(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024079709
(43)【公開日】2024-06-11
(54)【発明の名称】視力矯正手術の推薦方法及び装置
(51)【国際特許分類】
A61B 34/10 20160101AFI20240604BHJP
G16H 20/00 20180101ALI20240604BHJP
A61B 3/107 20060101ALI20240604BHJP
A61F 9/007 20060101ALI20240604BHJP
【ＦＩ】
A61B34/10
G16H20/00
A61B3/107
A61F9/007
【審査請求】有
【請求項の数】1
【出願形態】ＯＬ
(21)【出願番号】P 2024038303
(22)【出願日】2024-03-12
(62)【分割の表示】P 2021560903の分割
【原出願日】2019-08-27
(71)【出願人】
【識別番号】521285414
【氏名又は名称】ビジュウォクス
【氏名又は名称原語表記】ＶＩＳＵＷＯＲＫＳ
【住所又は居所原語表記】４Ｔｈ Ｆｌｏｏｒ， ５， Ｓｅｏｃｈｏ－ｄａｅｒｏ ７８－ｇｉｌ， Ｓｅｏｃｈｏ－ｇｕ， Ｓｅｏｕｌ ０６６２０ Ｋｏｒｅａ
(74)【代理人】
【識別番号】110002262
【氏名又は名称】ＴＲＹ国際弁理士法人
(72)【発明者】
【氏名】キム ジンク
(72)【発明者】
【氏名】リュウ イクヒ
(57)【要約】 （修正有）
【課題】医師の判断を補助したり、医師、相談者及び被検者などに対して、客観的な視力矯正手術の推薦及び関連情報を提供すること。
【解決手段】本発明の人工知能を利用する視力矯正手術の推薦方法は、被検者の検診データを取得する段階と、前記検診データから前記被検者の視力矯正手術の適合性の有無を予測する段階と、前記被検者に視力矯正手術が適合する場合、前記検診データから前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、前記視力矯正手術が可能な場合、カスタム視力矯正手術が必要であるか否かに対する判断に利用されるように、前記検診データから前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値を算出する段階と、及び、前記レーザーを利用する視力矯正手術が可能な場合、前記検診データから前記被検者に対応する視力矯正手術を提案する段階と、を含む。
【選択図】図３５
【解決手段】本発明の人工知能を利用する視力矯正手術の推薦方法は、被検者の検診データを取得する段階と、前記検診データから前記被検者の視力矯正手術の適合性の有無を予測する段階と、前記被検者に視力矯正手術が適合する場合、前記検診データから前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、前記視力矯正手術が可能な場合、カスタム視力矯正手術が必要であるか否かに対する判断に利用されるように、前記検診データから前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値を算出する段階と、及び、前記レーザーを利用する視力矯正手術が可能な場合、前記検診データから前記被検者に対応する視力矯正手術を提案する段階と、を含む。
【選択図】図３５
【特許請求の範囲】
【請求項1】
コンピューティング装置によって実行される人工知能を利用する視力矯正手術の推薦方法であって、
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者に対応する視力矯正手術のタイプを提案する段階と、を含み、
前記被検者に対応する視力矯正手術のタイプを提案する段階は、
前記第３予測モデルを通じて、前記被検者のスタンダード視力矯正手術後の１つ又は複数の角膜形状因子予測値及びカスタム視力矯正手術後の１つ又は複数の角膜形状因子予測値を算出し、
前記角膜形状因子予測値は、ｉｎｄｅｘ ｏｆ ｈｅｉｇｈｔ ｄｅｃｅｎｔｒａｔｉｏｎ （ＩＨＤ）予測値、ｉｎｄｅｘ ｏｆ ｓｕｒｆａｃｅ ｖａｒｉａｎｃｅ （ＩＳＶ）予測値、ｋｅｒａｔｏｃｏｎｕｓ ｉｎｄｅｘ （ＫＩ）、ｃｅｎｔｒａｌ ｋｅｒａｔｏｃｏｎｕｓ ｉｎｄｅｘ （ＣＫＩ）、ｍｉｎｉｍｕｍ ｒａｄｉｕｓ ｏｆ ｃｕｒｖａｔｕｒｅ （Ｒｍｉｎ）、ｉｎｄｅｘ ｏｆ ｈｅｉｇｈｔ ａｓｙｍｍｅｔｒｙ （ＩＨＡ）、中心角膜厚さ（ｃｅｎｔｒａｌ ｃｏｒｎｅａ ｔｈｉｃｋｎｅｓｓ）、及びｉｎｄｅｘ ｏｆ ｖｅｒｔｉｃａｌ ａｓｙｍｍｅｔｒｙ （ＩＶＡ）予測値のうち、少なくとも１つを含み、
算出されたスタンダード視力矯正手術後の１つ又は複数の角膜形状因子予測値及びカスタム視力矯正手術後の１つ又は複数の角膜形状因子予測値に基づいて、前記被検者に対応する視力矯正手術のタイプを提案することを含む、視力矯正手術の推薦方法。
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者に対応する視力矯正手術のタイプを提案する段階と、を含み、
前記被検者に対応する視力矯正手術のタイプを提案する段階は、
前記第３予測モデルを通じて、前記被検者のスタンダード視力矯正手術後の１つ又は複数の角膜形状因子予測値及びカスタム視力矯正手術後の１つ又は複数の角膜形状因子予測値を算出し、
前記角膜形状因子予測値は、ｉｎｄｅｘ ｏｆ ｈｅｉｇｈｔ ｄｅｃｅｎｔｒａｔｉｏｎ （ＩＨＤ）予測値、ｉｎｄｅｘ ｏｆ ｓｕｒｆａｃｅ ｖａｒｉａｎｃｅ （ＩＳＶ）予測値、ｋｅｒａｔｏｃｏｎｕｓ ｉｎｄｅｘ （ＫＩ）、ｃｅｎｔｒａｌ ｋｅｒａｔｏｃｏｎｕｓ ｉｎｄｅｘ （ＣＫＩ）、ｍｉｎｉｍｕｍ ｒａｄｉｕｓ ｏｆ ｃｕｒｖａｔｕｒｅ （Ｒｍｉｎ）、ｉｎｄｅｘ ｏｆ ｈｅｉｇｈｔ ａｓｙｍｍｅｔｒｙ （ＩＨＡ）、中心角膜厚さ（ｃｅｎｔｒａｌ ｃｏｒｎｅａ ｔｈｉｃｋｎｅｓｓ）、及びｉｎｄｅｘ ｏｆ ｖｅｒｔｉｃａｌ ａｓｙｍｍｅｔｒｙ （ＩＶＡ）予測値のうち、少なくとも１つを含み、
算出されたスタンダード視力矯正手術後の１つ又は複数の角膜形状因子予測値及びカスタム視力矯正手術後の１つ又は複数の角膜形状因子予測値に基づいて、前記被検者に対応する視力矯正手術のタイプを提案することを含む、視力矯正手術の推薦方法。
【発明の詳細な説明】
【技術分野】
【0001】
視力矯正手術の推薦方法及び装置に関し、更に具体的には、人工知能を利用して被検者などに視力矯正手術を推薦する方法及び装置に関する。
【背景技術】
【0002】
レーシック、ラセックのような視力矯正手術は老若男女を問わず視力が良くない人々の多くの関心を集めている。視力矯正手術を受けた人口は１０万人に達するという統計が存在するほど視力矯正手術に対する関心は日々増加している。
【0003】
しかし、視力矯正手術を受けようとする被検者は自分に合う視力矯正手術が何か判断することが難しい。被検者は基本的にレーシック、ラセック、小切開レンチキュラー抽出（ＳＭＩＬＥ）、レンズ挿入手術などの手術種類を選択しなければならない。それだけではなく、レーシック内でもアイレーシック、ダヴィンチレーシック、クリスタルレーシック、Ｚレーシック、ビジューレーシック、オプティレーシックなどの手術装備に伴う選択及びコントラビジョン、エキストラレーシック、ウェーブフロントレーシックなどの手術法に伴う選択をしなければならない。また、病院及び医師により推薦する角膜切削量などが変わるため、選択に更に困難が存在し、手術後の視力の質や副作用などに対して医師または相談者の話に依存する必要があるのが現実である。
【発明の概要】
【発明が解決しようとする課題】
【0004】
１つ課題は、医師の判断を補助したり、医師、相談者及び被検者などに対して、客観的な視力矯正手術関連情報を提供することにある。
【0005】
他の１つ課題は、医師、相談者及び被検者などに視力矯正手術を推薦することにある。
【0006】
また、他の１つ課題は、視力矯正手術を推薦する原因を、医師、相談者及び被検者などに提供することにある。
【0007】
解決しようとする課題が上述した課題に制限されるものではなく、言及されない課題は、本明細書及び図面から本発明が属する技術分野で通常の知識を有する者にとって明確に理解されるべきである。
【課題を解決するための手段】
【0008】
一つ様態によれば、コンピューティング装置によって実行される人工知能を利用する視力矯正手術の推薦方法は、
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、カスタム視力矯正手術が必要であるか否かに対する判断に利用されるように、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値を算出する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第４群データを第４予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記第４予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、カスタム視力矯正手術が必要であるか否かに対する判断に利用されるように、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値を算出する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第４群データを第４予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記第４予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
【0009】
他の様態によればコンピューティング装置によって実行される人工知能を利用する視力矯正手術の推薦方法は、
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者のカスタム視力矯正手術必要性の有無を予測する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第４群データを第４予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記カスタム視力矯正手術必要性の有無を予測する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、カスタム視力矯正手術必要性の有無を予測し、
前記第４予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者のカスタム視力矯正手術必要性の有無を予測する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第４群データを第４予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記カスタム視力矯正手術必要性の有無を予測する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、カスタム視力矯正手術必要性の有無を予測し、
前記第４予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
【0010】
また、他の様態によればコンピューティング装置によって実行される人工知能を利用する視力矯正手術の推薦方法は、
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記第３予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記第３予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
【0011】
また、他の様態によればコンピューティング装置によって実行される人工知能を利用する視力矯正手術の推薦方法は、被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、及び、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記第２予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、及び、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記第２予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
【0012】
また、他の様態によればコンピューティング装置によって実行される人工知能を利用する視力矯正手術の推薦方法は、
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、及び、
前記被検者の検診データから取得した群データを予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、及び、
前記被検者の検診データから取得した群データを予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
【0013】
課題の解決手段は上述した解決手段に制限されるものではなく、言及されない解決手段は、本明細書及び図面から本発明が属する技術分野で通常の知識を有する者にとって明確に理解されるべきである。
【発明の効果】
【0014】
一実施例によれば、医師の判断を補助したり、医師、相談者及び被検者などに客観的な視力矯正手術関連情報を提供するための方法及びこれを実行する装置が提供される。
【0015】
他の一実施例によれば、人工知能を利用して、医師、相談者及び被検者などに視力矯正手術を推薦することができる。
【0016】
また、他の一実施例によれば、人工知能を利用して、視力矯正手術を推薦する原因を、医師、相談者及び被検者などに提供することができる。
【0017】
効果は上述した効果に制限されるものではなく、言及されない効果は、本明細書及び図面から本発明が属する技術分野で通常の知識を有する者にとって明確に理解されるべきである。
【図面の簡単な説明】
【0018】
【図1】一実施例による視力矯正手術補助システムに関する図である。
【図2】一実施例による学習装置／予測装置を説明するための図である。
【図3】一実施例によるサーバー装置及びクライアント装置を説明するための図である。
【図4】一実施例によるサーバー装置及びクライアント装置の構成に関する図である。
【図5】一実施例による視力矯正手術関連モデルに関する図である。
【図6】一実施例による視力矯正手術関連モデルの学習段階及び予測段階を説明するための図である。
【図7】一実施例による入出力データの前処理に関する図である。
【図8】一実施例による直列的に連結されたサブモデルを含む視力矯正手術関連モデルに関する図である。
【図9】一実施例による並列的に連結されたサブモデルを含む視力矯正手術関連モデルに関する図である。
【図10】一実施例による予想視力イメージに関する図である。
【図11】一実施例によるフィルターを利用する予想視力イメージ生成モデルに関する図である。
【図12】一実施例による角膜トポグラフィー画像に関する図である。
【図13】一実施例による視力矯正手術関連モデルを含む予測結果算出原因分析モデルに関する図である。
【図14】一実施例による予測結果算出原因に関する図である。
【図15】一実施例による視力矯正手術関連モデルの直列的連結に関する図である。
【図16-19】一実施例による角膜形状因子予測モデルの出力に基づいた視力矯正手術関連モデルの出力算出に関する図である。
【図20】一実施例によるカスタム視力矯正手術必要性予測モデルの出力に基づいた視力矯正手術関連モデルの出力算出に関する図である。
【図21-22】一実施例による視力矯正手術提案モデルの出力に基づいた視力矯正手術関連モデルの出力算出に関する図である。
【図23】一実施例による手術パラメーター提案モデルの出力に基づいた視力矯正手術関連モデルの出力算出に関する図である。
【図24-25】一実施例による視力予測モデルの出力に基づいた視力矯正手術関連モデルの出力算出に関する図である。
【図26-27】一実施例による角膜トポグラフィー画像予測モデルの出力に基づいた視力矯正手術関連モデルの出力算出に関する図である。
【図28】一実施例による３つ以上の視力矯正手術関連モデルの組合を説明するための図である。
【図29-30】一実施例による角膜形状因子予測モデル及び視力予測モデルの出力に基づいた視力矯正手術関連モデルの出力算出に関する図である。
【図31】一実施例による視力矯正手術関連モデルの併合を説明するための図である。
【図32-34】一実施例による視力矯正手術関連モデル併合の実現例に関する図である。
