远视防控宏图规划——探求人工智能在眼视光学科中的运用 - 智客公社

(, 下载次数: 1023)

上传

点击文件名下载附件

近年来，远视发病率急剧添加，儿童远视低龄化，假如不及时干涉，高度远视的风险将大大添加。大量研讨表明，配戴角膜塑形镜可分明延缓眼轴增长，但是角膜塑形镜设计复杂，并且由于专利保护，很多参数不对外公开，形成医生验配学习曲线长、验配工夫长等成绩，给其安全、广泛推行带来阻力。随着智慧医疗的发展，人工智能技术被广泛运用到眼病筛查、远视防控等诸多范畴。在其日渐完善的发展过程中，人们将人工智能技术运用到角膜塑形镜的验配中，以提高验配准确率，延长验配工夫，提高工作效率。
追根究底——角膜塑形镜设计的基本准绳
人工智能运用于角膜塑形镜验配之前先了解其设计的基本准绳。角膜塑形镜只要满足以下设计才能构成有效塑形：

基弧区（BC），BC=平K-降幅-Jesson Factor；
可以产生足够负压吸引的反转区(RC)；
有效封闭的着陆区；
有效泪液交换的边弧区。

理想的镜片矢高高于角膜40-50μm，以CRT设计的角膜塑形镜为例，镜片的总矢高由BC、RC、着陆角（LZA）三个参数组成，三个参数不能互相替代。

(, 下载次数: 1120)

上传

点击文件名下载附件

BC变化对矢高有影响，假设BC直径6.0mm，VST设计的角膜塑形镜每调整0.25D，矢高大约变化3.7-3.8μm，CRT设计的BC每调整1档矢高大约变化7μm是不完全正确的。

(, 下载次数: 1064)

上传

点击文件名下载附件

CRT设计的角膜塑形镜验配指南指出LZA每档改变矢高15μm，假设角膜塑形镜着陆在着陆区的中间点附近， LZA越大，着海洋位越靠外，对矢高的影响越大。
综上所述，角膜塑形镜验配准绳就是矢高验配，VST设计的角膜塑形镜在验配过程中看似在定镜片的定位弧松紧，其真实找镜片的合适的矢高，只是RZD是每个厂家的专利机密，但CRT设计的角膜塑形镜的矢高可以直接计算，两者存在差异并各有优缺陷。

(, 下载次数: 1079)

上传

点击文件名下载附件

为虎添翼——人工智能运用于角膜塑形镜验配
人工智能细分为以下四个范畴：深度学习、计算机视觉、语音辨认和言语处理、虚拟个人助理。人工智能在眼视光学科次要运用于远视的大数据学习、远视控制药物的挑选、双眼视觉分析、接触镜验配、图形辨认和分类、屈光不正临床决策等几个方面。其运用于角膜塑形镜验配范畴，大大提高了验配准确率和验配效率。
从后面的讲述可知角膜塑形镜的验配就是矢高的验配，经典的矢高计算如下图：

(, 下载次数: 1117)

上传

点击文件名下载附件

在真实角膜上很难获取准确的角膜曲率半径和弦长。角膜塑形镜配戴在角膜前表面，参数需与前表面吻合，只要准确辨认角膜的形状，才能准确评价角膜矢高。角膜地形图可以准确提供角膜前表面的多点参数，机器学习方法给我们提供了有效方法。
挑选1037例符合入组标准的患者，经过导出患者角膜前表面高地图矩阵估算鼻侧、颞侧、上方和下方的RZD和LZA，经过机器学习方法，输入变量：年龄、性别、程度可视虹膜直径、等效球镜、e值、平k、陡k、角膜散光、眼轴与平均k值比、前房深度。随机抽取726例建立训练集，104例停止验证集，207例停止测试良好。
结果显示，机器学习的效果和拉尺法、计算法、线性回归法分歧性良好。

(, 下载次数: 1109)

