(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2022-12-16
(54)【発明の名称】複数の機械学習モデルに基づく眼内レンズの選択
(51)【国際特許分類】
G16H 30/20 20180101AFI20221209BHJP
A61F 2/16 20060101ALI20221209BHJP
A61B 34/10 20160101ALI20221209BHJP
A61B 3/028 20060101ALI20221209BHJP
A61B 3/10 20060101ALI20221209BHJP
G06N 20/00 20190101ALI20221209BHJP
【ＦＩ】
G16H30/20
A61F2/16
A61B34/10
A61B3/028
A61B3/10 900
G06N20/00
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2022521372
(86)(22)【出願日】2020-10-06
(85)【翻訳文提出日】2022-04-07
(86)【国際出願番号】 IB2020059386
(87)【国際公開番号】W WO2021070061
(87)【国際公開日】2021-04-15
(31)【優先権主張番号】62/912,682
(32)【優先日】2019-10-09
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
(71)【出願人】
【識別番号】319008904
【氏名又は名称】アルコン インコーポレイティド
(74)【代理人】
【識別番号】100099759
【弁理士】
【氏名又は名称】青木 篤
(74)【代理人】
【識別番号】100123582
【弁理士】
【氏名又は名称】三橋 真二
(74)【代理人】
【識別番号】100160705
【弁理士】
【氏名又は名称】伊藤 健太郎
(72)【発明者】
【氏名】シンチャン バッタチャリア
(72)【発明者】
【氏名】ラメシュ サランガパニ
【テーマコード（参考）】
4C097
4C316
5L099
【Ｆターム（参考）】
4C097AA25
4C097BB01
4C097SA10
4C316AA13
4C316AA24
4C316AA25
4C316AB02
4C316FB21
4C316FC12
4C316FZ01
5L099AA26
(57)【要約】
プロセッサと有形の非一時的メモリとを有するコントローラを備えて眼内レンズを選択するための方法及びシステム。複数の機械学習モデルがコントローラによって選択的に実行可能である。コントローラは、眼の少なくとも１つの術前画像を受信し、第１の入力機械学習モデルを介して、第１の一式のデータを抽出するように構成される。コントローラは、眼の複数の生体計測パラメータを受信し、第２の入力機械学習モデルを介して、第２の一式のデータを抽出するように構成される。第１の一式のデータと第２の一式のデータとは、混合された一式のデータを得るために結合される。コントローラは、出力機械学習モデルを介して、混合された一式のデータに基づいて少なくとも１つの出力係数を生成するように構成される。眼内レンズは、少なくとも１つの出力係数に部分的に基づいて選択される。
【選択図】図３
【選択図】図３
【特許請求の範囲】
【請求項1】
眼内に挿入するための眼内レンズを選択するためのシステムであって、前記システムが、プロセッサと、命令が記録された有形の非一時的メモリとを有するコントローラであって、
前記コントローラが、第１の入力機械学習モデル、第２の入力機械学習モデル、及び出力機械学習モデルを含む複数の機械学習モデルを選択的に実行するように構成され、
前記プロセッサによって前記命令が実行されることにより、前記コントローラが、
前記眼の少なくとも１つの術前画像を受信し、前記第１の入力機械学習モデルを介して、前記少なくとも１つの術前画像に部分的に基づいて第１の一式のデータを抽出し、
前記眼の複数の生体計測パラメータを受信し、前記第２の入力機械学習モデルを介して、前記複数の生体計測パラメータに部分的に基づいて第２の一式のデータを抽出し、
前記第１の一式のデータと前記第２の一式のデータとを結合して、混合された一式のデータを取得し、
前記出力機械学習モデルを介して、前記混合された一式のデータに基づいて少なくとも１つの出力係数を生成し、
前記少なくとも１つの出力係数に部分的に基づいて前記眼内レンズを選択する、コントローラを備える、システム。
【請求項2】
前記少なくとも１つの出力係数が、自覚的屈折検査に基づく等価球面度数（ＭＲＳＥ）である、請求項１に記載のシステム。
【請求項3】
前記少なくとも１つの術前画像が、第１のイメージング装置から取得され、前記複数の生体計測パラメータが、前記第１のイメージング装置とは異なる第２のイメージング装置から取得される、請求項１に記載のシステム。