【図35】一実施例による視力矯正手術の推薦方法の第１実施例に関する図である。
【図36】一実施例による視力矯正手術の推薦方法の第２実施例に関する図である。
【図37】一実施例による視力矯正手術の推薦方法の第３実施例に関する図である。
【図38】一実施例による視力矯正手術の推薦方法の第４実施例に関する図である。
【図39】一実施例による視力矯正手術の推薦方法の第５実施例に関する図である。
【図40】一実施例による視力矯正手術の推薦方法の第６実施例に関する図である。
【図41】一実施例による視力矯正手術視角化情報提供方法の第１実施例に関する図である。
【図42】一実施例による視力矯正手術視角化情報提供方法の第２実施例に関する図である。
【図43】一実施例による視力矯正手術視角化情報提供方法の第３実施例に関する図である。
【図44】一実施例による視力矯正手術視角化情報提供方法の第４実施例に関する図である。
【発明を実施するための形態】
【0019】
本明細書に記載された実施例は、本発明が属する技術分野で通常の知識を有する者にとって、本発明の思想を明確に説明するためのものであり、本発明の明細書に記載された実施例によって限定されるものではなく、本発明の範囲は本発明の思想から離れない修正例または変形例を含むと解釈しなければならない。
【0020】
本明細書により使用される用語は、本発明の機能を考慮して可能なかぎり、現在広く使用される一般的な用語を選択しているが、これは本発明が属する技術分野で通常の知識を有するものの意図、慣例、または新しい技術の出現などにより異なることができる。ただし、これとは異なる特定の用語を任意の意味で定義して使用する場合、その用語の意味に関して別途に記載する。従って、本明細書により使用される用語は、単純用語の名称ではないその用語が持つ実質的な意味と本明細書の全般にわたった内容に基づいて解釈しなければならない。
【0021】
本明細書の図面は、本発明を容易に説明するためのものであり、図面に示された形状は本発明の理解を助けるために必要に応じて、拡張して表示されているため、本発明は図面により限定されるものではない。
【0022】
本明細書において、本発明に関する公知の構成、または機能に対する具体的な説明は、本発明の要旨を曖昧にすることもあると判断される場合、これに関する詳しい説明は必要に応じて省略することにする。また、本明細書を説明する過程で利用される数字（例えば、第１、第２等）はそれぞれ異なる構成を意味することもできるが、同じ構成に対応することもできる。
【0023】
以下では、検診データに基づいて被検者に視力矯正手術を推薦する方法及び装置に対して説明する。特に、人工知能を利用して視力矯正手術を推薦するモデルを生成し、生成されたモデルを利用して被検者に視力矯正手術を推薦する方法及び装置に対して説明する。
【0024】
また、検診データに基づいて、被検者に視角化された視力矯正手術関連情報を提供する方法及び装置に対して説明する。特に、人工知能を利用して視力矯正手術後の予想視力イメージを提供したり、角膜トポグラフィー画像を予測したり、予測結果算出原因を分析するなどの視力矯正手術視角化情報を提供するモデルを生成し、生成されたモデルを利用して被検者に視力矯正手術視角化情報を提供する方法及び装置に対して説明する。
【0025】
本明細書において、視力矯正手術は、被施術者の視力を矯正する手術として、レーシック（ＬＡＳＩＫ）、ラセック（ＬＡＳＥＫ）、小切開レンチキュラー抽出（ｓｍａｌｌ ｉｎｃｉｓｉｏｎ ｌｅｎｔｉｃｕｌｅ ｅｘｔｒａｃｔｉｏｎ，ＳＭＩＬＥ）等のレーザーを利用した角膜切削を通じて、視力を矯正する手術だけではなく、レンズ挿入術などのレーザーを利用しない視力矯正手術も含むなど、広く解釈しなければならない。
【0026】
また、本明細書において、視力は被検者の判断を基に測定できる視力及び眼球検査等を通じて測定できる視力を含む。例えば、視力は視力検査表を通じて測定されることができる。または、視力は、近視、遠視、乱視などの基本的な屈折以上の低次収差（ｌｏｗｅｒ－ｏｒｄｅｒ ａｂｅｒｒａｔｉｏｎｓ）及び球面収差（ｓｐｈｅｒｉｃａｌ ａｂｅｒｒａｔｉｏｎ）、コマ収差（ｃｏｍａ ａｂｅｒｒａｔｉｏｎ）、トレフォイル収差（ｔｒｅｆｏｉｌ ａｂｅｒｒａｔｉｏｎ）等である高次収差（ｈｉｇｈｅｒ－ｏｒｄｅｒ ａｂｅｒｒａｔｉｏｎｓ）を含むことができる。また、視力は裸眼視力及び矯正視力を含むことができる。
【0027】
一つ様態によれば、コンピューティング装置によって実行される人工知能を利用する視力矯正手術の推薦方法は、
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、カスタム視力矯正手術が必要であるか否かに対する判断に利用されるように、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値を算出する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第４群データを第４予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記第４予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、カスタム視力矯正手術が必要であるか否かに対する判断に利用されるように、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値を算出する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第４群データを第４予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記第４予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供される。
【0028】
ここで、前記視力矯正手術を提案する段階は、前記被検者の視力矯正手術後の視力予測値に基づいて視力矯正手術を提案することができる。
【0029】
ここで、前記視力矯正手術を提案する段階は、複数の視力矯正手術それぞれに対応する前記被検者の視力矯正手術後の視力予測値を算出して視力矯正手術を提案することができる。
【0030】
ここで、前記視力矯正手術を提案する段階は、複数の互いに異なる時刻に対応する複数の視力予測値を算出して視力矯正手術を提案することができる。
【0031】
ここで、前記視力矯正手術の推薦方法は、算出されたスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、前記被検者のカスタム視力矯正手術必要性の有無を予測する段階を更に含むことができる。
【0032】
ここで、前記視力矯正手術を提案する段階は、算出されたスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて視力矯正手術を提案することができる。
【0033】
ここで、前記第４予測モデルは前記複数の被施術者の視力矯正手術選好度を考慮して学習された場合、前記第４群データは、前記被検者の視力矯正手術選好度を含むことができる。
【0034】
ここで、前記第１予測モデル、前記第２予測モデル、前記第３予測モデル及び前記第４予測モデルのうち、少なくとも１つは、複数のサブモデルを含み、前記複数のサブモデルの結果に基づいて結果値を算出することができる。
【0035】
ここで、前記第１群データ、前記第２群データ、前記第３群データ及び前記第４群データのうち、少なくとも１つは、前記被検者の検診データのうち、少なくとも一部をそのまま含んだり、前記被検者の検診データのうち、少なくとも一部から算出された新しい種類のデータを含むことを特徴とすることができる。
【0036】
ここで、前記角膜形状因子予測値は、ｉｎｄｅｘ ｏｆ ｈｅｉｇｈｔ ｄｅｃｅｎｔｒａｔｉｏｎ （ＩＨＤ）予測値、ｉｎｄｅｘ ｏｆ ｓｕｒｆａｃｅ ｖａｒｉａｎｃｅ （ＩＳＶ）予測値及びｉｎｄｅｘ ｏｆ ｖｅｒｔｉｃａｌ ａｓｙｍｍｅｔｒｙ （ＩＶＡ）予測値のうち、少なくとも１つを含むことができる。
【0037】
ここで、前記検診データは、遺伝子情報を更に含むことができる。
【0038】
他の様態によれば、コンピューティング装置によって実行される人工知能を利用する視力矯正手術の推薦方法は、
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者のカスタム視力矯正手術必要性の有無を予測する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第４群データを第４予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記カスタム視力矯正手術必要性の有無を予測する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、カスタム視力矯正手術必要性の有無を予測し、
前記第４予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供されることができる。
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者のカスタム視力矯正手術必要性の有無を予測する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第４群データを第４予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記カスタム視力矯正手術必要性の有無を予測する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、カスタム視力矯正手術必要性の有無を予測し、
前記第４予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供されることができる。
【0039】
また、他の様態によれば、コンピューティング装置によって実行される人工知能を利用する視力矯正手術の推薦方法は、
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階を、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記第３予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供されることができる。
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階と、及び、
前記被検者にレーザーを利用する視力矯正手術が可能な場合、前記被検者の検診データから取得した第３群データを第３予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階を、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記第３予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供されることができる。
【0040】
また、他の様態によれば、コンピューティング装置によって実行される人工知能を利用する視力矯正手術の推薦方法は、
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、及び、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記第２予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供されることができる。
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術の適合性の有無を予測する段階と、及び、
前記被検者に視力矯正手術が適合する場合、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記第２予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供されることができる。
【0041】
また、他の様態によれば、コンピューティング装置によって実行される人工知能を利用する視力矯正手術の推薦方法は、
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、及び、
前記被検者の検診データから取得した群データを予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供されることができる。
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、及び、
前記被検者の検診データから取得した群データを予測モデルに入力して、前記被検者に対応する視力矯正手術を提案する段階と、を含み、
前記視力矯正手術を提案する段階は、前記被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案し、
前記予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習された、視力矯正手術の推薦方法が提供されることができる。
【0042】
また、他の様態によれば、コンピューティング装置によって実行される人工知能を利用する視力矯正手術後の予想視力イメージ提供方法は、
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術後の眼球特性データ予測値を算出し、前記眼球特性データ予測値は、視力予測値及び角膜形状因子予測値のうち、少なくとも１つを含む段階と、及び、
前記眼球特性データ予測値に基づいて、予想視力イメージを生成する段階と、を含み、
前記第１予測モデルは、視力矯正手術を受けた複数の被施術者の手術前眼球特性データ測定値、前記複数の被施術者に実行された視力矯正手術の手術パラメーター及び前記複数の被施術者の手術後眼球特性データ測定値のうち、少なくとも１つに基づいて学習された、予想視力イメージ提供方法が提供されることができる。
被検者の検診データを取得し、前記検診データは問診データ及び眼球特性データ測定値を含む段階と、
前記被検者の検診データから取得した第１群データを第１予測モデルに入力して、前記被検者の視力矯正手術後の眼球特性データ予測値を算出し、前記眼球特性データ予測値は、視力予測値及び角膜形状因子予測値のうち、少なくとも１つを含む段階と、及び、
前記眼球特性データ予測値に基づいて、予想視力イメージを生成する段階と、を含み、
前記第１予測モデルは、視力矯正手術を受けた複数の被施術者の手術前眼球特性データ測定値、前記複数の被施術者に実行された視力矯正手術の手術パラメーター及び前記複数の被施術者の手術後眼球特性データ測定値のうち、少なくとも１つに基づいて学習された、予想視力イメージ提供方法が提供されることができる。
【0043】
ここで、前記予想視力イメージを生成する段階は、前記眼球特性データ予測値に基づいてフィルターを算出しまたは選択する段階、及び前記予想視力イメージを生成するために、前記フィルターを原本イメージに適用する段階を含むことができる。
【0044】
ここで、前記眼球特性データ予測値は、第１眼球特性データ予測値及び第２眼球特性データ予測値を含み、前記予想視力イメージは、前記第１眼球特性データ予測値に基づいて生成された第１予想視力イメージ、及び前記第２眼球特性データ予測値に基づいて生成され、前記第１予想視力イメージとは異なる第２予想視力イメージを含むことができる。
【0045】
ここで、前記第１眼球特性データ予測値及び前記第２眼球特性データ予測値それぞれは、スタンダード視力矯正手術後の眼球特性データ予測値及びカスタム視力矯正手術後の眼球特性データ予測値に対応し、前記第１予想視力イメージ及び前記第２予想視力イメージそれぞれは、スタンダード視力矯正手術後の予想視力イメージ及びカスタム視力矯正手術後の予想視力イメージに対応することができる。
【0046】
ここで、前記予想視力イメージは、前記被検者の視力矯正手術後に予想される視力の鮮明度、光のにじみ、対比感度、夜間視力、眩しい、複視、残像のうち、少なくとも１つに対する情報を含むことができる。
【0047】
ここで、前記予想視力イメージ提供方法は、前記被検者の検診データから取得した第２群データを第２予測モデルに入力して、前記被検者の視力矯正手術後の角膜トポグラフィー画像を予測する段階を更に含み、前記第２予測モデルは、視力矯正手術を受けた複数の被施術者の手術前の角膜トポグラフィー画像、前記複数の被施術者に実行された視力矯正手術の手術パラメーター及び前記複数の被施術者の手術後角膜トポグラフィー画像のうち、少なくとも１つに基づいて学習されることができる。