上传

点击文件名下载附件

运筹帷幄——人工智能预测生感性眼轴增长
轴性远视是最常见的一种远视类型，临床中可以经过眼轴增长的长度来停止估算其发展。一些研讨者以为，1.00D远视度数的发展可对应0.3-0.5mm眼轴长度的变化，也有研讨表明不同屈光形状眼轴增长速率不同，欧洲6-9岁儿童眼轴每年增长量远视眼0.34mm，正视眼0.19mm，远视眼0.15mm，亚洲7-12岁正视眼儿童5年眼轴添加0.6mm。但是对于儿童青少年而言，眼轴的增长并不完全意味着远视度数的添加。

(, 下载次数: 1117)

上传

点击文件名下载附件

1mm的眼轴添加对应的等效球镜变化，取决于年龄跨度，由于有一部分的眼轴增长属于生感性眼轴增长，其次要由晶状体屈光度的改变来停止屈光补偿而不添加远视度数。因此辨认眼轴增长中的生感性部分，对于准确判别青少年儿童的远视停顿非常重要。我国青少年人群中远视发病率较高，我们难以找到一群6岁到18岁的人群来停止生感性眼轴增长的研讨。王凯教授团队应用人工智能为我们提供了一个估算国人青少年儿童生感性眼轴增长的新方法。

(, 下载次数: 1097)

上传

点击文件名下载附件

该研讨对2017年1月至2018年12月就诊于北京大学人民医院眼视光中心的1011名6-18岁远视青少年患者（共1011只眼）停止大样本的横断面研讨。本研讨采用基于5折交叉验证的六种机器学习算法对一切搜集的数据停止处理和分析。模型的输入变量为：年龄、性别、角膜曲率、地方角膜厚度、程度可见虹膜直径和等效球镜；模型的输入变量为：眼轴。根据评价目的（包括R2、R、MAE、MSE、RMSE）的大小，运用综合功能最佳的算法模型（鲁棒线性回归模型）对眼轴停止预测。
经过将一些变量固定，当等效球镜不变时，得出年龄-眼轴增长的生长曲线图，经过求年龄-眼轴生长曲线的偏导数，即为年龄-生感性眼轴增长的生长曲线图。

(, 下载次数: 1128)

上传

点击文件名下载附件

这一结果如何协助到大家的临床工作呢？结合下表分析：当一名男性患者，6岁时患有-1.00D远视，若他的K-mean为42.00D时，此时他的生感性眼轴增长量大约为0.082mm/年，而到18岁时，若远视度数保持不变，则此时他的生感性眼轴增长量约为0.020mm/年。

6岁和18岁男性女性生感性眼球增长的评价（mm/年）

(, 下载次数: 1063)

上传

点击文件名下载附件

根据机器学习算法模型，王教授以为，生感性眼轴增长有如下特点：

男孩生感性眼轴增长略大于女孩
年龄越大，生感性眼轴增长越小
高度数对应的生感性眼轴添加量大
平曲率对应的生感性眼轴添加量大

对于配戴OK镜的患者，临床上我们常常经过定期测量眼轴来评价远视的发展状况，运用机器学习算法可以把眼轴增长中的生感性眼轴增长和非生感性眼轴增长区分出来，从而可以在不停戴OK镜的状况下较为准确地评价远视发展，有助于在临床中指点远视防控。
人工智能的浪潮在医疗范畴席卷而来，在眼病筛查、远视防控等范畴曾经发展的日益成熟，成为片面眼健康事业的得力助手，并逐渐拓展走向愈加精细的治疗范畴，对人工智能技术的了解将成为一名眼科医生的必备技能，在不久的将来，人工智能的运用将愈加细化拓展，在接触镜验配中，包括镜片参数选择、动态荧光分析、角膜地形图判别等方面发挥作用，在屈光手术设计中为眼科医生提供更有力的指点。

专家简介

(, 下载次数: 1113)