【請求項4】
前記複数の機械学習モデルが第３の入力機械学習モデルを含み、前記少なくとも１つの出力係数を生成する前に、前記コントローラが、過去のそれぞれの術前画像及び術後画像の対にアクセスし、
前記第３の入力機械学習モデルを介して、前記過去の対に部分的に基づいて第３の一式のデータを抽出し、
前記少なくとも１つの出力係数を生成する前に、前記混合された一式のデータに前記第３の一式のデータを加えるように構成される、請求項１に記載のシステム。
【請求項5】
前記眼内レンズが、１つ又は複数の支持構造体と隣接した光学部を備え、前記眼内レンズが、少なくとも部分的に流体で満たされた内部空洞を備え、前記流体が、前記眼内レンズの度数を変えるために、前記内部空洞内で移動するように構成される、請求項１に記載のシステム。
【請求項6】
前記少なくとも１つの術前画像が、超音波生体顕微鏡画像である、請求項１に記載のシステム。
【請求項7】
前記複数の機械学習モデルのそれぞれが、それぞれの回帰モデルであり、前記出力機械学習モデルが、多層パーセプトロンネットワークを含む、請求項１に記載のシステム。
【請求項8】
前記複数の生体計測パラメータが、フラットＫ値及びスティープＫ値を含む、請求項１に記載のシステム。
【請求項9】
前記第１の一式のデータが、前記眼の複数の術前寸法を含み、前記複数の術前寸法が、
前房深度、レンズ厚、レンズ径、溝間距離、第１の赤道面位置、第２の赤道面位置、第３の赤道面位置、虹彩径、角膜の第１の表面から術前レンズの後面までの軸方向の長さ、及び毛様体突起径のうちの１つ又は複数を含む、請求項１に記載のシステム。
【請求項10】
前記少なくとも１つの出力係数を生成する前に、前記コントローラが、前記複数の術前寸法に部分的に基づいて１つ又は複数の代入術後変数を取得し、前記１つ又は複数の代入術後変数が、術後レンズ厚と術後レンズ位置とを含み、
前記少なくとも１つの出力係数を生成する前に、前記混合された一式のデータに前記１つ又は複数の代入術後変数を加えるように構成される、請求項１に記載のシステム。
【請求項11】
前記第１の一式のデータが、前記眼の複数の術前寸法を含み、前記複数の術前寸法が、前房深度、レンズ厚、レンズ径、溝間距離、虹彩径、角膜の第１の表面から術前レンズの後面までの軸方向の長さ、毛様体突起径、第１の赤道面位置、第２の赤道面位置、及び第３の赤道面位置のそれぞれを含む、請求項１に記載のシステム。
【請求項12】
眼内に挿入するための眼内レンズを選択する方法であって、前記方法が、プロセッサと有形の非一時的メモリとを有するコントローラを介して、前記眼の少なくとも１つの術前画像を受信するステップと、
前記コントローラを介して、第１の入力機械学習モデル、第２の入力機械学習モデル、及び出力機械学習モデルを含む複数の機械学習モデルを選択的に実行することと、
前記第１の入力機械学習モデルを介して、前記少なくとも１つの術前画像に部分的に基づいて第１の一式のデータを抽出するステップと、
前記コントローラを介して、前記眼の複数の生体計測パラメータを受信することと、
前記第２の入力機械学習モデルを介して、前記複数の生体計測パラメータに部分的に基づいて第２の一式のデータを抽出するステップと、
前記コントローラを介して、前記第１の一式のデータと前記第２の一式のデータとを結合して、混合された一式のデータを取得するステップと、
前記出力機械学習モデルを介して、前記混合された一式のデータに基づいて少なくとも１つの出力係数を生成するステップと、
前記少なくとも１つの出力係数に部分的に基づいて前記眼内レンズを選択するステップとを含む、方法。
【請求項13】
前記少なくとも１つの出力係数を生成するステップの前に、前記コントローラを介して、過去のそれぞれの術前画像及び術後画像の対にアクセスするステップと、
前記複数の機械学習モデルに第３の入力機械学習モデルを含めるステップと、
前記第３の入力機械学習モデルを介して、前記過去の対の比較に部分的に基づいて第３の一式のデータを抽出するステップと、
前記少なくとも１つの出力係数を生成するステップの前に、前記混合された一式のデータに前記第３の一式のデータを加えるステップとを更に含む、請求項１２に記載の方法。
【請求項14】
前記眼内レンズが、１つ又は複数の支持構造体と隣接した光学部を備え、前記眼内レンズが、少なくとも部分的に流体で満たされた内部空洞を備え、前記流体が、前記眼内レンズの度数を変えるために、前記内部空洞内で移動するように構成される、請求項１２に記載の方法。
【請求項15】
前記複数の機械学習モデルのそれぞれが、それぞれの回帰モデルであり、前記出力機械学習モデルが、多層パーセプトロンネットワークを含む、請求項１２に記載の方法。
【請求項16】