【0048】
ここで、前記予想視力イメージ提供方法は、前記眼球特性データ予測値の前記第１群データに対する依存性を算出する段階を更に含むことができる。
【0049】
ここで、前記眼球特性データ予測値は、第１眼球特性データ予測値及び第２眼球特性データ予測値を含み、前記依存性は、前記第１群データの少なくとも一部に対応する依存係数を含み、前記依存係数は、前記第１眼球特性データ予測値に対応する第１依存係数及び前記第２眼球特性データ予測値に対応し、前記第１依存係数とは異なる第２依存係数を含むことができる。
【0050】
ここで、前記第１眼球特性データ予測値及び前記第２眼球特性データ予測値それぞれは、スタンダード視力矯正手術後の眼球特性データ予測値及びカスタム視力矯正手術後の眼球特性データ予測値に対応し、前記第１依存係数及び前記第２依存係数それぞれは、スタンダード視力矯正手術後眼球特性データ予測値の前記第１群データに対する依存性及びカスタム視力矯正手術後眼球特性データ予測値の前記第１群データに対する依存性に対応することができる。
【0051】
ここで、前記予想視力イメージ提供方法は、記依存係数のうち、予め決まった値より大きい依存係数を出力し、または予め決まった個数の依存係数を出力する段階を更に含むことができる。
ここで、前記角膜形状因子予測値は、ｉｎｄｅｘ ｏｆ ｈｅｉｇｈｔ ｄｅｃｅｎｔｒａｔｉｏｎ （ＩＨＤ）予測値、ｉｎｄｅｘ ｏｆ ｓｕｒｆａｃｅ ｖａｒｉａｎｃｅ （ＩＳＶ）予測値及びｉｎｄｅｘ ｏｆ ｖｅｒｔｉｃａｌ ａｓｙｍｍｅｔｒｙ （ＩＶＡ）予測値のうち、少なくとも１つを含むことができる。
ここで、前記角膜形状因子予測値は、ｉｎｄｅｘ ｏｆ ｈｅｉｇｈｔ ｄｅｃｅｎｔｒａｔｉｏｎ （ＩＨＤ）予測値、ｉｎｄｅｘ ｏｆ ｓｕｒｆａｃｅ ｖａｒｉａｎｃｅ （ＩＳＶ）予測値及びｉｎｄｅｘ ｏｆ ｖｅｒｔｉｃａｌ ａｓｙｍｍｅｔｒｙ （ＩＶＡ）予測値のうち、少なくとも１つを含むことができる。
【0052】
ここで、前記視力予測値は、低次収差（ｌｏｗｅｒ－ｏｒｄｅｒ ａｂｅｒｒａｔｉｏｎｓ）予測値及び高次収差（ｈｉｇｈｅｒ－ｏｒｄｅｒ ａｂｅｒｒａｔｉｏｎｓ）予測値のうち、少なくとも１つを含むことができる。
【0053】
一実施例による視力矯正手術補助システムは、学習装置及び予測装置を含むことができる。ここで、学習装置及び予測装置は、少なくとも１つの制御部を含むコンピューティング装置であってもよい。前記コンピューティング装置の例では、デスクトップ、ラップトップ、タブレットＰＣ、スマートフォンがあってもよいが、これに対して制限されるものではない。
【0054】
図１は、一実施例による視力矯正手術補助システム（１０）に関する図である。図１を参考にすれば、学習装置（１００）は、学習データに基づいて視力矯正手術に関する情報を算出するモデル（以下“視力矯正手術関連モデル”とハム）を学習、及び／または生成することができる。ここで、学習データは、数字、文字、イメージなど視力矯正手術関連モデルを学習、及び／または生成するために必要なデータであり、その表現方式に制限があるものではない。例えば、学習データは、視力矯正手術を受けた被施術者の検診データ及び手術パラメーターを含むことができる。
【0055】
予測装置（３００）は、学習装置（１００）を通じて生成された視力矯正手術関連モデル及び入力データに基づいて、視力矯正手術に関する情報である予測結果を算出することができる。ここで、入力データは、数字、文字、イメージなど予測結果算出の基になるデータであり、その表現方式に制限があるものではない。
【0056】
学習データ、入力データ、予測結果及び視力矯正手術関連モデルの具体的な例示に対しては後述する。
【0057】
図１には、学習装置（１００）及び予測装置（３００）が別途の装置のように図示されているが、学習装置（１００）及び予測装置（３００）は、同じ装置であってもよい。例えば、同じ装置内で視力矯正手術関連モデルを学習／生成し、前記モデルを利用して予測結果を算出することができる。または、学習装置（１００）の少なくとも一部構成及び予測装置（３００）の少なくとも一部構成が同じ構成であってもよい。
【0058】
また、一実施例による視力矯正手術補助システムは、複数の学習装置及び／または複数の予測装置を含むことができる。
【0059】
【0060】
一実施例による学習装置／予測装置は、その動作を制御するための制御部（１０００）を含むことができる。制御部（１０００）は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、一つ以上のマイクロ・プロセッサ及びその他の予め決まった論理により入力されたデータを処理できる電子部品のうちの１つ以上を含むことができる。
【0061】
制御部（１０００）は、メモリー部（５０００）に保存されたシステムプログラム及び多様なプロセッシングプログラムを読み取ることができる。例えば、制御部（１０００）は、後述する視力矯正手術関連モデルの学習及び予測段階を実行するためのデータ加工プロセスなどをＲＡＭに展開し、展開されたプログラムにより各種の処理を実行できる。一例で、制御部（１０００）は、視力矯正手術関連モデルの学習を実行できる。他の例で、制御部（１０００）は、視力矯正手術関連モデルを利用して予測結果を生成することができる。
【0062】
一実施例による学習装置／予測装置は、メモリー部（５０００）を含むことができる。メモリー部（５０００）は、学習に必要なデータ、学習モデル及び学習された視力矯正手術関連モデルを保存することができる。メモリー部（５０００）は、視力矯正手術関連モデルのパラメーター、変数などを保存することができる。
【0063】
メモリー部（５０００）は、非揮発性半導体メモリー、ハードディスク、フラッシュメモリ、ＲＡＭ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、またはその他に有形（ｔａｎｇｉｂｌｅ）非揮発性の記録媒体などで具現されることができる。
【0064】
メモリー部（５０００）は、各種プロセッシングプログラム、プログラムのプロセッシングを実行するためのパラメーター、またはこのようなプロセッシング結果データなどを保存することができる。例えば、メモリー部（５０００）は、後述する視力矯正手術関連モデルの学習及び予測段階を実行するためのデータ加工プロセス プログラム、診断プロセス プログラム、各プログラムを実行するためのパラメーター、及びこのようなプログラムを実行することにより得られたデータ（例えば、加工されたデータまたは予測結果）等を保存することができる。
【0065】
一実施例による学習装置／予測装置は、通信部（９０００）を更に含むことができる。通信部（９０００）は、外部装置と通信を実行することができる。例えば、学習装置の通信部（９０００）は、予測装置の通信部（９０００）と通信を実行できる。通信部（９０００）は、有線または無線通信を実行できる。通信部（９０００）は、双方向（ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ）または単方向通信を実行できる。
図２に示される学習装置／予測装置は、例示に過ぎず、学習装置／予測装置の構成は、これに限定されるものではない。
図２に示される学習装置／予測装置は、例示に過ぎず、学習装置／予測装置の構成は、これに限定されるものではない。
【0066】
一実施例による視力矯正手術補助システムは、サーバー装置及びクライアント装置を含むことができる。図３は、一実施例によるサーバー装置（５００）及びクライアント装置（７００ａ、７００ｂ）を説明するための図である。
一実施例によるサーバー装置（５００）は、前述した学習装置／予測装置に対応することができる。一実施例によるサーバー装置（５００）は、視力矯正手術関連モデルを学習、保存及び／または実行することができる。
一実施例によるサーバー装置（５００）は、前述した学習装置／予測装置に対応することができる。一実施例によるサーバー装置（５００）は、視力矯正手術関連モデルを学習、保存及び／または実行することができる。
【0067】
一実施例によるクライアント装置（７００ａ、７００ｂ）は、前述した学習装置／予測装置に対応することができる。一実施例によるクライアント装置（７００ａ、７００ｂ）は、視力矯正手術関連モデルを学習、保存及び／または実行することができる。
【0068】
一実施例によるクライアント装置（７００ａ、７００ｂ）は、学習された視力矯正手術関連モデルをサーバー装置（５００）から取得することができる。例えば、クライアント装置（７００ａ、７００ｂ）は、ネットワークを通じてサーバー装置（５００）から視力矯正手術関連モデルをダウンロードすることができる。
一実施例によるサーバー装置（５００）は、クライアント装置（７００ａ、７００ｂ）から取得した入力データに基づいて、予測結果を算出することができる。例えば、クライアント装置（７００ａ、７００ｂ）は、被検者の情報を受信してサーバー装置（５００）へ伝送し、サーバー装置（５００）は、前記被検者の情報を基に視力矯正手術関連モデルを通じて予測結果を算出することができる。一実施例によるサーバー装置（５００）は、複数のクライアント装置（７００ａ、７００ｂ）から入力データを取得することができる。
一実施例によるサーバー装置（５００）は、クライアント装置（７００ａ、７００ｂ）から取得した入力データに基づいて、予測結果を算出することができる。例えば、クライアント装置（７００ａ、７００ｂ）は、被検者の情報を受信してサーバー装置（５００）へ伝送し、サーバー装置（５００）は、前記被検者の情報を基に視力矯正手術関連モデルを通じて予測結果を算出することができる。一実施例によるサーバー装置（５００）は、複数のクライアント装置（７００ａ、７００ｂ）から入力データを取得することができる。
【0069】
一実施例によるサーバー装置（５００）は、算出された予測結果をクライアント装置（７００ａ、７００ｂ）へ伝達することができる。例えば、クライアント装置（７００ａ、７００ｂ）は、サーバー装置（５００）から取得した予測結果を、医師、相談者及び被検者などに提供することができる。一実施例によるサーバー装置（５００）は、クライアント装置（７００ａ、７００ｂ）からフィードバックを取得することができる。一実施例によるサーバー装置（５００）は、複数のクライアント装置（７００ａ、７００ｂ）へ予測結果を伝達することができる。
【0070】
一実施例によるクライアント装置（７００ａ、７００ｂ）は、サーバー装置（５００）へ予測結果を要請することができる。
【0071】
一実施例によるクライアント装置（７００ａ、７００ｂ）は、受信されたデータをサーバー装置（５００）へ伝達することができる。一実施例によるクライアント装置（７００ａ、７００ｂ）は、受信されたデータの少なくとも一部を変更してサーバー装置（５００）へ伝達することができる。一実施例によるクライアント装置（７００ａ、７００ｂ）は、サーバー装置（５００）から取得した予測結果を、医師、相談者及び被検者などに提供することができる。一実施例によるクライアント装置（７００ａ、７００ｂ）は、サーバー装置（５００）から取得した予測結果の少なくとも一部を変更して、医師、相談者及び被検者などに提供することができる。
【0072】
図３には、１つのサーバー装置（５００）と２つのクライアント装置（７００ａ、７００ｂ）の間の関係が示されているが、これに限定されるものではなく、１つ以上のサーバー装置（５００）及び１つ以上のクライアント装置（７００ａ、７００ｂ）でも同じく適用されることができる。
【0073】
図４は、一実施例によるサーバー装置（５００）及びクライアント装置（７００）の構成に関する図である。図４を参考にすれば、サーバー装置（５００）及びクライアント装置（７００）は、メモリー部（５０００ａ、５０００ｂ）、制御部（１０００ａ、１０００ｂ）及び通信部（９０００ａ、９０００ｂ）を含むことができる。サーバー装置（５００）及びクライアント装置（７００）は、通信部（９０００ａ、９０００ｂ）を通じて情報を伝達して取得することができる。一例で、クライアント装置（７００）は、その通信部（９０００ｂ）を通じてサーバー装置（５００）の通信部（９０００ａ）から学習された視力矯正手術関連モデルを取得することができる。他の例で、クライアント装置（７００）は、その通信部（９０００ｂ）を通じて入力データをサーバー装置（５００）の通信部（９０００ａ）へ伝達し、サーバー装置（５００）は、その通信部（９０００ａ）を通じて予測結果をクライアント装置（７００）の通信部（９０００ｂ）へ伝達することができる。
【0074】
前述した通り、視力矯正手術関連モデルは、視力矯正手術を実行するとき、及びその前後に考慮される多様な情報を算出するモデルである。
【0075】
図５は、一実施例による視力矯正手術関連モデル（Ｍ）に関する図である。図５を参考にすれば、視力矯正手術関連モデル（Ｍ）は、手術適否予測モデル（Ｍ１０）、レーザー手術可否予測モデル（Ｍ１１）、角膜形状因子予測モデル（Ｍ１２）、カスタム視力矯正手術必要性予測モデル（Ｍ１３）、視力矯正手術提案モデル（Ｍ１４）、手術パラメーター提案モデル（Ｍ１５）、視力予測モデル（Ｍ１６）、予想視力イメージ生成モデル（Ｍ１７）、角膜トポグラフィー画像予測モデル（Ｍ１８）及び予測結果算出原因分析モデル（Ｍ１９）を含むことができる。各モデルの具体的な説明は後述する。
【0076】
視力矯正手術関連モデル（Ｍ）のうち、少なくとも一部は同じ学習装置で学習及び／または生成されることができる。例えば、手術適否予測モデル（Ｍ１０）及びレーザー手術可否予測モデル（Ｍ１１）は、同じ学習装置により学習及び／または生成されることができる。または、視力矯正手術関連モデル（Ｍ）のうち、少なくとも一部は、それぞれことなる学習装置で学習及び／または生成されることができる。
【0077】
視力矯正手術関連モデル（Ｍ）のうち、少なくとも一部は、同じ予測装置により実行されることができる。例えば、手術適否予測モデル（Ｍ１０）及びレーザー手術可否予測モデル（Ｍ１１）は、同じ予測装置により実行されることができる。または、視力矯正手術関連モデル（Ｍ）のうち、少なくとも一部は、それぞれ異なる予測装置により実行されることができる。
【0078】
一実施例による視力矯正手術関連モデルは、人工知能モデル／アルゴリズムで学習及び／または具現でき、その学習及び／または実現方法により制限されるものではない。例えば、視力矯正手術関連モデルは、分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）アルゴリズム、回帰（ｒｅｇｒｅｓｓｉｏｎ）アルゴリズム、教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）、サポートベクターマシン（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）、決定木（ｄｅｃｉｓｉｏｎ ｔｒｅｅ）、ランダムフォレスト（ｒａｎｄｏｍ ｆｏｒｅｓｔ）、ＬＡＳＳＯ、ＡｄａＢｏｏｓｔ、ＸＧＢｏｏｓｔ、人工神経網（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）等のような多様なマシンランニングモデル／アルゴリズム及びディップランニングモデル／アルゴリズムを通じて、学習及び／または具現されることができる。
【0079】
一実施例による視力矯正手術関連モデルは、学習段階を通じて学習及び／または生成されることができる。学習段階を通じて学習及び／または生成された視力矯正手術関連モデルは、予測段階を通じて予測結果を算出することができる。
【0080】
図６は、一実施例による視力矯正手術関連モデルの学習段階（Ｓ１０）及び予測段階（Ｓ３０）を説明するための図である。図６を参考にすれば、学習段階（Ｓ１０）は、学習データ取得段階（Ｓ１１０）及びモデル学習段階（Ｓ１５０）を含むことができる。
【0081】
学習データ取得段階（Ｓ１１０）は、学習装置が視力矯正手術関連モデルを学習及び／または生成するためのデータである学習データを取得する段階であってもよい。
【0082】
モデル学習段階（Ｓ１５０）は、視力矯正手術関連モデルを学習及び／または生成する段階であってもよい。モデル学習段階（Ｓ１５０）において、学習装置は、学習データ取得段階により取得した学習データに基づいて、前記モデルを学習及び／または生成することができる。例えば、視力矯正手術関連モデルを構成するモデルパラメーターは、モデル学習段階（Ｓ１５０）により変更されることができる。前記パラメーターの変化により前記モデルの正確度は向上することができる。
【0083】
