数据包括样本用户的用户信息、晶体参数及样本用户植入对应的候选晶体后的样本术后结果;根据预测术后结果,从候选晶体中确定符合预设条件的目标晶体。这样,采用深度学习算法,通过预先训练好的目标深度学习模型对用户信息及晶体参数进行建模分析,能够有效准确选择目标用户对应的目标晶体,可以个性化地满足不同人群的术后需求。化地满足不同人群的术后需求。化地满足不同人群的术后需求。
技术研发人员:王璘 宋凯敏 琚烈 冯伟 马彤 戈宗元 陈羽中 张大磊
受保护的技术使用者:北京鹰瞳科技发展股份有限公司
技术研发日:2023.06.25
技术公布日:2023/9/23
版权声明
本文仅代表作者观点,不代表航家之家立场。
本文系作者授权航家号发表,未经原创作者书面授权,任何单位或个人不得引用、复制、转载、摘编、链接或以其他任何方式复制发表。任何单位或个人在获得书面授权使用航空之家内容时,须注明作者及来源 “航空之家”。如非法使用航空之家的部分或全部内容的,航空之家将依法追究其法律责任。(航空之家官方QQ:2926969996)
航空之家 https://www.aerohome.com.cn/
航空商城 https://mall.aerohome.com.cn/
航空资讯 https://news.aerohome.com.cn/