前記複数の生体計測パラメータが、フラットＫ値及びスティープＫ値を含む、請求項１２に記載の方法。
【請求項17】
前記第１の一式のデータが、前記眼の複数の術前寸法を含み、前記複数の術前寸法が、
前房深度、レンズ厚、レンズ径、溝間距離、第１の赤道面位置、第２の赤道面位置、第３の赤道面位置、虹彩径、角膜の第１の表面から術前レンズの後面までの軸方向の長さ、及び毛様体突起径のうちの１つ又は複数を含む、請求項１２に記載の方法。
【請求項18】
前記第１の一式のデータが、前記眼の複数の術前寸法を含み、前記複数の術前寸法が、前房深度、レンズ厚、レンズ径、溝間距離、虹彩径、角膜の第１の表面から術前レンズの後面までの軸方向の長さ、及び毛様体突起径のそれぞれを含む、請求項１２に記載の方法。
【請求項19】
第１のイメージング装置から前記少なくとも１つの術前画像を取得するステップと、前記第１のイメージング装置とは異なる第２のイメージング装置から前記複数の生体計測パラメータを取得するステップとを更に含む、請求項１２に記載の方法。
【請求項20】
眼内に挿入するための眼内レンズを選択するためのシステムであって、前記システムが、プロセッサと、命令が記録された有形の非一時的メモリとを有するコントローラであって、
前記コントローラが、第１の入力機械学習モデル、第２の入力機械学習モデル、第３の入力機械学習モデル、及び出力機械学習モデルを含む複数の機械学習モデルを選択的に実行するように構成され、
前記プロセッサによって前記命令が実行されることにより、前記コントローラが、
前記眼の少なくとも１つの術前画像を受信し、前記第１の入力機械学習モデルを介して、前記少なくとも１つの術前画像に部分的に基づいて第１の一式のデータを抽出し、
前記眼の複数の生体計測パラメータを受信し、前記第２の入力機械学習モデルを介して、前記複数の生体計測パラメータに部分的に基づいて第２の一式のデータを抽出し、
過去のそれぞれの術前画像及び術後画像の対にアクセスし、前記第３の入力機械学習モデルを介して、前記過去の対に部分的に基づいて第３の一式のデータを抽出し、
前記第１の一式のデータと前記第２の一式のデータと前記第３の一式のデータとを結合して、混合された一式のデータを取得し、
前記出力機械学習モデルを介して、前記混合された一式のデータに基づいて少なくとも１つの出力係数を生成し、
前記少なくとも１つの出力係数に部分的に基づいて前記眼内レンズを選択し、
前記少なくとも１つの術前画像が、第１のイメージング装置から取得され、前記複数の生体計測パラメータが、前記第１のイメージング装置とは異なる第２のイメージング装置から取得される、コントローラを備える、システム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、一般に、複数の機械学習モデルを用いて眼内に挿入するための眼内レンズ（ｉｎｔｒａｏｃｕｌａｒ ｌｅｎｓ）を選択するシステム及び方法に関する。
【背景技術】
【0002】
一般に、ヒトの水晶体（ｌｅｎｓ）は、光が容易に通過し得るように透明である。しかしながら、様々な要因によって、水晶体内の領域が混濁し不透明になって、視覚の質に悪影響が及ぶことがある。このような状況は、白内障手術によって治療され得る。白内障手術では、患者の眼内に挿入するための人工水晶体が選択される。実際、白内障手術は世界中で行われている一般的な手術である。白内障手術の臨床結果を左右する重要な要因は、適切な眼内レンズの選択である。現在、患者の眼に関する様々な術前情報を使用して、挿入されるレンズ度数を予測するいくつかの計算機がある。しかしながら、既存の計算機は、眼の完全な術前画像を入力データとして使用していない。
【発明の概要】
【課題を解決するための手段】
【0003】
本明細書では、プロセッサと有形の非一時的メモリとを有するコントローラを用いて眼内に挿入するための眼内レンズを選択するシステム及び方法が開示される。本システムは、包括的で多面的な手法を採用し、プロセッサと命令が記録された有形の非一時的メモリとを有するコントローラを備える。コントローラは、第１の入力機械学習モデル、第２の入力機械学習モデル、及び出力機械学習モデルを含む複数の機械学習モデルを選択的に実行するように構成される。複数の機械学習モデルのそれぞれは、それぞれの回帰モデルであり得る。一例では、出力機械学習モデルは、多層パーセプトロンネットワークを含む。
【0004】
プロセッサによって命令が実行されることにより、コントローラは、眼の少なくとも１つの術前画像を受信する。コントローラは、第１の入力機械学習モデルを介して、少なくとも１つの術前画像に部分的に基づいて第１の一式のデータを抽出するように構成される。一例では、眼の少なくとも１つの術前画像は、超音波生体顕微鏡画像である。第１の一式のデータは、眼の複数の術前寸法を含み得る。複数の術前寸法は、前房深度、レンズ厚、レンズ径、溝間距離、第１の赤道面位置、第２の赤道面位置、第３の赤道面位置、虹彩径、角膜の第１の表面から術前レンズの後面までの軸方向の長さ、及び毛様体突起径のうちの１つ又は複数を含み得る。或いは、複数の術前寸法は、前房深度、レンズ厚、レンズ径、溝間距離、虹彩径、角膜の第１の表面から術前レンズの後面までの軸方向の長さ、及び毛様体突起径のそれぞれを含み得る。