視力矯正手術関連モデルは、視力矯正手術を受けた被施術者の視力矯正手術関連情報に基づいて学習されることができる。例えば、前記モデルは、視力矯正手術を受けた複数の被施術者の視力矯正手術前検診データ、前記複数の被施術者に実行された視力矯正手術の手術パラメーター及び前記複数の被施術者の視力矯正手術後検診データのうち、少なくとも１つに基づいて学習されることができる。
【0084】
図６を参考にすれば、予測段階（Ｓ３０）は、入力データ取得段階（Ｓ３１０）及びモデル実行段階（Ｓ３５０）を含むことができる。
【0085】
入力データ取得段階（Ｓ３１０）は、予測装置が視力矯正手術関連モデルを利用して予測結果を算出することに利用されるデータである入力データを取得する段階であってもよい。
【0086】
モデル実行段階（Ｓ３５０）は、学習段階（Ｓ１０）で学習及び／または生成された視力矯正手術関連モデル及び入力データに基づいて、予測結果を算出する段階であってもよい。例えば、予測装置は、入力データ及び学習装置から取得したモデルパラメーターに基づいて予測結果を出力することができる。
【0087】
視力矯正手術関連モデルの入力データは、被検者に対して取得したすべての情報を含むことができる。または、前記入力データは、被検者に対して取得した情報のうち、少なくとも一部を含むことができる。また、前記入力データは、視力矯正手術関連モデルにより同一であってもよく、異なってもよい。
【0088】
視力矯正手術関連モデルの予測結果は、学習データにより変わることができる。または、視力矯正手術関連モデルの正確度は、学習データにより変わることができる。
【0089】
学習データに含まれる真の値（ｔｒｕｅ ｖａｌｕｅ）の種類によって予測結果が変わることができる。例えば、真の値が被検者の主観的意思を考慮するか否かにより予測結果が変わることができる。ここで、被検者の主観的意思は、特定視力矯正手術を好むか否かなどの選好度、及び視力矯正手術に対してある程度の費用を支払うかなどの費用支払い能力を含むことができる。被検者の主観的意思を考慮しない場合、予測結果は医学的に提案される結果であってもよい。反面、被検者の主観的意思を考慮する場合、予測結果は、医学的に提案される結果と同じであってもよく、異なってもよい。
【0090】
第１学習データ及び第２学習データは、それぞれ異なる病院で取得され、またはそれぞれ異なる医師から取得され、またはそれぞれ異なる時期の学習データである場合、前記第１学習データに基づいて学習及び／または生成された第１モデル、及び前記第２学習データに基づいて学習及び／または生成された第２モデルは、それぞれ異なってもよい。その結果、前記第１モデルにより出力される第１予測結果、及び前記第２モデルにより出力される第２予測結果は、それぞれ異なってもよい。また、前記第１モデル及び前記第２モデルの正確度はそれぞれ異なってもよい。
【0091】
ただし、学習データが異なっても、同じ視力矯正手術関連モデルは学習及び／または生成されることもできる。または、それぞれ異なる学習データにより学習及び／または生成された視力矯正手術関連モデルでも同じ予測結果を算出することもできる。
【0092】
学習データ、入力データ及び予測結果（以下“入出力データ”と称する）は、検診データ及び手術パラメーターのような変数を含むことができる。検診データ及び手術パラメーターは、数字、文字、イメージなどのように多様に表現されることができ、その表現方式に制限されない。また、イメージは、２次元、３次元イメージなどその次元に制限されない。
【0093】
検診データは、装備や検査を通じなく、質問などにより取得する情報である問診データ、装備や検査を通じて取得する眼球に関する情報である眼球特性データ及び遺伝子情報を含むことができる。
【0094】
問診データは、被検者の性別、年齢、人種、居住地域などの生活環境、職業、所得、学歴、教育、家族規模のような人口統計特性、高血圧、糖尿などの病歴及び家族歴、視力矯正手術選好度などと同じ変数を含むことができる。
【0095】
眼球特性データは、眼球に関するすべての種類の情報を含むことができる。例えば、眼球特性データは、視力、眼圧及び／または網膜検査結果などと同じ変数を含むことができる。
【0096】
眼球特性データは、眼球の物理的な形状に関する情報を含むことができる。一例において、眼球特性データは、ｗｈｉｔｅ－ｔｏ－ｗｈｉｔｅ（ＷＴＷ） ｄｉｓｔａｎｃｅ、ａｎｇｌｅ－ｔｏ－ａｎｇｌｅ（ＡＴＡ） ｄｉｓｔａｎｃｅ、前房深度（ｉｎｔｅｒｎａｌ Ａｎｔｅｒｉｏｒ Ｃｈａｍｂｅｒ Ｄｅｐｔｈ，ＡＣＤ） 、ｓｕｌｃｕｓ－ｔｏ－ｓｕｌｃｕｓ（ＳＴＳ） ｄｉｓｔａｎｃｅ、瞳孔の大きさなどと同じ変数を含むことができる。他の例で、眼球特性データは、角膜形状因子、角膜トポグラフィー画像などと同じ角膜の形状に関する情報を含むことができる。ここで、角膜形状因子は、角膜の物理的形状を示す数値であり、ｉｎｄｅｘ ｏｆ ｓｕｒｆａｃｅ ｖａｒｉａｎｃｅ （ＩＳＶ）、ｉｎｄｅｘ ｏｆ ｖｅｒｔｉｃａｌ ａｓｙｍｍｅｔｒｙ （ＩＶＡ）、ｋｅｒａｔｏｃｏｎｕｓ ｉｎｄｅｘ （ＫＩ）、ｃｅｎｔｒａｌ ｋｅｒａｔｏｃｏｎｕｓ ｉｎｄｅｘ （ＣＫＩ）、ｍｉｎｉｍｕｍ ｒａｄｉｕｓ ｏｆ ｃｕｒｖａｔｕｒｅ （Ｒｍｉｎ）、ｉｎｄｅｘ ｏｆ ｈｅｉｇｈｔ ａｓｙｍｍｅｔｒｙ （ＩＨＡ）、ｉｎｄｅｘ ｏｆ ｈｅｉｇｈｔ ｄｅｃｅｎｔｒａｔｉｏｎ （ＩＨＤ）、中心角膜厚さ（ｃｅｎｔｒａｌ ｃｏｒｎｅａ ｔｈｉｃｋｎｅｓｓ）等と同じ変数を含むことができる。また、角膜トポグラフィー画像は、角膜形状に関するイメージであり、角膜トポグラフィー図、角膜前面曲率イメージ、角膜後面曲率イメージ、角膜厚さ図などを含むことができる。
【0097】
眼球特性データは、Ｐｅｎｔａｃａｍ，ＣＡＳＩＡ２、ＡＬ－Ｓｃａｎ、ＯＱＡＳのようなｔｏｍｏｇｒａｐｈｙ、ｔｏｐｏｇｒａｐｈｙ、ｏｐｔｉｃａｌ ｃｏｈｅｒｅｎｃｅ ｔｏｍｏｇｒａｐｈｙ （ＯＣＴ）、ｕｌｔｒａｓｏｕｎｄ ｂｉｏｍｉｃｒｏｓｃｏｐｙ （ＵＢＭ）装備等を通じて取得されるが、これに限定されない。前記装備及びこれと類似の装備を通じて取得できる情報及びこれから由来した情報は、眼球特性データに含まれることがある。
【0098】
遺伝子情報は、遺伝子検査等を通じて取得されることができる。遺伝子情報は、被検者に視力矯正手術が適合か否かを判断することに利用される。または、遺伝子情報は、視力矯正手術後の副作用を予測することに利用される。例えば、遺伝子情報を通じて角膜異常症の発病有無を予測することができる。
【0099】
手術パラメーターは、視力矯正手術実行に関する変数であり、レーシック、ラセック、小切開レンチキュラー抽出、レンズ挿入術、スタンダード視力矯正手術、カスタム視力矯正手術などのような視力矯正手術の種類、角膜切片の厚さ（ｆｌａｐ ｔｈｉｃｋｎｅｓｓ）、角膜切片の大きさ（ｆｌａｐ ｄｉａｍｅｔｅｒ）、ｆｌａｐ ｓｉｄｅ ｃｕｔ ａｎｇｌｅ、角膜切削プロファイル、眼球フビムニン作動時間（ｓｕｃｔｉｏｎ ｔｉｍｅ）、手術範囲（ｏｐｔｉｃ ｚｏｎｅ）、ｈｉｎｇｅ ｐｏｓｉｔｉｏｎ、ｈｉｎｇｅ ａｎｇｌｅ及びｈｉｎｇｅ ｗｉｄｔｈのようなヒンジ構造などの視力矯正手術時の変更可能な変数を含むことができる。
【0100】
スタンダード視力矯正手術は、低次収差を矯正するための視力矯正手術を意味してもよく、カスタム視力矯正手術は、低次収差及び高次収差を矯正するための視力矯正手術を意味してもよい。
【0101】
スタンダード視力矯正手術及びカスタム視力矯正手術の被施術者により考慮される手術パラメーターの種類は異なってもよい。例えば、カスタム視力矯正手術の被施術者により考慮される手術パラメーターの種類は、スタンダード視力矯正手術の被施術者により考慮される手術パラメーターの種類を含むことができる。
【0102】
スタンダード視力矯正手術の被施術者に対応して変化する手術パラメーターの個数は、カスタム視力矯正手術の個数と異なってもよい。スタンダード視力矯正手術及びカスタム視力矯正手術は、被施術者に対応して変化する手術パラメーターの個数により区分されることができる。スタンダード視力矯正手術及びカスタム視力矯正手術を区分する被施術者に対応して変化する手術パラメーターの個数（以下“基準値”とハム）は、予め決まった値であってもよい。例えば、被施術者に対応して変化する手術パラメーターの個数が基準値以上の場合、カスタム視力矯正手術、基準値より小さい場合、スタンダード視力矯正手術であってもよい。
【0103】
スタンダード視力矯正手術及びカスタム視力矯正手術は、視力矯正手術を実行する病院、医師及び／または時期により変わることができる。例えば、基準価格は病院、医師及び／または時期により変わることができる。
【0104】
カスタム視力矯正手術は、コントゥーラビジョン手術及びウェーブフロント手術を含むことができる。
【0105】
カスタム視力矯正手術を実行する場合、スタンダード視力矯正手術を実行する場合に比べて視力の質が向上することができる。視力の質は、視力の良し悪しを包括的に意味する用語であり、視力測定表を通じて測定した視力、低次収差及び高次収差だけではなく、視力の鮮明度、光のにじみ、対比感度、夜間視力、眩しい、複視、残像、他の不便などを基に判断することができる。
【0106】
入出力データは、問診及び検診等を通して取得／測定されることができる測定値だけではなく、及び視力矯正手術関連モデル等を通して算出されることができる予測値を含むことができる。例えば、眼球特性データは、視力矯正手術前検査等を通して取得／測定した被検者の眼球特性データ測定値だけではなく、視力矯正手術関連モデル等を通して算出された被検者の視力矯正手術後眼球特性データ予測値を含むことができる。
【0107】
入出力データは、前処理を経て視力矯正手術関連モデルに入力されることができる。例えば、学習装置は、取得した入出力データを前処理した後に、視力矯正手術関連モデルの学習に利用することができる。または、予測装置は、取得した入出力データを前処理した後に、視力矯正手術関連モデルに入力して予測結果を算出することができる。
【0108】
前処理は、入出力データに加えられるすべての変化を含むように、広く解釈されなければならなく、本明細書に開示された例示で限定されるものではない。
【0109】
前処理は、特徴選択（ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ）のように入出力データが含まれる変数のうち、少なくとも一部を選択することを含んでもよい。例えば、前処理は、ｔ－ｔｅｓｔ、Ｇｉｎｉ ｉｎｄｅｘ、ｉｎｆｏｒｍａｔｉｏｎ ｇａｉｎ、ｒｅｌｉｅｆ、ＤｉｓｔＡＵＣ、ｓｉｇｎａｌ ｔｏ ｎｏｉｃｅ、ＭＲＭＲ、Ｆｉｓｈｅｒ ｓｃｏｒｅ、Ｌａｐｌａｃｉａｎ ｓｃｏｒｅ、ＳＰＥＣなどを含むことができる。
【0110】
前処理は、特徴抽出（ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ）のように入出力データが含まれる変数のうち、少なくとも一部から新しい変数を生成することを含んでもよい。一例で、前処理は、ｐｒｉｎｃｉｐｌｅ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ、ｌｉｎｅａｒ ｄｉｓｃｒｉｍｉｎａｎｔ ａｎａｌｙｓｉｓ、ｃａｎｏｎｉｃａｌ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ、ｓｉｎｇｕｌａｒ ｖａｌｕｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ、ＩＳＯＭＡＰ、ｌｏｃａｌｌｙ ｌｉｎｅａｒ ｅｍｂｅｄｄｉｎｇなどを含むことができる。他の例で、前処理は、数値からスペクトルを生成したり数値からイメージを生成することを含んでもよい。
【0111】
前処理は、欠測値（ｍｉｓｓｉｎｇ ｖａｌｕｅ）処理のように、視力矯正手術関連モデル（または学習装置及び／または予測装置）が要求する変数が入出力データに含まれていない場合の処理方法を含むことができる。例えば、前処理は、欠測値を該当変数の平均で処理したり最頻値で処理することを含んでよい。
【0112】
前処理を通じて視力矯正手術関連モデルの正確度が向上することができる。一例で、特徴選択段階を含む視力矯正手術関連モデルの正確度は、それを含まないモデルの正確度よりよいこともある。他の例で、数値からイメージを生成して前記イメージに基づいて予測結果を算出する視力矯正手術関連モデルの正確度は、前記数値に基づいて予測結果を算出する視力矯正手術関連モデルの正確度よりよいこともある。
【0113】
図７は、一実施例による入出力データの前処理に関する図面である。図７を参考にすれば、入出力データは、前処理段階（Ｓ５００）を経て視力矯正手術関連モデルに入力されることができる。視力矯正手術関連モデルは、前処理された入出力データに基づいて予測結果を算出することができる（Ｓ７００）。
【0114】
視力矯正手術関連モデルは、複数の下位モデル（サブモデル）を含むことができる。複数のサブモデルは、入力データに基づいて予測結果を算出することができる。
【0115】
視力矯正手術関連モデルは、アンサンブルモデルなどのように、直列的及び／または並列的に連結されたサブモデルを含むことができる。
【0116】
視力矯正手術関連モデルは、直列的に連結された複数のサブモデルを含むことができる。ここで、サブモデルが直列的に連結されたということは、第１サブモデルの出力が第２サブモデルの入力になるなどの少なくとも１つのサブモデルの出力に基づいて、少なくとも他の一つのサブモデルの出力が算出されることを含んでもよい。または、サブモデルが直列的に連結されたということは、入力データから視力矯正手術関連モデルを通じて予測結果を取得するために複数のサブモデルを次々と経なければならないことを含んでよい。
【0117】
図８は、一実施例による直列的に連結されたサブモデル（Ｍ１，Ｍ２）を含む視力矯正手術関連モデル（Ｍ）に関する図である。図８を参考にすれば、視力矯正手術関連モデル（Ｍ）は、直列的に連結された第１サブモデル（Ｍ１）及び第２サブモデル（Ｍ２）を含むことができる。第１サブモデル（Ｍ１）は、入出力データに基づいて出力を算出し、第２サブモデル（Ｍ２）は第１サブモデル（Ｍ１）の出力に基づいて予測結果を算出することができる。
【0118】
視力矯正手術関連モデルは、並列的に連結された複数のサブモデルを含むことができる。ここで、サブモデルが並列的に連結されたということは、第１サブモデルの出力が第２サブモデルの出力に依存しないなどのサブモデルの出力が異なるサブモデルの出力に影響を及ぼさないことを含んでもよい。
【0119】
並列的に連結された複数のサブモデルの入力は同一であってもよい。または、並列的に連結された複数のサブモデルの入力は異なっても良い。例えば、第１サブモデルに入力される第１検診データは、第２サブモデルに入力される第２検診データと異なってもよい。
【0120】
前記第１検診データは、前記第２検診データに比べて少なくとも一部他の変数を含むことができる。例えば、前記第１検診データは、視力矯正手術選好度を含むが、前記第２検診データは視力矯正手術選好度を含まなくてもよい。
【0121】
前記第１検診データは、前記第２検診データと同じ種類の変数を含むが、その値が異なることもある。例えば、前記第１検診データ及び前記第２検診データは、角膜厚さを含むが、その数値を取得した方法が相異なって（例えば、それぞれ異なる装置により角膜厚さを測定する）、数値が異なることができる。
【0122】
視力矯正手術関連モデルは、並列的に連結された複数のサブモデルの出力に基づいて出力を算出する出力サブモデルを含むことができる。一例で、複数のサブモデルの出力が同じ場合、出力サブモデルは、前記同じ出力を提供することができる。他の例で、複数のサブモデルの出力が異なる場合、出力サブモデルは、前記複数のサブモデルの出力を一定比率で考慮した結果を出力したり、前記複数の出力中の特定出力を提供することができる。また、他の例で、出力サブモデルは、複数のサブモデルの出力に基づいて生成された結果を出力することができる。
【0123】
図９は、一実施例による並列的に連結されたサブモデル（Ｍ１，Ｍ２）を含む視力矯正手術関連モデル（Ｍ）に関する図である。図９を参考にすれば、視力矯正手術関連モデル（Ｍ）は、並列的に連結された第１サブモデル（Ｍ１）及び第２サブモデル（Ｍ２）を含むことができる。また、視力矯正手術関連モデル（Ｍ）は、第１サブモデル（Ｍ１）及び第２サブモデル（Ｍ２）の出力に基づいて出力を算出する出力サブモデル（Ｍ３）を含むことができる。第１サブモデル（Ｍ１）及び第２サブモデル（Ｍ２）は、入出力データに基づいてそれぞれ第１出力及び第２出力を算出し、出力サブモデル（Ｍ３）は、第１出力及び第２出力に基づいて予測結果を算出することができる。
【0124】
並列的に連結されたサブモデルを含む視力矯正手術関連モデルの例では、アンサンブル（ｅｎｓｅｍｂｌｅ）があってもよいが、これに限定されない。
【0125】
以下では、視力矯正手術関連モデルの個別的な例示に関し説明する。
【0126】
手術適否予測モデルは、被検者に視力矯正手術が適合するか、適合しないを予測することができる。手術適否予測モデルは、入力データに基づいて手術適否を予測することができる。
【0127】
視力矯正手術の適否は、医学的な適否を意味することになる。これに伴い、手術適否予測モデルの入力データは、被検者の視力矯正手術選好度を含まなくてもよい。または、手術適否予測モデルは、被検者の視力矯正手術選好度を考慮せずに、手術適否を予測することができる。
【0128】
手術適否は、手術が可能であるか否か及び手術が必要であるか否かを含むことができる。一例で、手術適否予測モデルは、視力が良くて手術する必要がない被検者を手術非適合として判断することができる。他の例で、手術適否予測モデルは、視力矯正手術で視力増加が不可能な被検者を手術非適合として判断することができる。
【0129】
手術適否は、手術適合／非適合に出力されることができる。または、手術適否は手術適合度を数値化したり、視角化して出力されることができる。
【0130】
レーザー手術可否予測モデルは、被検者にレーザーを利用する視力矯正手術が可能であるか否かを予測することができる。ここで、レーザーを利用する視力矯正手術は、レーザーを利用した角膜切削を通じて視力を矯正する手術を意味することになる。レーザー手術可否予測モデルは、入力データに基づいてレーザー手術可否を予測することができる。
【0131】
レーザーを利用する視力矯正手術の可否は、医学的な可否を意味することになる。これに伴い、レーザー手術可否予測モデルの入力データは、被検者の視力矯正手術選好度を含まなくてもよい。または、レーザー手術可否予測モデルは、被検者の視力矯正手術選好度を考慮せずに、レーザー手術可否を予測することができる。
【0132】
レーザー手術可否は、レーザー手術が可能／不可能に出力されることができる。または、レーザー手術可否は、手術の可能性を数値化したり、視角化して出力されることができる。
【0133】
角膜形状因子予測モデルは、被検者の視力矯正手術後の角膜形状因子を予測することができる。前記モデルは、一つ以上の角膜形状因子を予測することができる。角膜形状因子予測モデルは、入力データに基づいて角膜形状因子を予測することができる。
【0134】
角膜形状因子予測モデルの入力データは、手術パラメーターを含むことができる。例えば、前記入力データは、手術の種類を手術パラメーターとして含むことができる。前記モデルは、入力された手術パラメーターに対応する角膜形状因子を予測することができる。一例で、入力データが、レーシック、ラセック及び小切開レンチキュラー抽出を手術パラメーターとして含む場合、前記モデルの出力は、レーシック後の角膜形状因子予測値、ラセック後の角膜形状因子予測値及び小切開レンチキュラー抽出後の角膜形状因子予測値を含むことができる。他の例で、入力データが、スタンダード視力矯正手術及びカスタム視力矯正手術を手術パラメーターとして含む場合、前記モデルの出力はスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値を含むことができる。
【0135】
角膜形状因子予測モデルは、その入力データが手術パラメーターを含むか否かに関係せずに、予め決まった手術パラメーターに対応する角膜形状因子を予測することができる。例えば、前記モデルがスタンダード視力矯正手術後の角膜形状因子及びカスタム視力矯正手術後の角膜形状因子を予測するように学習された場合、前記モデルの入力データが手術パラメーターを含まなくても前記モデルは、スタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値を出力することができる。
【0136】
表１は一実施例による角膜形状因子予測モデルの出力である。表１を参考にすれば、角膜形状因子予測モデルは被検者のＩＨＤ，ＩＳＶ及びＩＶＡ値を出力することができる。また、角膜形状因子予測モデルは、視力矯正手術前取得した被検者のＩＨＤ，ＩＳＶ，ＩＶＡ測定値、スタンダード視力矯正手術後に予想されるＩＨＤ，ＩＳＶ，ＩＶＡ予測値及びカスタム視力矯正手術後に予想されるＩＨＤ，ＩＳＶ，ＩＶＡ予測値を含むことができる。
【0137】
【0138】
カスタム視力矯正手術必要性予測モデルは被検者にカスタム視力矯正手術が必要であるか否かを予測することができる。カスタム視力矯正手術必要性予測モデルは、入力データに基づいてカスタム視力矯正手術必要性を予測することができる。
【0139】
カスタム視力矯正手術必要性予測モデルは、被検者の視力矯正手術選好度を考慮せずに、カスタム視力矯正手術必要性を予測することができる。または、カスタム視力矯正手術必要性予測モデルは、被検者の視力矯正手術選好度を考慮してカスタム視力矯正手術必要性を予測することができる。被検者の視力矯正手術選好度を考慮するか否かにより、カスタム視力矯正手術必要性予測モデルの出力が変わることができる。
【0140】
カスタム視力矯正手術必要性予測モデルは、角膜形状因子及び角膜トポグラフィー画像のような眼球特性データに基づいて被検者にカスタム視力矯正手術が必要であるか否かを判断することができる。
【0141】
カスタム視力矯正手術必要性予測モデルは、角膜形状因子の絶対的な数値に基づいてカスタム視力矯正手術必要性を判断することができる。例えば、カスタム視力矯正手術必要性予測モデルは、角膜形状因子が一定範囲外にある場合、被検者にカスタム視力矯正手術が必要であると予測することができる。
【0142】
カスタム視力矯正手術必要性予測モデルは、角膜形状因子の相対的な数値に基づいてカスタム視力矯正手術必要性を判断することができる。例えば、カスタム視力矯正手術必要性予測モデルは、スタンダード視力矯正手術後の角膜形状因子及びカスタム視力矯正手術後の角膜形状因子の差を比較して、カスタム視力矯正手術必要性を判断することができる。
【0143】
視力矯正手術提案モデルは、被検者に対応する視力矯正手術を提案することができる。一例で、前記モデルは、一つの視力矯正手術を出力することができる。他の例で、前記モデルは、複数の視力矯正手術を出力することができる。また、他の例で、前記モデルは、複数の視力矯正手術をその優先順位に対する情報とともに出力することができる。
【0144】
視力矯正手術提案モデルは、入力データに基づいて視力矯正手術を提案することができる。
【0145】
被検者に対応する視力矯正手術は、視力矯正手術提案モデルが被検者の視力矯正手術選好度を考慮せずに算出した視力矯正手術を意味することになる。または、被検者に対応する視力矯正手術は、視力矯正手術提案モデルが被検者の視力矯正手術選好度を考慮して算出した視力矯正手術を意味することになる。被検者の視力矯正手術選好度を考慮するか否かにより視力矯正手術提案モデルの出力が変わることができる。
【0146】
視力矯正手術提案モデルの出力は、カスタム視力矯正手術必要性が考慮されたことであってもよい。例えば、前記出力は、スタンダードレーシック、カスタムレーシック、スタンダードラセック、カスタムラセック、スタンダード小切開レンチキュラー抽出、カスタム小切開レンチキュラー抽出などのようにカスタム視力矯正手術必要性が考慮されたことであってもよい。
【0147】
または、視力矯正手術提案モデルの出力は、カスタム視力矯正手術必要性が考慮されなかったことであってもよい。例えば、前記出力は、レーシック、ラセック、小切開レンチキュラー抽出、レンズ挿入術などのようにカスタム視力矯正手術必要性が考慮されなかったことであってもよい。
【0148】
視力矯正手術提案モデルは、視力矯正手術後の視力の質に基づいて視力矯正手術を提案することができる。例えば、前記モデルは、複数の視力矯正手術に対応する視力矯正手術後の視力予測値に基づいて視力矯正手術を提案することができる。
【0149】
表２は一実施例による視力矯正手術提案モデルの出力である。表２を参考にすれば、視力矯正手術提案モデルは、レーシック、ラセック及び小切開レンチキュラー抽出手術を適合度のような優先順位に対する情報とともに出力することができる。表２の場合、小切開レンチキュラー抽出に対応する値がレーシック及びラセックに対応する値より大きく、これは、視力矯正手術提案モデルが小切開レンチキュラー抽出を第１順位で提案することを意味することになる。表２の方式の他にも優先順位を示す多様な方式で優先順位に対する情報が出力されることができる。
【0150】
【0151】
手術パラメーター提案モデルは、手術パラメーターを提案することができる。前記モデルは、一つ以上の手術パラメーターを提案することができる。手術パラメーター提案モデルは、入力データに基づいて手術パラメーターを提案することができる。
【0152】
手術パラメーター提案モデルの入力データは、イメージ形態のデータを含むことができる。ここで、前記イメージは角膜トポグラフィー図とともに装置を利用する測定及び／または検査を通じて取得したイメージであってもよい。または、前記イメージは測定された数値を基に内挿（ｉｎｔｅｒｐｏｌａｔｉｏｎ）、外挿（ｅｘｔｒａｐｏｌａｔｉｏｎ）、人工知能等を通して生成されたイメージであってもよい。例えば、前記イメージは角膜形状因子から生成されたイメージであってもよい。
【0153】
手術パラメーター提案モデルがイメージに基づいて提案された手術パラメーターを基に実行された視力矯正手術後の手術結果は、数値に基づいて提案された手術パラメーターを基に実行された視力矯正手術後の手術結果より良いこともある。例えば、前記モデルが角膜トポグラフィー画像に基づいて提案された手術パラメーターを基に実行された視力矯正手術後の手術結果は、ＩＨＤ、ＩＳＶ、ＩＶＡなどと同じ角膜形状因子に基づいて提案された手術パラメーターを基に実行された視力矯正手術後の手術結果より良いこともある。ここで、手術結果は、手術後視力の質を意味することになる。または、手術結果は手術後角膜の形状を意味することになる。
【0154】
視力予測モデルは、被検者の視力矯正手術後の視力を予測することができる。視力予測モデルは、入力データに基づいて視力予測値を出力することができる。前記モデルは一つ以上の視力を予測することができる。
【0155】
視力予測モデルの入力データは、手術パラメーターを含むことができる。例えば、前記入力データは、手術の種類を手術パラメーターとして含むことができる。前記モデルは、入力された手術パラメーターに対応する視力を予測することができる。一例で、入力データがレーシック、ラセック及び小切開レンチキュラー抽出を手術パラメーターとして含む場合、前記モデルの出力はレーシック後の視力予測値、ラセック後の視力予測値及び小切開レンチキュラー抽出後の視力予測値を含むことができる。他の例で、入力データがスタンダード視力矯正手術及びカスタム視力矯正手術を手術パラメーターとして含む場合、前記モデルの出力は、スタンダード視力矯正手術後の視力予測値及びカスタム視力矯正手術後の視力予測値を含むことができる。
【0156】
視力予測モデルは、その入力データが手術パラメーターを含むか否かに関係なく、予め決まった手術パラメーターに対応する視力を予測することができる。例えば、前記モデルがスタンダード視力矯正手術後の視力及びカスタム視力矯正手術後の視力を予測するように学習された場合、前記モデルの入力データが手術パラメーターを含まなくても前記モデルは、スタンダード視力矯正手術後の視力予測値及びカスタム視力矯正手術後の視力予測値を出力することができる。
【0157】
視力予測モデルは、複数の互いに異なる時刻に対応する視力を予測することができる。例えば、前記モデルは、視力矯正手術後の第１時刻及び第２時刻に対応する視力を予測することができる。複数のそれぞれ異なる時刻の例では、視力矯正手術後の一日、１週間、１ヶ月、６ヶ月、１年などがあるが、これに限定されない。
【0158】
視力予測モデルは、複数の互いに異なる時刻に対応する視力予測値に基づいて被検者の視力回復速度を予測することができる。例えば、前記モデルは、視力矯正手術後の第１時刻及び第２時刻に基づいて視力回復速度を予測することができる。
【0159】
予想視力イメージ生成モデルは、被検者の視力矯正手術後の視野を予測することができる。前記モデルは、被検者の視力矯正手術後の視力の質を視角化したイメージ（以下「予想視力イメージ」と称する）を生成することができる。前記モデルが予想視力イメージを出力することにより、被検者に視力矯正手術に対して更に容易に説明することができる。前記モデルが視力矯正手術後の視野を視角化して出力することにより、被検者は、視力矯正手術後の予想される結果に対して更に明確に理解でき、これを通じて視力矯正手術の選択に役に立つことができる。
【0160】
予想視力イメージ生成モデルの入力データは、手術パラメーターを含むことができる。例えば、前記入力データは、手術の種類を手術パラメーターとして含むことができる。前記モデルは、入力された手術パラメーターに対応する予想視力イメージを予測することができる。一例で、入力データがレーシック、ラセック及び小切開レンチキュラー抽出を手術パラメーターとして含む場合、前記モデルの出力は、レーシック後の予想視力イメージ、ラセック後の予想視力イメージ及び小切開レンチキュラー抽出後の予想視力イメージを含むことができる。他の例で、入力データがスタンダード視力矯正手術及びカスタム視力矯正手術を手術パラメーターとして含む場合、前記モデルの出力は、スタンダード視力矯正手術後の予想視力イメージ及びカスタム視力矯正手術後の予想視力イメージを含むことができる。また、他の例で、入力データが複数の手術範囲（ｏｐｔｉｃ ｚｏｎｅ）を含む場合、前記モデルの出力は、前記複数の手術範囲に対応する複数の予想視力イメージを含むことができる。
【0161】
予想視力イメージ生成モデルは、その入力データが手術パラメーターを含むか否かに関係なく、予め決まった手術パラメーターに対応する予想視力イメージを生成することができる。例えば、前記モデルがスタンダード視力矯正手術後の予想視力イメージ及びカスタム視力矯正手術後の予想視力イメージを生成するように学習された場合、前記モデルの入力データが手術パラメーターを含まなくても前記モデルは、スタンダード視力矯正手術後の予想視力イメージ及びカスタム視力矯正手術後の予想視力イメージを出力することができる。
【0162】
予想視力イメージは、被検者の視力矯正手術後に予想される視力の鮮明度、光のにじみ、対比感度、夜間視力、眩しい、複視、残像のうち、少なくとも１つに対する情報を含むことができる。
図１０は一実施例による予想視力イメージに関する図である。図１０ａを参考にすれば、予想視力イメージ（Ｉ１，Ｉ２）は、視力の鮮明度に関する情報を視角化して表現することができる。図１０ｂを参考にすれば、予想視力イメージ（Ｉ３，Ｉ４，Ｉ５，Ｉ６）は、光のにじみに関する情報を視角化して表現することができる。
複数の予想視力イメージはそれぞれ異なる手術パラメーターに対応することができる。図１０ａを参考にすれば、第１予想視力イメージ（Ｉ１）はカスタム視力矯正手術後の視力の鮮明度に対応し、第２予想視力イメージ（Ｉ２）はスタンダード視力矯正手術後の視力の鮮明度に対応することができる。図１０ｂを参考にすれば、第３乃至第６予想視力イメージ（Ｉ３－Ｉ６）はそれぞれ異なる手術範囲（ｏｐｔｉｃ ｚｏｎｅ）に対応する予想視力イメージであってもよい。例えば、第３予想視力イメージ（Ｉ３）の手術範囲は、第４乃至第６予想視力イメージ（Ｉ４－Ｉ６）の手術範囲より大きいこともある。
図１０は一実施例による予想視力イメージに関する図である。図１０ａを参考にすれば、予想視力イメージ（Ｉ１，Ｉ２）は、視力の鮮明度に関する情報を視角化して表現することができる。図１０ｂを参考にすれば、予想視力イメージ（Ｉ３，Ｉ４，Ｉ５，Ｉ６）は、光のにじみに関する情報を視角化して表現することができる。
複数の予想視力イメージはそれぞれ異なる手術パラメーターに対応することができる。図１０ａを参考にすれば、第１予想視力イメージ（Ｉ１）はカスタム視力矯正手術後の視力の鮮明度に対応し、第２予想視力イメージ（Ｉ２）はスタンダード視力矯正手術後の視力の鮮明度に対応することができる。図１０ｂを参考にすれば、第３乃至第６予想視力イメージ（Ｉ３－Ｉ６）はそれぞれ異なる手術範囲（ｏｐｔｉｃ ｚｏｎｅ）に対応する予想視力イメージであってもよい。例えば、第３予想視力イメージ（Ｉ３）の手術範囲は、第４乃至第６予想視力イメージ（Ｉ４－Ｉ６）の手術範囲より大きいこともある。
【0163】