【0005】
コントローラは、眼の複数の生体計測パラメータを受信し、第２の入力機械学習モデルを介して、複数の生体計測パラメータに部分的に基づいて第２の一式のデータを抽出するように更に構成される。複数の生体計測パラメータは、フラットＫ値及びスティープＫ値を含み得る。第１の一式のデータと第２の一式のデータとは、混合された一式のデータを取得するために結合され得る。一例では、術前画像は、第１のイメージング装置から取得され、複数の生体計測パラメータは、第１のイメージング装置とは異なる第２のイメージング装置から取得される。例えば、第１のイメージング装置は超音波装置であってもよく、第２のイメージング装置は光干渉断層撮影装置であってもよい。
【0006】
コントローラは、出力機械学習モデルを介して、混合された一式のデータに基づいて少なくとも１つの出力係数を生成するように構成される。眼内レンズは、出力係数に部分的に基づいて選択される。出力係数は、自覚的屈折検査に基づく等価球面度数（ｍａｎｉｆｅｓｔ ｒｅｆｒａｃｔｉｏｎ ｓｐｈｅｒｉｃａｌ ｅｑｕｉｖａｌｅｎｔ、ＭＲＳＥ）であってもよい。複数の機械学習モデルは、第３の入力機械学習モデルを含み得る。出力係数を生成する前に、コントローラは、過去のそれぞれの術前画像及び術後画像の対にアクセスし、第３の入力機械学習モデルを介して、この過去の対に部分的に基づいて第３の一式のデータを抽出するように構成され得る。第３の一式のデータは、出力係数を生成する前に、混合された一式のデータに加えられる。
【0007】
眼内レンズは、１つ又は複数の支持構造体と隣接した光学部を備え得る。眼内レンズは、少なくとも部分的に流体で満たされた内部空洞を備え得る。流体は、眼内レンズの度数を変えるために内部空洞内で移動するように構成される。当業者が利用できるあらゆるタイプの眼内レンズが採用されてもよいことを理解されたい。
【0008】
本開示の上記の特徴及び利点並びに他の特徴及び利点は、本開示を実施するための最良の態様の以下の詳細な説明を添付の図面と併せて読めば容易に明らかとなる。
【図面の簡単な説明】
【0009】
【発明を実施するための形態】
【0010】
図面を参照すると、図面では同様の参照番号が同様の構成要素を示しており、図１は、挿入のための眼内レンズを選択するためのシステム１０を概略的に示している。眼内レンズ１２の一例を図２に示す。しかしながら、当業者が利用できるあらゆるタイプの眼内レンズが採用されてもよい。システム１０は、複数の機械学習モデルを利用する、ロバストな多面的手法を採用している。後述するように、システム１０は、眼内レンズ１２の選択を最適化するために豊富な画像データと数値データとの両方を活用する。
【0011】
図２を参照すると、眼内レンズ１２は、第１の表面１６と第２の表面１８とを画定する光学部１４を備える。光学部１４は、眼内レンズ１２の位置決め及び保持をサポートするように構成された、第１の支持構造体２０及び第２の支持構造体２２などの１つ又は複数の支持構造体と隣接し得る。眼内レンズ１２は、少なくとも部分的に流体Ｆで満たされた内部空洞２４を画定し得る。流体Ｆは、眼内レンズ１２の厚さ（及び度数）を変えるために、内部空洞２４内で移動可能であるように構成される。眼内レンズ１２は、多くの異なる形態をとり、複数の及び／又は代替の構成要素を備えることができることを理解されたい。
【0012】
図１を参照すると、システム１０は、少なくとも１つのプロセッサＰと、眼内レンズ１２を選択するための方法１００を実行するための命令が記録された少なくとも１つのメモリＭ（又は有形の非一時的コンピュータ可読記憶媒体）とを有するコントローラＣを備える。方法１００は、図３に示され、図３を参照しながら以下に説明される。図４は、眼Ｅの例示的な術前画像２００を示している。図５は、眼Ｅの例示的な術後画像３００を示している。
【0013】
ここで図１を参照すると、コントローラＣは、短距離ネットワーク２８を介して、例えば第１のイメージング装置３０などの様々なエンティティと通信するように構成され得る。第１のイメージング装置３０は、超音波装置、磁気共鳴イメージング装置、又は当業者が利用できる他のイメージング装置であってもよい。短距離ネットワーク２８は、無線であってもよいし、物理的な構成要素を含んでもよい。短距離ネットワーク２８は、例えばローカルエリアネットワークの形態のシリアル通信バスなど、様々な方法で実施されたバスであってもよい。ローカルエリアネットワークは、コントローラエリアネットワーク（ＣＡＮ）、コントローラエリアネットワークウィズフレキシブルデータレート（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ ｗｉｔｈ Ｆｌｅｘｉｂｌｅ Ｄａｔａ Ｒａｔｅ、ＣＡＮ－ＦＤ）、イーサネット（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ、及び他のデータ接続形態を含むが、これらに限定されない。短距離ネットワーク２８は、インターネットデバイス間及びデバイスとインターネットとの間の通信を簡素化することを目的とした短距離無線技術（又は無線技術）であると定義される、Ｂｌｕｅｔｏｏｔｈ（登録商標）接続であってもよい。Ｂｌｕｅｔｏｏｔｈ（登録商標）（は、固定及びモバイル電子装置データを短距離で伝送し、２．４ＧＨｚ帯で動作するパーソナルネットワークを構築するためのオープン無線技術規格である。他のタイプの接続が採用されてもよい。
【0014】
図１を参照すると、コントローラＣは、第２のイメージング装置３２、ディスプレイモジュール及び／又はユーザインターフェース３４、並びにデータベース３６と通信し得る。加えて、コントローラＣは、長距離ネットワーク４４を介して、リモートサーバ４０及び／又はクラウドユニット４２と通信するように構成され得る。リモートサーバ４０は、例えば、研究機関、企業、大学、及び／又は病院などの組織によって維持されている私的又は公的な情報源であってもよい。クラウドユニット４２は、データの格納、管理、及び処理を行うためにインターネット上でホストされる１つ又は複数のサーバを備えてもよい。長距離ネットワーク４４は、複数の装置を無線分散方式で繋ぐ無線ローカルエリアネットワーク（ＬＡＮ）、いくつかの無線ＬＡＮを接続する無線メトロポリタンエリアネットワーク（ＭＡＮ）、又は近隣の市町村などの広い地域をカバーする無線ワイドエリアネットワーク（ＷＡＮ）であってもよい。他のタイプの接続が採用されてもよい。
【0015】
コントローラＣは、図１に示すモバイルアプリケーション４６を介して、リモートサーバ４０との間で無線通信を受信及び送信するように構成され得る。モバイルアプリケーション４６は、コントローラＣのデータにアクセスできるように、短距離ネットワーク２８を介してコントローラＣと通信し得る。一例では、モバイルアプリケーション４６は、コントローラＣに物理的に接続（例えば、有線接続）される。別の例では、モバイルアプリケーション４６は、コントローラＣに組み込まれる。当業者が利用できるリモートサーバ４０及びモバイルアプリケーション４６（「アプリ」）の回路及び構成要素が採用されてもよい。
【0016】
コントローラＣは、複数の機械学習モデル４８を選択的に実行するように特にプログラムされる。コントローラＣは、短距離ネットワーク２８、長距離ネットワーク４４、及び／又はモバイルアプリケーション４６を介して、複数の機械学習モデル４８にアクセスし得る。或いは、複数の機械学習モデル４８は、コントローラＣに組み込まれてもよい。複数の機械学習モデル４８は、それぞれのコスト関数を最小化するパラメータ、重み、又は構造を求めるように構成され得る。複数の機械学習モデル４８のそれぞれは、それぞれの回帰モデルであり得る。一例では、図１を参照すると、複数の機械学習モデル４８は、第１の入力機械学習モデル５０と、第２の入力機械学習モデル５２と、第３の入力機械学習モデル５４と、出力機械学習モデル５６とを含む。
【0017】
複数の機械学習モデル４８は、ニューラルネットワークアルゴリズムを含み得る。当業者には理解されるように、ニューラルネットワークは、パターンを認識するように設計され、大まかにヒトの脳に倣ってモデリングされたものである。パターンは、ニューラルネットワークによって、数値形態に変換され（ｔｒａｎｓｌａｔｅｄ ｏｒ ｃｏｎｖｅｒｔｅｄ）、ベクトル又は行列に埋め込まれた実世界データ（例えば、画像、音声、テキスト、時系列など）から認識される。ニューラルネットワークは、入力ベクトルｘを出力ベクトルｙに結びつけるために深層学習マップを採用し得る。換言すれば、複数の機械学習モデル４８のそれぞれは、ｆ（ｘ）がｙに対応するように活性化関数ｆを学習する。訓練プロセスによって、ニューラルネットワークは、入力ベクトルｘを出力ベクトルｙに変換するための適切な活性化関数ｆ（ｘ）を関連させることができる。単回帰モデルの場合、バイアスと傾きとの２つのパラメータを学習する。バイアスは、入力ベクトルｘを０としたときの出力ベクトルｙのレベルであり、傾きは、入力ベクトルｘが１単位増加するごとに予測される出力ベクトルｙの増加率又は減少率である。複数の機械学習モデル４８がそれぞれ訓練されると、所与の新たな入力ベクトルｘの値により出力ベクトルｙの推定値が計算され得る。