一実施例による予想視力イメージは、フィルターを利用するフィルタリングを通じて生成されることができる。ここで、フィルタリングは、一般的なイメージプロセッシング分野で利用される概念としてイメージとフィルターを コンボリューション（ｃｏｎｖｏｌｕｔｉｏｎ）して、フィルタリングされたイメージを生成することを意味してもよい。フィルターの例では、平均フィルター（ａｖｅｒａｇｅ ｆｉｌｔｅｒ）、加重平均フィルター（ｗｅｉｇｈｔｅｄ ａｖｅｒａｇｅ ｆｉｌｔｅｒ）、ローパスフィルタ（ｌｏｗ－ｐａｓｓ ｆｉｌｔｅｒ）、ガウスフィルター（Ｇａｕｓｓｉａｎ ｆｉｌｔｅｒ）、中間値フィルター（ｍｅｄｉａｎ ｆｉｌｔｅｒ）， バイラテラルフィルター（ｂｉｌａｔｅｒａｌ ｆｉｌｔｅｒ）、ぼかしフィルター（ｂｌｕｒｒｉｎｇ ｆｉｌｔｅｒ）、ハイパスフィルター（ｈｉｇｈ－ｐａｓｓ ｆｉｌｔｅｒ）、アンシャープマスキング（ｕｎｓｈａｒｐ ｍａｓｋｉｎｇ）、ハイブーストフィルター（ｈｉｇｈ－ｂｏｏｓｔ ｆｉｌｔｅｒ）、シャープニングフィルター（ｓｈａｒｐｅｎｉｎｇ ｆｉｌｔｅｒ）等があるが、これに限定されない。
【0164】
図１１は一実施例によるフィルターを利用する予想視力イメージ生成モデル（Ｍ１７）に関する図である。図１１を参考にすれば、予想視力イメージ生成モデル（Ｍ１７）は、第１サブモデル（Ｍ１７１）及び第２サブモデル（Ｍ１７２）を含むことができる。
【0165】
第１サブモデル（Ｍ１７１）は、入力データに基づいてフィルターを算出及び／または選択することができる。一例で、前記入力データは、被検者の視力矯正手術後の眼球特性データ予測値を含み、第１サブモデル（Ｍ１７１）は、前記眼球特性データ予測値に基づいてフィルターを算出及び／または選択することができる。他の例で、前記入力データは、被検者の眼球特性データ測定値及び手術パラメーターを含み、第１サブモデル（Ｍ１７１）は、前記眼球特性データ測定値及び前記手術パラメーターに基づいてフィルターを算出及び／または選択することができる。
【0166】
第２サブモデル（Ｍ１７２）は、第１サブモデル（Ｍ１７１）により算出及び／または選択したフィルターに基づいて、予想視力イメージを生成することができる。例えば、第２サブモデル（Ｍ１７２）は、原本イメージに前記フィルターを適用して予想視力イメージを生成することができる。ここで、原本イメージは、予想視力イメージを生成するための基になるイメージと予想視力イメージ生成モデル（Ｍ１７）の外部から入力されることもでき、前記モデル（Ｍ１７）に含まれてもよい。
【0167】
角膜トポグラフィー画像予測モデルは、被検者の視力矯正手術後の角膜トポグラフィー画像を予測することができる。前記モデルは一つ以上の角膜トポグラフィー画像を予測することができる。角膜トポグラフィー画像予測モデルは入力データに基づいて角膜トポグラフィー画像を生成することができる。
【0168】
角膜トポグラフィー画像予測モデルの入力データは、手術パラメーターを含むことができる。例えば、前記入力データは、手術の種類を手術パラメーターとして含むことができる。前記モデルは入力された手術パラメーターに対応する角膜トポグラフィー画像を予測することができる。一例で、入力データがレーシック、ラセック及び小切開レンチキュラー抽出を手術パラメーターとして含む場合、前記モデルの出力は、レーシック後角膜トポグラフィー画像、ラセック後角膜トポグラフィー画像及び小切開レンチキュラー抽出後角膜トポグラフィー画像を含むことができる。他の例で、入力データがスタンダード視力矯正手術及びカスタム視力矯正手術を手術パラメーターとして含む場合、前記モデルの出力は、スタンダード視力矯正手術後の角膜トポグラフィー画像及びカスタム視力矯正手術後の角膜トポグラフィー画像を含むことができる。
【0169】
角膜トポグラフィー画像予測モデルは、その入力データが手術パラメーターを含むか否か関係なく、予め決まった手術パラメーターに対応する角膜トポグラフィー画像を生成することができる。例えば、前記モデルがスタンダード視力矯正手術後の視力及びカスタム視力矯正手術後の角膜トポグラフィー画像を生成するように学習された場合、前記モデルの入力データが手術パラメーターを含まなくても前記モデルは、スタンダード視力矯正手術後の角膜トポグラフィー画像及びカスタム視力矯正手術後の角膜トポグラフィー画像を出力することができる。
【0170】
角膜トポグラフィー画像予測モデルの入力データは、視力矯正手術前に測定された被検者の角膜トポグラフィー画像を含むことができる。図１２は一実施例による角膜トポグラフィー画像に関する図である。図１２を参考にすれば、角膜トポグラフィー画像予測モデル（Ｍ１８）は、視力矯正手術前に測定された被検者の角膜トポグラフィー画像（ＣＩ１）に基づいて、前記被検者の視力矯正手術後の角膜トポグラフィー画像（ＣＩ２）を予測することができる。図１２には前記モデル（Ｍ１８）に角膜トポグラフィー画像（ＣＩ１）のみが入力されることで図示されたが、この他にも他の入力データが共に入力されることができる。
【0171】
予測結果算出原因分析モデルは、視力矯正手術関連モデルにより生成した予測結果が算出された原因を分析することができる。前記モデルは、視力矯正手術関連モデルの入力データに対する依存性を算出することができる。ここで、依存性とは、入力データの特定変数が予測結果にいかなる影響を及ぼすかを含むことができる。
【0172】
予測結果算出原因分析モデルは、予測結果算出原因を出力することができる。前記モデルは、一つ以上の予測結果算出原因を出力することができる。以下では説明の便宜のために、予測結果算出原因が依存係数のような数値で示される場合に対して説明するが、予測結果算出原因がこれに対し限定されるもではなく、数値、イメージ、テキスト及びその組合など、その表現方式に制限されない。
【0173】
予測結果算出原因分析モデルは、依存係数の少なくとも一部を出力することができる。例えば、前記モデルは、算出した依存係数全部を出力することができる。
【0174】
予測結果算出原因分析モデルは、算出した依存係数のうち、一定範囲に属する依存係数を出力することができる。例えば、前記モデルは、算出した依存係数のうち、予め決まった値より大きい依存係数を出力することができる。または、前記モデルは、算出した依存係数のうちその絶対値が予め決まった値より大きい場合、これを出力することができる。
【0175】
予測結果算出原因分析モデルは、所定個数の依存係数を出力することができる。例えば、前記モデルは、予め決まった個数の依存係数を出力することができる。
【0176】
予測結果算出原因分析モデルは、手術適否予測原因の分析モデル、レーザー手術可否予測原因の分析モデル、角膜形状因子予測原因の分析モデル、カスタム視力矯正手術必要性予測原因の分析モデル、視力矯正手術提案原因の分析モデル、手術パラメーター提案原因の分析モデル、視力予測原因の分析モデル、予想視力イメージ生成原因の分析モデル及び角膜トポグラフィー画像予測原因の分析モデルを含むことができる。例えば、視力予測原因の分析モデルは、視力予測モデルの入力データに含まれる変数がいかなる影響を及ぼして、視力予測モデルが視力を予測したかを算出することができる。または、視力予測原因の分析モデルは、視力予測モデルが算出した視力予測値の視力予測モデルの入力データに対する依存性を算出することができる。
【0177】
予測結果算出原因分析モデルは、視力矯正手術関連モデルのうち、少なくとも一部を含むことができる。例えば、視力予測原因の分析モデルは視力予測モデルを含むことができる。
【0178】
図１３は一実施例による視力矯正手術関連モデル（Ｍ１９２）を含む予測結果算出原因分析モデル（Ｍ１９）に関する図である。図２７を参考にすれば、予測結果算出原因分析モデル（Ｍ１９）は、入力データ撹乱モデル（Ｍ１９１）、視力矯正手術関連モデル（Ｍ１９２）及び予測結果分析モデル（Ｍ１９３）を含むことができる。
【0179】
入力データ撹乱モデル（Ｍ１９１）は、入力データに基づいて撹乱された入力データを出力することができる。前記モデル（Ｍ１９１）は、一つ以上の撹乱された入力データを出力することができる。ここで、入力データの撹乱（ｐｅｒｔｕｒｂａｔｉｏｎ）とは、前記入力データに含まれる少なくとも一部変数の値を変更するなど、入力データを変更することを意味する。例えば、変数が数値である場合、撹乱は、前記数値を増加させたり減少させることを意味することになる。または、変数がイメージである場合、撹乱は、前記イメージの少なくとも一部ピクセルのピクセル値を増加させたり減少させることを意味することになる。
【0180】
視力矯正手術関連モデル（Ｍ１９２）は、入力データ及び撹乱された入力データに基づいて、前記入力データに対応する第１予測結果及び前記撹乱された入力データに対応する第２予測結果を出力することができる。例えば、予測結果算出原因分析モデル（Ｍ１９）が含む視力矯正手術関連モデル（Ｍ１９２）が視力予測モデルである場合、第１予測結果及び第２予測結果は、それぞれ異なる視力予測値であってもよい。また、撹乱された入力データが複数である場合、前記モデルは、前記複数の撹乱された入力データに対応する複数の予測結果を出力することができる。
【0181】
予測結果分析モデル（Ｍ１９３）は、予測結果に基づいて予測結果算出原因を出力することができる。例えば、前記モデル（Ｍ１９３）は撹乱されなかった入力データから算出された第１予測結果、及び撹乱された入力データから算出された第２予測結果の差に基づいて予測結果算出原因を算出することができる。具体的に、前記第１予測結果、及び第１変数が撹乱された入力データから算出された第２予測結果の差に基づいて、前記第１予測結果の前記第１変数に対する依存性を算出することができる。
【0182】
図１４は、一実施例による予測結果算出原因に関する図面であり、具体的には視力予測原因に関する図である。図１４を参考にすれば、予測結果算出原因は、数値及びイメージで示されることができる。図１４に示されたＣｏｒｎｅａ＿Ｂａｃｋ＿Ｒｍｉｎ（Ｖ１）、Ａｓｔｉｇｍａｔｉｓｍ（Ｖ２）、Ｍｏｎｏ（Ｖ３）、Ｎｅａｒｓｉｇｈｔｅｄｎｅｓｓ（Ｖ４）、Ｏｐ＿ｆｌａｇ（Ｖ５）及びＰｕｐｉｌ＿Ｄｉａ（Ｖ６）と同じ文字は、入力データに含まれる変数に対応することができる。前記文字に対応するように示された５．９５（Ｎ１）、－０．５（Ｎ２）、０（Ｎ３）、－１．３７（Ｎ４）、２（Ｎ５）、３．１（Ｎ６）等は入力データに含まれる変数の数値に対応することができる。
【0183】
予測結果の変数に対する依存性は視角化されて示されることができる。例えば、前記依存性は、矢印の長さ、色、方向などによって示されることができる。図１４を参考にすれば、矢印の長さは依存係数の絶対値に対応することができる。また、矢印の方向及び色は依存係数の符号に対応することができる。図１４において、視力予測値（ＯＶ）は１．１８であり、Ｃｏｒｎｅａ＿Ｂａｃｋ＿Ｒｍｉｎ（Ｖ１）、Ａｓｔｉｇｍａｔｉｓｍ（Ｖ２）、Ｍｏｎｏ（Ｖ３）及びＮｅａｒｓｉｇｈｔｅｄｎｅｓｓ（Ｖ４）は、視力予測値に肯定的な影響を及ぼし、Ｏｐ＿ｆｌａｇ（Ｖ５）及びＰｕｐｕｌ＿Ｄｉａ（Ｖ６）は、視力予測値に否定的な影響を及ぼすと解釈されることができる。
【0184】
予測結果算出原因分析モデルの例では、ＬＩＭＥ（Ｌｏｃａｌ Ｉｎｔｅｒｐｒｅｔａｂｌｅ Ｍｏｄｅｌ－ａｇｎｏｓｔｉｃ Ｅｘｐｌａｎａｔｉｏｎｓ）等があるが、これに限定されない。
【0185】
視力矯正手術関連モデルは、互いに組合わされることができる。前記モデルは、直列的に連結及び並列的に連結のうち、少なくとも１つによって組合わされることができる。
【0186】
視力矯正手術関連モデルが直列的に連結されたとのことは、少なくとも１つの視力矯正手術関連モデルの出力に基づいて、少なくとも他の一つの視力矯正手術関連モデルの出力が算出されることを含んでもよい。
【0187】
視力矯正手術関連モデルが並列的に連結されたとのことは、視力矯正手術関連モデルの出力が異なる視力矯正手術関連モデルの出力に影響を及ぼさないことを含んでもよい。
【0188】
以下では視力矯正手術関連モデルの組合に対する実施例に対して調べる。
【0189】
図１５は一実施例による視力矯正手術関連モデルの直列的連結に関する図である。図１５を参考にすれば、第１視力矯正手術関連モデル（Ｍａ）及び第２視力矯正手術関連モデル（Ｍｂ）は、直列的連結によって組合わされることができる。第１視力矯正手術関連モデル（Ｍａ）は第１入力データ、及び前記第２視力矯正手術関連モデル（Ｍｂ）は第２入力データが入力して出力された第２予測結果に基づいて、第１予測結果を算出することができる。
【0190】
【0191】
図１６を参考にすれば、カスタム視力矯正手術必要性予測モデル（Ｍ１３）は、角膜形状因子予測モデル（Ｍ１２）が第２入力データを入力されて出力した角膜形状因子、及び第１入力データに基づいて被検者のカスタム視力矯正手術必要性を予測することができる。
【0192】
図１７を参考にすれば、視力矯正手術提案モデル（Ｍ１４）は、角膜形状因子予測モデル（Ｍ１２）が第２入力データを入力されて出力した角膜形状因子、及び第１入力データに基づいて被検者に対応する視力矯正手術を提案することができる。
【0193】
図１８を参考にすれば、予想視力イメージ生成モデル（Ｍ１７）は、角膜形状因子予測モデル（Ｍ１２）が第２入力データを入力されて出力した角膜形状因子、及び第１入力データに基づいて被検者の視力矯正手術後に予想視力イメージを生成することができる。
【0194】
図１９を参考にすれば、角膜トポグラフィー画像予測モデル（Ｍ１８）は、角膜形状因子予測モデル（Ｍ１２）が第２入力データを入力されて出力した角膜形状因子、及び第１入力データに基づいて被検者の視力矯正手術後角膜トポグラフィー画像を予測することができる。
【0195】
図２０は一実施例によるカスタム視力矯正手術必要性予測モデルの出力に基づいた視力矯正手術関連モデルの出力算出に関する図である。図２０を参考にすれば、視力矯正手術提案モデル（Ｍ１４）は、カスタム視力矯正手術必要性予測モデル（Ｍ１３）が第２入力データを入力されて出力したカスタム視力矯正手術必要性、及び第１入力データに基づいて被検者に対応する視力矯正手術を提案することができる。
【0196】
【0197】
図２１を参考にすれば、角膜形状因子予測モデル（Ｍ１２）は視力矯正手術提案モデル（Ｍ１４）が第２入力データを入力されて出力した視力矯正手術及び第１入力データに基づいて被検者の前記視力矯正手術後の角膜形状因子を予測することができる。
【0198】
図２２を参考にすれば、視力予測モデル（Ｍ１６）は、視力矯正手術提案モデル（Ｍ１４）が第２入力データを入力されて出力した視力矯正手術、及び第１入力データに基づいて被検者の前記視力矯正手術後の視力予測値を算出することができる。
【0199】
予想視力イメージ生成モデルは、視力矯正手術提案モデルが第２入力データを入力されて出力した視力矯正手術、及び第１入力データに基づいて被検者の前記視力矯正手術後の予想視力イメージを生成することができる。
【0200】
角膜トポグラフィー画像予測モデルは、視力矯正手術提案モデルが第２入力データを入力されて出力した視力矯正手術、及び第１入力データに基づいて被検者の前記視力矯正手術後の角膜トポグラフィー画像を予測することができる。
【0201】
図２３は、一実施例による手術パラメーター提案モデルの出力に基づいた視力矯正手術関連モデルの出力算出に関する図である。
【0202】
図２３を参考にすれば、視力予測モデル（Ｍ１６）は、手術パラメーター提案モデル（Ｍ１５）が第２入力データを入力されて出力した手術パラメーター及び第１入力データに基づいて被検者の視力矯正手術後の視力予測値を算出することができる。
【0203】
角膜形状因子予測モデルは、手術パラメーター提案モデルが第２入力データを入力されて出力した手術パラメーター、及び第１入力データに基づいて被検者の視力矯正手術後の角膜形状因子を予測することができる。
【0204】
予想視力イメージ生成モデルは、手術パラメーター提案モデルが第２入力データを入力されて出力した手術パラメーター、及び第１入力データに基づいて被検者の視力矯正手術後の予想視力イメージを生成することができる。
【0205】
角膜トポグラフィー画像予測モデルは、手術パラメーター提案モデルが第２入力データを入力されて出力した手術パラメーター、及び第１入力データに基づいて被検者の視力矯正手術後角膜トポグラフィー画像を予測することができる。
【0206】
【0207】
図２４を参考にすれば、視力矯正手術提案モデル（Ｍ１４）は、視力予測モデル（Ｍ１６）が第２入力データを入力されて出力した視力予測値、及び第１入力データに基づいて被検者に対応する視力矯正手術を提案することができる。
【0208】
図２５を参考にすれば、予想視力イメージ生成モデル（Ｍ１７）は、視力予測モデル（Ｍ１６）が第２入力データを入力されて出力した視力予測値、及び第１入力データに基づいて被検者の視力矯正手術後の予想視力イメージを生成することができる。
【0209】
【0210】
図２６を参考にすれば、カスタム視力矯正手術必要性予測モデル（Ｍ１３）は、角膜トポグラフィー画像予測モデル（Ｍ１８）が第２入力データを入力されて出力した角膜トポグラフィー画像、及び第１入力データに基づいて被検者のカスタム視力矯正手術必要性を予測することができる。