【0018】
複数の機械学習モデル４８は、多層パーセプトロンネットワークを含み得る。図６を参照すると、多層パーセプトロンネットワーク４００の一例が示されている。多層パーセプトロンネットワーク４００は、入力層４０２と、１つ又は複数の隠れ層４０８（第１の隠れ層４０４及び第２の隠れ層４０６など）と、出力層４１０とを含む少なくとも３層のノードＮを有するフィードフォワード人工ニューラルネットワークである。これらの層のそれぞれが、入力の線形和のアフィン変換を行うように構成されたノードＮを備える。ノードＮは、それぞれのバイアスとそれぞれの重み付けされたリンクとによって特徴付けられるニューロンである。入力層４０２のノードＮは、入力を受け取り、正規化し、第１の隠れ層４０４のノードＮに転送する。後続の層の各ノードＮが、前の層の出力の線形結合を計算する。３つの層を有するネットワークは、活性化関数ｆ（ｘ）＝ｆ（３）（ｆ（２）（ｆ（１）（ｘ）））を形成する。活性化関数ｆは、出力層４１０のそれぞれのノードＮに対して線形であり得る。活性化関数ｆは、第１の隠れ層４０４及び第２の隠れ層４０６に対してシグモイドであってもよい。出力ベクトルｙを特徴付ける連続関数を近似するためにシグモイドの線形結合が用いられる。他のタイプのニューラルネットワークが採用されてもよい。
【0019】
複数の機械学習モデル４８は、サポートベクター回帰（ＳＶＲ）モデルを含み得る。図７は、データポイント５０２に対するサポートベクター回帰モデル５００の一例を示している。サポートベクター回帰モデル５００は、関数（図７の超平面５０４）を求めるように構成される。このとき、サポートベクター回帰モデル５００は、データポイント５０２がこの関数からマージン５０６内にある、すなわち、第１の境界線５０８及び第２の境界線５１０の内側にあるように構成される。図７を参照すると、超平面５０４は、入力ベクトルｘを出力ベクトルｙに結びつける線、すなわち目標値を予測する線として定義され得る。超平面５０４は、マージン５０６を最大化し、予め定められた誤差を最小化するように個別化される。マージン５０６の外にあるポイント（外部ポイント５１２など）がある場合、ペナルティがサポートベクター回帰モデル５００に組み込まれてもよい。超平面５０４を決定する前に、サポートベクター回帰モデル５００は、低次元のデータセットを高次元のデータセットに対応させるためにカーネル関数を採用してもよい。当業者が利用できる他の機械学習モデルが採用されてもよい。
【0020】
次に図３を参照すると、図１のコントローラＣによって実行可能な方法１００のフローチャートが示されている。方法１００は、本明細書に記載された特定の順序で適用される必要はなく、いくつかのブロックが省略されてもよい。メモリＭは、コントローラ実行可能命令セットを格納することができ、プロセッサＰは、メモリＭに格納されたコントローラ実行可能命令セットを実行することができる。
【0021】
図３のブロック１０２において、コントローラＣは、眼の少なくとも１つの術前画像を受信するように構成される。眼Ｅの例示的な術前画像２００を図４に示す。図４は、原寸に比例していない。図４は、角膜２０３の上面２０２、角膜２０３の下面２０４、術前レンズ２０６、虹彩２０８、及び毛様筋２１０を示している。術前画像２００は、超音波生体顕微鏡法を介して取得されてもよい。超音波生体顕微鏡法は、約４ｍｍ～５ｍｍの組織浸透深さを有する、約３５ＭＨｚ～１００ＭＨｚの比較的高い周波数のトランスデューサを採用してもよい。光干渉断層撮影及び磁気共鳴イメージングを含むがこれらに限定されない他のイメージングモダリティが採用されてもよい。複数の機械学習モデル４８は、単一の画像又は一連の画像を用いて訓練されてもよい。
【0022】
図３のブロック１０４において、方法１００は、第１の入力機械学習モデル５０を介して、図４に示す例示的な術前画像２００などの少なくとも１つの術前画像に部分的に基づいて第１の一式のデータを抽出することを含む。第１の一式のデータは、３次元行列の形態で提示されてもよい。これにより、豊富な画像データを活用するという技術的な利点が提供される。図４を参照すると、第１の一式のデータは、前房深度２１２、レンズ厚２１４、レンズ径２１６、及び溝間距離２１８などの複数の術前寸法を含み得る。複数の術前寸法は、（有水晶体前極から測定された）第１の赤道面位置２２０、（前房深度２１２に対して測定された）第２の赤道面位置２２２、及び（有水晶体後極から測定された）第３の赤道面位置２２４を含み得る。図４を参照すると、複数の術前寸法は、虹彩径２２６、角膜２０３から術前レンズ２０６の後面までの軸方向の長さ２２８、及び毛様体突起径２３０を更に含み得る。
【0023】
図３のブロック１０６において、コントローラＣは、フラットＫ値、スティープＫ値、及び平均Ｋ値などの眼Ｅの術前寸法を含み得る複数の生体計測パラメータを受信するように構成される。複数の生体計測パラメータは、前房深度２１２、レンズ厚２１４、レンズ径２１６、毛様体突起径２３０、及び溝間距離２１８を更に含み得る。複数の生体計測パラメータは、レンズの度数及び厚さなど、眼内レンズ１２に関連するパラメータを更に含み得る。一例では、術前画像２００は、第１のイメージング装置３０から取得され、複数の生体計測パラメータは、第１のイメージング装置３０とは異なる第２のイメージング装置３２から取得される。例えば、第１のイメージング装置３０は超音波装置であってもよく、第２のイメージング装置３２は光干渉断層撮影装置であってもよい。他のイメージングモダリティが採用されてもよいことを理解されたい。別の例では、術前画像２００と複数の生体計測パラメータとは、同じイメージングモダリティから取得される。
【0024】
図３のブロック１０８において、方法１００は、第２の入力機械学習モデル５２を介して、複数の生体計測パラメータに部分的に基づいて第２の一式のデータを抽出することを含む。第２の一式のデータは、３次元ベクトルの形態で提示されてもよい。図３のブロック１１０において、コントローラＣは、第１の一式のデータと第２の一式のデータとを結合して、混合された一式のデータを取得するように構成される。
【0025】
任意選択で、ブロック１１２において、方法１００は、図４及び図５にそれぞれ示される術前画像２００及び術後画像３００などの、過去のそれぞれの術前画像及び術後画像の対にアクセスすることを含み得る。図５は、角膜３０３の上面３０２、角膜３０３の下面３０４、虹彩３０８、及び毛様筋３１０を示している。また、図５には、挿入された眼内レンズ１２、第１の表面１６、第２の表面１８、第１の支持構造体２０、及び第２の支持構造体２２も示されている。図５は、原寸に比例していない。術後画像３００は、当業者が利用できる超音波生体顕微鏡法又は他のイメージングモダリティを介して取得することができる。図１を参照すると、コントローラＣは、短距離ネットワーク２８を介してデータベース３６から過去の対を取得するように構成され得る。コントローラＣは、長距離ネットワーク４４を介してリモートサーバ４０から過去の対を取得するように構成され得る。
【0026】
ブロック１１４において、コントローラＣは、第３の入力機械学習モデル５４を介して、過去の対の比較に部分的に基づいて第３の一式のデータを抽出するように構成される。第３の一式のデータは、混合された一式のデータに加えられる。一例では、第３の入力機械学習モデル５４は、術前画像２００における術前測定値（ｘ）を分類して提案されるレンズ度数（ｆ（ｘ））を決定した後、提案される眼内レンズ度数を用いることによって生じ得る推定誤差を決定するように構成された深層学習ニューラルネットワークである。第３の入力機械学習モデル５４は、（術前画像２００に基づく）予測された自覚的屈折検査に基づく等価球面度数と、（術後画像３００に基づく）術後の自覚的屈折検査に基づく等価球面度数との間の平均二乗誤差として定義されるコスト関数を最小化するように構成され得る。
【0027】
過去の対の比較は、術前画像２００と術後画像３００との間における特定のパラメータの変化を追跡することを伴い得る。例えば、比較は、図４に示す第１の距離ｄ１と、図５に示す第２の距離ｄ２との間の差を評価することを含み得る。第１の距離ｄ１は、術前画像２００における術前レンズ２０６の中心２４０と、角膜２０３の上面２０２上の基準点２４２との間の距離である。第２の距離ｄ２は、術後画像３００における挿入された眼内レンズ１２の中心３４０と、角膜３０３の上面３０２上の基準点３４２との間の距離である。他のパラメータが採用されてもよい。
【0028】
図３のブロック１１６において、方法１００は、出力機械学習モデルを介して、混合された一式のデータに基づいて少なくとも１つの出力係数を生成することを含む。図６を参照すると、出力機械学習モデル５６は、各ノードＮのパラメータが他とは独立である、すなわち、各ノードＮが一意の一式の重みによって特徴付けられるような全結合パーセプトロンモデルであり得る。図６を参照すると、出力機械学習モデル５６は、第１の出力係数４１２及び第２の出力係数４１４などの複数の出力を生成し得る。第１の出力係数４１２は、自覚的屈折検査に基づく等価球面度数（ＭＲＳＥ）であってもよい。第２の出力係数４１４は、裸眼遠見視力（ｕｎｃｏｒｒｅｃｔｅｄ ｄｉｓｔａｎｃｅ ｖｉｓｕａｌ ａｃｕｉｔｙ、ＵＣＤＶＡ）であってもよい。
【0029】