【0211】
図２７を参考にすれば、視力矯正手術提案モデル（Ｍ１４）は、角膜トポグラフィー画像予測モデル（Ｍ１８）が第２入力データを入力されて出力した角膜トポグラフィー画像及び第１入力データに基づいて被検者に対応する視力矯正手術を提案することができる。
【0212】
角膜形状因子予測モデルは、角膜トポグラフィー画像予測モデルが第２入力データを入力されて出力した角膜トポグラフィー画像、及び第１入力データに基づいて被検者の視力矯正手術後の角膜形状因子を予測することができる。
【0213】
予想視力イメージ生成モデルは、角膜トポグラフィー画像予測モデルが第２入力データを入力されて出力した角膜トポグラフィー画像、及び第１入力データに基づいて被検者の視力矯正手術後の予想視力イメージを生成することができる。
【0214】
３つ以上の視力矯正手術関連モデルは、互いに直列的及び／または並列的に組合わされることができる。図２８は一実施例による３つ以上の視力矯正手術関連モデルの組合せを説明するための図である。図２８を参考にすれば、第１視力矯正手術関連モデル（Ｍａ）は、第２視力矯正手術関連モデル（Ｍｂ）が第２入力データを入力されて出力した第２予測結果、第３視力矯正手術関連モデル（Ｍｃ）が第３入力データを入力されて出力した第３予測結果、及び第１入力データを入力されて第１予測結果を算出することができる。ここで、第１視力矯正手術関連モデル（Ｍａ）は、第２視力矯正手術関連モデル（Ｍｂ）及び第３視力矯正手術関連モデル（Ｍｃ）と直列的に連結されたと見ることができる。また、第２視力矯正手術関連モデル（Ｍｂ）及び第３視力矯正手術関連モデル（Ｍｃ）は並列的に連結されたと見ることができる。
【0215】
【0216】
図２９を参考にすれば、視力矯正手術提案モデル（Ｍ１４）は、角膜形状因子予測モデル（Ｍ１２）が第２入力データを入力されて出力した角膜形状因子、視力予測モデル（Ｍ１６）が第３入力データを入力されて出力した視力予測値及び第１入力データに基づいて被検者に対応する視力矯正手術を提案することができる。
【0217】
図３０を参考にすれば、予想視力イメージ生成モデル（Ｍ１７）は、角膜形状因子予測モデル（Ｍ１２）が第２入力データを入力されて出力した角膜形状因子、視力予測モデル（Ｍ１６）が第３入力データを入力されて出力した視力予測値及び第１入力データに基づいて被検者の視力矯正手術後の予想視力イメージを生成することができる。
【0218】
視力矯正手術関連モデルは互いに併合されることができる。複数の視力矯正手術関連モデルは、一つのモデルに併合されて前記複数の個別モデルの機能のうち、少なくとも一部を実行できる。
【0219】
図３１は一実施例による視力矯正手術関連モデルの併合を説明するための図である。図３１を参考にすれば、第１視力矯正手術関連モデル及び第２視力矯正手術関連モデルが併合されて一つのモデル（Ｍａｂ）を構成することができる。前記一つのモデル（Ｍａｂ）は、入力データに基づいて予測結果を算出することができる。ここで、前記予測結果は、第１視力矯正手術関連モデルの出力に対応する第１予測結果及び第２視力矯正手術関連モデルの出力に対応する第２予測結果のうち、少なくとも１つに対応する情報を含むことができる。例えば、前記予測結果は、第１予測結果及び第２予測結果のうち、少なくとも１つを含むことができる。または、前記予測結果は、第１予測結果及び第２予測結果のうち、少なくとも１つの情報を含むことができる。
【0220】
図３１には２個のモデルを併合する場合に対して説明したが、これに限定されず、３つ以上のモデルを併合することも可能である。
【0221】
図３２乃至図３４は一実施例による視力矯正手術関連モデル併合の実現例に関する図である。
図３２を参考にすれば、角膜形状因子予測モデル及びカスタム視力矯正手術必要性予測モデルが併合されることができる。前記併合されたモデル（Ｍ２５）は、入力データに基づいて予測結果を算出することができる。前記予測結果は、角膜形状因子及びカスタム視力矯正手術必要性のうち、少なくとも１つに対応する情報を含むことができる。例えば、前記予測結果は、角膜形状因子及びカスタム視力矯正手術必要性のうち、少なくとも１つを含むことができる。
図３２を参考にすれば、角膜形状因子予測モデル及びカスタム視力矯正手術必要性予測モデルが併合されることができる。前記併合されたモデル（Ｍ２５）は、入力データに基づいて予測結果を算出することができる。前記予測結果は、角膜形状因子及びカスタム視力矯正手術必要性のうち、少なくとも１つに対応する情報を含むことができる。例えば、前記予測結果は、角膜形状因子及びカスタム視力矯正手術必要性のうち、少なくとも１つを含むことができる。
【0222】
図３３を参考にすれば、カスタム視力矯正手術必要性予測モデル及び視力矯正手術提案モデルが併合されることができる。前記併合されたモデル（Ｍ２７）は、入力データに基づいて予測結果を算出することができる。前記予測結果は、カスタム視力矯正手術必要性及び視力矯正手術のうち、少なくとも１つに対応する情報を含むことができる。例えば、前記予測結果は、カスタム視力矯正手術必要性及び視力矯正手術のうち、少なくとも１つを含むことができる。
【0223】
図３４を参考にすれば、レーザー手術可否予測モデル、カスタム視力矯正手術必要性予測モデル及び視力矯正手術提案モデルが併合されることができる。前記併合されたモデル（Ｍ３８）は、入力データに基づいて予測結果を算出することができる。前記予測結果は、レーザー手術可否、カスタム視力矯正手術必要性及び視力矯正手術のうち、少なくとも１つに対応する情報を含むことができる。例えば、前記予測結果は、レーザー手術可否、カスタム視力矯正手術必要性及び視力矯正手術のうち、少なくとも１つを含むことができる。
【0224】
以下では視力矯正手術の推薦方法の実施例に対して調べる。
【0225】
視力矯正手術の推薦方法は、一つ以上の視力矯正手術関連モデルを利用して具現されることができる。前記方法が複数の視力矯正手術関連モデルで具現される場合、少なくとも１つの視力矯正手術関連モデルの実行の有無は、少なくとも他の一つの視力矯正手術関連モデルの予測結果に依存することができる。例えば、第２視力矯正手術関連モデルの実行の有無は、第１視力矯正手術関連モデルの予測結果に依存することができる。
【0226】
後述する視力矯正手術の推薦方法の各段階は、予測装置によって実行されることができる。
【0227】
図３５は一実施例による視力矯正手術の推薦方法の第１実施例に関する図である。
【0228】
図３５を参考にすれば、一実施例による視力矯正手術の推薦方法は、被検者の検診データを取得する段階（Ｓ１１００）と、被検者の視力矯正手術の適合性の有無を予測する段階（Ｓ１２００）と、被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階（Ｓ１３００）と、被検者の角膜形状因子予測値を算出する段階（Ｓ１４００）と、及び被検者に対応する視力矯正手術を提案する段階（Ｓ１５００）を含むことができる。
【0229】
被検者の検診データを取得する段階（Ｓ１１００）は、コンピューティング装置が問診データ及び眼球特性データ測定値を含む検診データを取得することを含んでよもよい。
【0230】
被検者の視力矯正手術の適合性の有無を予測する段階（Ｓ１２００）は、被検者の検診データから取得した第１群データを第１予測モデルに入力して被検者の視力矯正手術の適合性の有無を予測することを含んでもよい。前記第１予測モデルは、手術適否予測モデルであってもよい。手術適否予測モデルは、第１群データに基づいて被検者の視力矯正手術適否を予測することができる。
【0231】
被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階（Ｓ１３００）は、被検者の検診データから取得した第２群データを第２予測モデルに入力して被検者にレーザーを利用する視力矯正手術可能の有無を予測することを含んでもよい。前記段階（Ｓ１３００）の実行の有無は、被検者に視力矯正手術が適合するか否かに依存することができる。例えば、前記段階（Ｓ１３００）は、被検者に視力矯正手術が適合する場合、実行されることができる。前記第２予測モデルは、レーザー手術可否予測モデルであってもよい。レーザー手術可否予測モデルは、第２群データに基づいて被検者のレーザー手術可否を予測することができる。
【0232】
被検者の角膜形状因子予測値を算出する段階（Ｓ１４００）は、被検者の検診データから取得した第３群データを第３予測モデルに入力して被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値を算出することを含んでもよい。前記段階（Ｓ１４００）の実行の有無は、被検者にレーザーを利用する視力矯正手術が可能であるか否かに依存することができる。例えば、前記段階（Ｓ１４００）は、被検者にレーザーを利用する視力矯正手術が可能な場合、実行されることができる。前記第３予測モデルは、角膜形状因子予測モデルであってもよい。前記第３予測モデルは、第３群データに基づいて角膜形状因子を予測することができる。この場合カスタム視力矯正手術必要性は、角膜形状因子に基づいて判断されることができる。
【0233】
被検者に対応する視力矯正手術を提案する段階（Ｓ１５００）は、被検者の検診データから取得した第４群データを第４予測モデルに入力して被検者に対応する視力矯正手術を提案することを含んでもよい。前記段階（Ｓ１５００）の実行の有無は、被検者にレーザーを利用する視力矯正手術が可能であるか否かに依存することができる。例えば、前記段階（Ｓ１５００）は、被検者にレーザーを利用する視力矯正手術が可能な場合、実行されることができる。前記第４予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習されることができる。前記第４予測モデルは、視力矯正手術提案モデルであってもよい。前記第４予測モデルは、前記第４群データに基づいて被検者に対応する視力矯正手術を提案することができる。
【0234】
図３５を参考にすれば、前記視力矯正手術は、角膜形状因子予測値及び／またはカスタム視力矯正手術必要性が考慮されなかったことであってもよい。例えば、前記視力矯正手術は、レーシック、ラセック及び小切開レンチキュラー抽出を含むことができる。また、レーザー視力矯正手術が可能な場合でもレンズ挿入術が不可能なものではないので、前記視力矯正手術はレンズ挿入術を含んでもよく、本明細書の他の実施例及び実現例でも同じである。この場合、角膜形状因子予測値及び／またはカスタム視力矯正手術必要性が考慮された視力矯正手術は、医師及び／または相談者によって決定されることができる。例えば、医師及び／または相談者は、図３５の視力矯正手術の推薦方法により出力される角膜形状因子予測値と視力矯正手術に基づいてスタンダードレーシック、スタンダードラセック、スタンダード小切開レンチキュラー抽出、カスタムレーシック、カスタムラセック、カスタム小切開レンチキュラー抽出などのカスタム視力矯正手術必要性が考慮された視力矯正手術を決めることができる。
【0235】
図３６は一実施例による視力矯正手術の推薦方法の第２実施例に関する図である。
【0236】
図３６を参考にすれば、一実施例による視力矯正手術の推薦方法は、被検者の検診データを取得する段階（Ｓ２１００）と、被検者の視力矯正手術の適合性の有無を予測する段階（Ｓ２２００）と、被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階（Ｓ２３００）と、被検者の角膜形状因子予測値を算出する段階（Ｓ２４００）、及び被検者に対応する視力矯正手術を提案する段階（Ｓ２５００）を含むことができる。
【0237】
【0238】
図３６を参考にすれば、被検者に対応する視力矯正手術を提案する段階（Ｓ２５００）は、被検者の角膜形状因子予測値を算出する段階から算出されたスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて視力矯正手術を提案することができる。前記視力矯正手術は、カスタム視力矯正手術必要性が考慮されたことであってもよい。例えば、前記視力矯正手術は、スタンダードレーシック、スタンダードラセック、スタンダード小切開レンチキュラー抽出、カスタムレーシック、カスタムラセック及びカスタム小切開レンチキュラー抽出を含むことができる。また、前記視力矯正手術は、レンズ挿入術を含むことができる。
【0239】
図３７は一実施例による視力矯正手術の推薦方法の第３実施例に関する図である。
【0240】
図３７を参考にすれば、一実施例による視力矯正手術の推薦方法は、被検者の検診データを取得する段階（Ｓ３１００）と、被検者の視力矯正手術の適合性の有無を予測する段階（Ｓ３２００）と、被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階（Ｓ３３００）と、被検者のカスタム視力矯正手術必要性の有無を予測する段階（Ｓ３４００）、及び被検者に対応する視力矯正手術を提案する段階（Ｓ３５００）を含むことができる。
【0241】
図３７の視力矯正手術の推薦方法は、図３５と類似するので図３５との差異点を主に説明する。
図３７を参考にすれば、被検者のカスタム視力矯正手術必要性の有無を予測する段階（Ｓ３４００）は、被検者の検診データから取得した第３群データを第３予測モデルに入力して被検者のカスタム視力矯正手術必要性の有無を予測することを含んでもよい。前記段階（Ｓ３４００）の実行の有無は、被検者にレーザーを利用する視力矯正手術が可能であるか否かに依存することができる。例えば、前記段階（Ｓ３４００）は、被検者にレーザーを利用する視力矯正手術が可能な場合、実行されることができる。前記第３予測モデルは、カスタム視力矯正手術必要性予測モデルであってもよい。前記第３予測モデルは、前記第３群データに基づいてカスタム視力矯正手術必要性を予測することができる。前記段階は、被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいてカスタム視力矯正手術必要性の有無を予測することができる。
図３７を参考にすれば、被検者のカスタム視力矯正手術必要性の有無を予測する段階（Ｓ３４００）は、被検者の検診データから取得した第３群データを第３予測モデルに入力して被検者のカスタム視力矯正手術必要性の有無を予測することを含んでもよい。前記段階（Ｓ３４００）の実行の有無は、被検者にレーザーを利用する視力矯正手術が可能であるか否かに依存することができる。例えば、前記段階（Ｓ３４００）は、被検者にレーザーを利用する視力矯正手術が可能な場合、実行されることができる。前記第３予測モデルは、カスタム視力矯正手術必要性予測モデルであってもよい。前記第３予測モデルは、前記第３群データに基づいてカスタム視力矯正手術必要性を予測することができる。前記段階は、被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいてカスタム視力矯正手術必要性の有無を予測することができる。
【0242】
被検者のカスタム視力矯正手術必要性の有無を予測する段階（Ｓ３４００）、及び被検者に対応する視力矯正手術を提案する段階（Ｓ３５００）は連結されることができる。例えば、被検者のカスタム視力矯正手術必要性の有無を予測する段階（Ｓ３４００）の出力に基づいて、被検者に対応する視力矯正手術を提案する段階（Ｓ３５００）の出力が算出されることができる。または、被検者に対応する視力矯正手術を提案する段階（Ｓ３５００）の出力に基づいて、被検者のカスタム視力矯正手術必要性の有無を予測する段階（Ｓ３４００）の出力が算出されることができる。
【0243】
一例で、被検者に対応する視力矯正手術を提案する段階（Ｓ３５００）は、被検者のカスタム視力矯正手術必要性の有無を予測する段階（Ｓ３４００）から算出されたカスタム視力矯正手術必要性に基づいて視力矯正手術を提案することができる。例えば、前記視力矯正手術は、スタンダードレーシック、スタンダードラセック、スタンダード小切開レンチキュラー抽出、カスタムレーシック、カスタムラセック及びカスタム小切開レンチキュラー抽出を含むことができる。また、前記視力矯正手術はレンズ挿入術を含むことができる。
【0244】
他の例で、被検者のカスタム視力矯正手術必要性の有無を予測する段階（Ｓ３４００）は、被検者に対応する視力矯正手術を提案する段階（Ｓ３５００）から算出された第１視力矯正手術に基づいて第２視力矯正手術を出力することができる。ここで、前記第１視力矯正手術は、カスタム視力矯正手術必要性が考慮されないことであってもよく、前記第２視力矯正手術はカスタム視力矯正手術必要性が考慮されたことであってもよい。
【0245】