任意選択で、ブロック１１６において出力係数を生成する前に、コントローラＣは、複数の術前寸法に部分的に基づいて１つ又は複数の代入術後変数を取得するように構成され得る。代入術後変数は、術後レンズ厚と術後レンズ位置とを含み得る。代入術後変数は、混合された一式のデータに加えられ、ブロック１１６において出力係数を生成するための出力機械学習モデル５６への追加の入力と見なされる。代入術後変数は、例えば、ＳＲＫ／Ｔ式、Ｈｏｌｌａｄａｙ式、Ｈｏｆｆｅｒ Ｑ式、Ｏｌｓｅｎ式、及びＨａｉｇｉｓ式などの当業者が利用できる幾何学的モデル又は眼内レンズ度数計算式から取得され得る。代入術後変数は、当業者が利用できる他の推定方法から取得されてもよい。
【0030】
図３のブロック１１８において、方法１００は、ブロック１１６において生成された少なくとも１つの出力係数に部分的に基づいて眼内レンズ１２を選択することを含む。複数の出力係数がある場合、コントローラＣは、複数の出力係数の加重平均又は他の統計的手法（例えば、ニューラルネット）を用いて、挿入される眼内レンズ１２の正しい度数を決定するように構成されてもよい。
【0031】
まとめると、システム１０及び方法１００は、眼内レンズ１２の選択プロセスを最適化し、特に、不規則なバイオメトリを有する眼において、予測成功率をより高めることができる。システム１０及び方法１００は、モデル訓練中とモデル実行中との両方において、広範囲のイメージングモダリティに適用され得る。
【0032】
図１のコントローラＣは、コンピュータによって（例えば、コンピュータのプロセッサによって）読み取られ得るデータ（例えば、命令）の提供に関与する非一時的（例えば、有形）媒体を含む、コンピュータ可読媒体（プロセッサ可読媒体とも呼ばれる）を備える。そのような媒体は、不揮発性媒体及び揮発性媒体を含むが限定されない多くの形態をとり得る。不揮発性媒体としては、例えば、光ディスク又は磁気ディスク及び他の永続的メモリが挙げられる。揮発性媒体としては、例えば、主記憶装置を構成し得るダイナミックランダムアクセスメモリ（ＤＲＡＭ）が挙げられる。このような命令は、コンピュータのプロセッサに結合されたシステムバスを備える配線を含む、同軸ケーブル、銅線、及び光ファイバを含む１つ又は複数の伝送媒体によって伝送され得る。コンピュータ可読媒体のいくつかの形態としては、例えば、フロッピー（登録商標）ディスク、フレキシブルディスク、ハードディスク、磁気テープ、若しくは他の磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤ、若しくは他の光媒体、パンチカード、紙テープ、若しくは他の孔のパターンを有する物理媒体、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、フラッシュＥＥＰＲＯＭ、若しくは他のメモリチップやカートリッジ、又は他のコンピュータが読み取り可能な媒体が挙げられる。
【0033】
本明細書に記載されるルックアップテーブル、データベース、データリポジトリ、又は他のデータストアは、階層型データベース、ファイルシステム内の一式のファイル、独自形式のアプリケーションデータベース、リレーショナルデータベース管理システム（ＲＤＢＭＳ）などを含む、様々な種類のデータを格納、アクセス、及び取得するための様々な種類の機構を含み得る。それぞれのそのようなデータストアは、上述したようなコンピュータオペレーティングシステムを採用するコンピューティングデバイス内に含まれてもよく、様々な仕方のうちの１つ又は複数でネットワークを介してアクセスされてもよい。ファイルシステムは、コンピュータオペレーティングシステムからアクセス可能であり、様々な形式で格納されたファイルを含むことができる。ＲＤＢＭＳは、上述のＰＬ／ＳＱＬ言語などのストアドプロシージャを作成、保存、編集、及び実行するための言語に加えて、構造化照会言語（Ｓｔｒｕｃｔｕｒｅｄ Ｑｕｅｒｙ Ｌａｎｇｕａｇｅ、ＳＱＬ）を採用してもよい。
【0034】
詳細な説明及び図面又は各図は、本開示をサポートし、説明するものであるが、本開示の範囲は、特許請求の範囲によってのみ定義される。特許請求の範囲に記載された開示を実施するための最良の態様及び他の実施形態のいくつかを詳細に説明したが、添付の特許請求の範囲において定義された開示を実施するための様々な代替的な設計及び実施形態が存在する。更に、図面に示された実施形態又は本明細書で言及された様々な実施形態の特徴は、必ずしも互いに独立した実施形態として理解されるべきではない。むしろ、ある実施形態の例のうちの１つにおいて説明された特性のそれぞれは、他の実施形態からの１つ又は複数の他の望ましい特性と組み合わせることが可能であり、その結果、言葉で説明されていない、又は図面を参照することによって説明されていない、他の実施形態を得ることができる。したがって、このような他の実施形態は、添付の特許請求の範囲の枠組み内に含まれる。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【国際調査報告】