また、他の例で、被検者のカスタム視力矯正手術必要性の有無を予測する段階（Ｓ３４００）は、被検者に対応する視力矯正手術を提案する段階（Ｓ３５００）から算出された第１視力矯正手術のタイプに基づいて実行の有無が決定されることができる。例えば、第１視力矯正手術が第１タイプである場合、カスタム視力矯正手術必要性予測モデルを実行せず、第１視力矯正手術が第２タイプである場合、カスタム視力矯正手術必要性予測モデルを実行することができる。
【0246】
前記第１タイプ及び前記第２タイプはレーザーを利用した角膜切削の有無により区分されることができる。例えば、前記第１タイプは、レンズ挿入術のような非レーザー視力矯正手術であってもよく、前記第２タイプは、レーシック、ラセック、小切開レンチキュラー抽出のようなレーザー視力矯正手術であってもよい。
【0247】
前記第１タイプ及び前記第２タイプは、カスタム手術可能の有無により区分されることができる。例えば、前記第１タイプは、カスタム手術が不可能な視力矯正手術であってもよく、前記第２タイプは、カスタム手術が可能な視力矯正手術であってもよい。ここで、カスタム手術が可能な視力矯正手術であるか否かは、予め決まった基準が存在することができる。ただし、このような基準は、技術発展、病院、手術機器、医師の状況及び判断などにより変わることができる。例えば、カスタム小切開レンチキュラー抽出手術が不可能な場合、第１タイプは、小切開レンチキュラー抽出及びレンズ挿入術を含み、第２タイプは、レーシック及びラセックを含むが、カスタム小切開レンチキュラー抽出手術が可能な場合、第１タイプは、レンズ挿入術を含み、第２タイプは、レーシック、ラセック及び小切開レンチキュラー抽出を含むことができる。
【0248】
図３８は一実施例による視力矯正手術の推薦方法の第４実施例に関する図である。
【0249】
図３８を参考にすれば、一実施例による視力矯正手術の推薦方法は、被検者の検診データを取得する段階（Ｓ４１００）と、被検者の視力矯正手術の適合性の有無を予測する段階（Ｓ４２００）と、被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階（Ｓ４３００）と、及び被検者に対応する視力矯正手術を提案する段階（Ｓ４４００）を含むことができる。
【0250】
図３８の被検者の検診データを取得する段階（Ｓ４１００）と、被検者の視力矯正手術の適合性の有無を予測する段階（Ｓ４２００）と、及び被検者にレーザーを利用する視力矯正手術可能の有無を予測する段階（Ｓ４３００）は、図３５と同であるため、これに対する説明は省略する。
【0251】
被検者に対応する視力矯正手術を提案する段階（Ｓ４４００）は、被検者の検診データから取得した第３群データを第３予測モデルに入力し、被検者に対応する視力矯正手術を提案することを含んでもよい。
【0252】
前記段階（Ｓ４４００）の実行の有無は、被検者にレーザーを利用する視力矯正手術が可能であるか否かに依存することができる。例えば、前記段階（Ｓ４４００）は、被検者にレーザーを利用する視力矯正手術が可能な場合、実行されることができる。前記段階（Ｓ４４００）は、被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて視力矯正手術を提案することができる。
【0253】
前記第３予測モデルは、カスタム視力矯正手術必要性予測モデル及び視力矯正手術提案モデルが併合されたモデルであってもよい。前記第３予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習されることができる。前記第３予測モデルは、前記第３群データに基づいてカスタム視力矯正手術必要性及び視力矯正手術のうち、少なくとも１つに対する情報を出力することができる。例えば、前記第３予測モデルの出力は、カスタム視力矯正手術必要性及び視力矯正手術のうち、少なくとも１つを含むことができる。
【0254】
図３９は一実施例による視力矯正手術の推薦方法の第５実施例に関する図である。
【0255】
図３９を参考にすれば、一実施例による視力矯正手術の推薦方法は、被検者の検診データを取得する段階（Ｓ５１００）と、被検者の視力矯正手術の適合性の有無を予測する段階（Ｓ５２００）と、及び被検者に対応する視力矯正手術を提案する段階（Ｓ５３００）を含むことができる。
【0256】
【0257】
被検者に対応する視力矯正手術を提案する段階（Ｓ５３００）は、被検者の検診データから取得した第２群データを第２予測モデルに入力し、被検者に対応する視力矯正手術を提案することを含んでもよい。
【0258】
前記段階（Ｓ５３００）の実行の有無は、被検者に視力矯正手術が適合するか否かに依存することができる。例えば、前記段階（Ｓ５３００）は、被検者に視力矯正手術が適合する場合、実行されることができる。前記段階（Ｓ５３００）は、被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて、視力矯正手術を提案することができる。
【0259】
前記第２予測モデルは、レーザー手術可否予測モデル、カスタム視力矯正手術必要性予測モデル及び視力矯正手術提案モデルが併合されたモデルであってもよい。前記第２予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習されることができる。前記第２予測モデルは、前記第２群データに基づいてレーザー手術可否、カスタム視力矯正手術必要性及び視力矯正手術のうち、少なくとも１つに対する情報を出力することができる。例えば、前記第２予測モデルの出力は、レーザー手術可否、カスタム視力矯正手術必要性及び視力矯正手術のうち、少なくとも１つを含むことができる。
【0260】
図４０は一実施例による視力矯正手術の推薦方法の第６実施例に関する図である。
図４０を参考にすれば、一実施例による視力矯正手術の推薦方法は、被検者の検診データを取得する段階（Ｓ６１００）、及び被検者に対応する視力矯正手術を提案する段階（Ｓ６２００）を含むことができる。
図４０を参考にすれば、一実施例による視力矯正手術の推薦方法は、被検者の検診データを取得する段階（Ｓ６１００）、及び被検者に対応する視力矯正手術を提案する段階（Ｓ６２００）を含むことができる。
【0261】
【0262】
被検者に対応する視力矯正手術を提案する段階（Ｓ６２００）は、被検者の検診データから取得した群データを予測モデルに入力し、被検者に対応する視力矯正手術を提案することを含んでもよい。前記段階（Ｓ６２００）は、被検者のスタンダード視力矯正手術後の角膜形状因子予測値及びカスタム視力矯正手術後の角膜形状因子予測値に基づいて視力矯正手術を提案することができる。
【0263】
前記予測モデルは、手術適否予測モデル、レーザー手術可否予測モデル、カスタム視力矯正手術必要性予測モデル及び視力矯正手術提案モデルが併合されたモデルであってもよい。前記予測モデルは、視力矯正手術を受けた複数の被施術者の検診データ、前記複数の被施術者に対応する視力矯正手術及び前記複数の被施術者の視力矯正手術後の視力のうち、少なくとも１つに基づいて学習されることができる。前記予測モデルは、入力データに基づいて手術適否、レーザー手術可否、カスタム視力矯正手術必要性及び視力矯正手術のうち、少なくとも１つに対する情報を出力することができる。例えば、前記予測モデルの出力は、手術適否、レーザー手術可否、カスタム視力矯正手術必要性及び視力矯正手術のうち、少なくとも１つを含むことができる。
【0264】
前述した視力矯正手術の推薦方法及び視力矯正手術関連モデルの組合及び／または併合は、例示に過ぎず、他にも多様な方式により、視力矯正手術の推薦方法を実現したり視力矯正手術関連モデルを組合及び／または併合することができる。
【0265】
以下では視力矯正手術視角化情報提供方法の実施例に対して調べる。
【0266】
視力矯正手術視角化情報提供方法は、一つ以上の視力矯正手術関連モデルを利用して具現されることができる。前記方法が複数の視力矯正手術関連モデルで具現される場合、少なくとも１つの視力矯正手術関連モデルの実行の有無は、少なくとも他の一つの視力矯正手術関連モデルの予測結果に依存することができる。例えば、第２視力矯正手術関連モデルの実行の有無は、第１視力矯正手術関連モデルの予測結果に依存することができる。
【0267】
視力矯正手術視角化情報提供方法は、予想視力イメージ提供方法、角膜トポグラフィー画像提供方法及び予測結果算出原因提供方法を含むことができる。
【0268】
予想視力イメージ提供方法は、予想視力イメージ生成モデルを通じて具現されることができる。角膜トポグラフィー画像提供方法は、角膜トポグラフィー画像予測モデルを通じて具現されることができる。予測結果算出原因提供方法は、予測結果算出原因分析モデルを通じて具現されることができる。
【0269】
後述する視力矯正手術視角化情報提供方法の各段階は、予測装置によって実行されることができる。
【0270】
図４１は一実施例による視力矯正手術視角化情報提供方法の第１実施例に関する図である。
図４１を参考にすれば、一実施例による視力矯正手術視角化情報提供方法は、被検者の検診データを取得する段階（Ｓ７１００）と、被検者の視力矯正手術後の眼球特性データ予測値を算出する段階（Ｓ７２００）と、及び予想視力イメージを生成する段階（Ｓ７３００）を含むことができる。また、未図示であるが、一実施例による視力矯正手術視角化情報提供方法は、予想視力イメージを出力する段階を更に含むことができる。
図４１を参考にすれば、一実施例による視力矯正手術視角化情報提供方法は、被検者の検診データを取得する段階（Ｓ７１００）と、被検者の視力矯正手術後の眼球特性データ予測値を算出する段階（Ｓ７２００）と、及び予想視力イメージを生成する段階（Ｓ７３００）を含むことができる。また、未図示であるが、一実施例による視力矯正手術視角化情報提供方法は、予想視力イメージを出力する段階を更に含むことができる。
【0271】
被検者の検診データを取得する段階（Ｓ７１００）は、コンピューティング装置が問診データ及び眼球特性データ測定値を含む検診データを取得することを含んでもよい。
【0272】
被検者の視力矯正手術後の眼球特性データ予測値を算出する段階（Ｓ７２００）は、被検者の検診データから取得した第１群データを第１予測モデルに入力し、被検者の視力矯正手術後の視力予測値及び角膜形状因子予測値のうち、少なくとも１つを含む眼球特性データ予測値を算出することを含んでもよい。
【0273】
前記第１予測モデルは、視力矯正手術を受けた複数の被施術者の手術前眼球特性データ測定値、前記複数の被施術者に実行された視力矯正手術の手術パラメーター及び前記複数の被施術者の手術後眼球特性データ測定値のうち、少なくとも１つに基づいて学習されることができる。前記第１予測モデルは、視力予測モデル及び角膜形状因子予測モデルのうち、少なくとも１つを含むことができる。または、前記第１予測モデルは、視力予測モデル及び角膜形状因子予測モデルが併合されたモデルであってもよい。前記第１予測モデルは、前記第１群データに基づいて被検者の視力矯正手術後の眼球特性データ予測値を算出することができる。
【0274】
予想視力イメージを生成する段階（Ｓ７３００）は、眼球特性データ予測値に基づいて予想視力イメージを生成することを含んでもよい。
【0275】
図４２は一実施例による視力矯正手術視角化情報提供方法の第２実施例に関する図である。
図４２を参考にすれば、一実施例による視力矯正手術視角化情報提供方法は、眼球特性データ予測値に基づいてフィルター算出及び／または選択する段階（Ｓ７６００）、及びフィルターを原本イメージに適用する段階（Ｓ７７００）を更に含むことができる。
図４２を参考にすれば、一実施例による視力矯正手術視角化情報提供方法は、眼球特性データ予測値に基づいてフィルター算出及び／または選択する段階（Ｓ７６００）、及びフィルターを原本イメージに適用する段階（Ｓ７７００）を更に含むことができる。
【0276】
眼球特性データ予測値に基づいてフィルターを算出及び／または選択する段階（Ｓ７６００）は、図１１の第１サブモデル（Ｍ１７１）により実行されることができる。
【0277】
フィルターを原本イメージに適用する段階（Ｓ７７００）は、予想視力イメージを生成するためにフィルターを原本イメージに適用することを含んでもよい。前記段階（Ｓ７７００）は、図１１の第２サブモデル（Ｍ１７２）により実行されることができる。
【0278】
図４３は一実施例による視力矯正手術視角化情報提供方法の第３実施例に関する図である。
図４３を参考にすれば、一実施例による視力矯正手術視角化情報提供方法は、被検者の視力矯正手術後の角膜トポグラフィー画像を予測する段階（Ｓ７４００）を更に含むことができる。
図４３を参考にすれば、一実施例による視力矯正手術視角化情報提供方法は、被検者の視力矯正手術後の角膜トポグラフィー画像を予測する段階（Ｓ７４００）を更に含むことができる。
【0279】
被検者の視力矯正手術後の角膜トポグラフィー画像を予測する段階（Ｓ７４００）は、被検者の検診データから取得した第２群データを第２予測モデルに入力し、被検者の視力矯正手術後の角膜トポグラフィー画像を予測することを含んでもよい。
【0280】
前記第２予測モデルは、視力矯正手術を受けた複数の被施術者の手術前角膜トポグラフィー画像、前記複数の被施術者に実行された視力矯正手術の手術パラメーター及び前記複数の被施術者の手術後角膜トポグラフィー画像のうち、少なくとも１つに基づいて学習されることができる。前記第２予測モデルは、角膜トポグラフィー画像予測モデルであってもよい。前記第２予測モデルは、前記第２群データに基づいて被検者の視力矯正手術後の角膜トポグラフィー画像を予測することができる。
【0281】
図４４は一実施例による視力矯正手術視角化情報提供方法の第４実施例に関する図である。
図４４を参考にすれば、一実施例による視力矯正手術視角化情報提供方法は、眼球特性データ予測値の第１群データに対する依存性を算出する段階（Ｓ７５００）を更に含むことができる。また、未図示であるが、一実施例による視力矯正手術視角化情報提供方法は、依存係数を出力する段階を更に含むことができる。
図４４を参考にすれば、一実施例による視力矯正手術視角化情報提供方法は、眼球特性データ予測値の第１群データに対する依存性を算出する段階（Ｓ７５００）を更に含むことができる。また、未図示であるが、一実施例による視力矯正手術視角化情報提供方法は、依存係数を出力する段階を更に含むことができる。
【0282】
依存係数を出力する段階は、依存係数のうち、予め決まった値より大きい依存係数を出力したり予め決まった個数の依存係数を出力することを含んでもよい。
【0283】
実施例による方法は、多様なコンピューティング装置を通じて実行されることができるプログラム命令形態で具現されて、コンピュータ判読可能媒体に記録されることができる。前記コンピュータ判読可能媒体は、プログラム命令、データファイル、データ構造などを単独または組み合わせて含むことができる。前記媒体に記録されるプログラム命令は、実施例のために特に設計されて構成されたものなどや、コンピュータソフトウェア当業者に公示されて使用可能になることであってもよい。コンピュータ判読可能記録媒体の例には、ハードディスク、フロッピーディスク及び磁気テープのような磁気媒体（ｍａｇｎｅｔｉｃ ｍｅｄｉａ）、ＣＤ－ＲＯＭ、ＤＶＤのような光磁気媒体（ｏｐｔｉｃａｌ ｍｅｄｉａ）、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような磁気－光学媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉａ）及びロム（ＲＯＭ）、ラム（ＲＡＭ）、フラッシュメモリなどのようなプログラム命令を保存して実行するように特に構成されたハードウェア装置が含まれる。プログラム命令の例には、コンパイラによって制作されるような機械語コードだけではなく、インタープリタなどを使用してコンピューティング装置によって実行される高級言語コードを含む。前記ハードウェア装置は、実施例の動作を実行するために一つ以上のソフトウェアモジュールとして作動するように構成され、逆の場合も同じである。
【0284】
上記では、実施例を基にして、本発明の構成と特徴を説明したが、本発明を限定するものではなく、本発明の思想と範囲内で多様に変更または変形できるということは、当業者にとって明らかであり、したがって、このような変更または変形は特許請求の範囲に属することを明らかにする。
上述した通り、本発明の実施をするための最適の形態で、関連事項を記述した。
上述した通り、本発明の実施をするための最適の形態で、関連事項を記述した。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30】
【図31】
【図32】
【図33】
【図34】
【図35】
【図36】
【図37】
【図38】
【図39】
【図40】
【図41】
【図42】
【図43】
【図44】
