WO2024080459A1 - 근시퇴행 예측 장치 및 방법 - Google Patents

근시퇴행 예측 장치 및 방법 Download PDF

Info

Publication number
WO2024080459A1
WO2024080459A1 PCT/KR2023/002165 KR2023002165W WO2024080459A1 WO 2024080459 A1 WO2024080459 A1 WO 2024080459A1 KR 2023002165 W KR2023002165 W KR 2023002165W WO 2024080459 A1 WO2024080459 A1 WO 2024080459A1
Authority
WO
WIPO (PCT)
Prior art keywords
regression
sub
feature
corneal
myopia
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/KR2023/002165
Other languages
English (en)
French (fr)
Inventor
이성준
이대홍
예재형
이광열
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aivis Inc
Original Assignee
Aivis Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Aivis Inc filed Critical Aivis Inc
Priority to EP23837931.7A priority Critical patent/EP4379741A4/en
Priority to US18/580,942 priority patent/US20250221616A1/en
Priority to CN202380013201.2A priority patent/CN118541762A/zh
Publication of WO2024080459A1 publication Critical patent/WO2024080459A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A61B3/1225—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes using coherent radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/103—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining refraction, e.g. refractometers, skiascopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/11—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils
    • A61B3/112—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils for measuring diameter of pupils

Definitions

  • the technical idea of the present disclosure relates to an apparatus and method for predicting myopia regression, and more specifically, to an apparatus and method for predicting myopia regression using machine learning.
  • Myopia regression refers to a case where some patients' vision deteriorates again after vision correction surgery such as LASIK, LASEK, and SMILE. It often occurs within 1 week to 6 months after surgery, and depending on the level of eye care after surgery, it may occur several years after surgery. Currently, there is a trust issue between patients and doctors because it is not possible to objectively provide patients with the probability of myopia regression occurring.
  • Corneal collagen cross-linking is a technique that strengthens corneal tissue by using riboflavin as a photosensitizer and then irradiating ultraviolet A to produce an optical reaction and increase the formation of covalent bonds or cross-links within and between fibrils in the corneal stroma. am.
  • corneal collagen cross-linking can be used to minimize myopic regression.
  • the current prediction of myopic regression cannot be calculated with objective numbers, and since the degree of risk is judged based on the subjective judgment of doctors, the consistency of myopic regression prediction may decrease depending on the doctors' deviations. As a result, patients may feel anxious about vision correction surgery and their trust in the surgical method presented to them may decrease. Therefore, a device and method for objectively predicting the probability of myopia degeneration is needed.
  • the problem that the present disclosure aims to solve is to provide an apparatus and method for objectively predicting at least one of the probability of myopic regression occurring and whether myopic regression will occur.
  • Myopia regression prediction devices include refractive power (degree of myopia and astigmatism), corneal curvature, axial length, pupil size in photopic vision, pupil size in scotopic vision, corneal diameter, corneal thickness, corneal epithelial thickness, and high-order aberration. , may be configured to predict at least one of the probability of occurrence of myopia degeneration and whether or not myopia degeneration will occur using a machine learning processor from numerical data including visual acuity, intraocular pressure, gender, and age.
  • the myopic regression prediction device includes fundus imaging images, corneal endothelial cell images, corneal morphology, and aberration analyzer (e.g., Keratron Scout) images to predict at least one of the probability of myopic regression occurring and whether myopic regression occurs.
  • aberration analyzer e.g., Keratron Scout
  • Deep learning processors and imaging data including optical coherence tomography images, OPD-SCAN III images, and computed corneal tomography (e.g., Pentacam AXL) images are further available.
  • the machine learning processor is configured to extract a first feature from the numerical data
  • the deep learning processor is configured to extract a second feature from the image data
  • the myopia regression prediction device is configured to extract the first feature from the image data. It may include a fusion processor configured to predict at least one of a probability of occurrence of myopic degeneration and whether or not myopic degeneration will occur from the feature and the second feature.
  • the deep learning processor includes a first sub-model processor configured to extract a first sub-feature from the fundus imaging image, a second sub-model processor configured to extract a second sub-feature from the corneal endothelial cell image, A third sub-model processor configured to extract a third sub-feature from the corneal shape and aberration analyzer image, a fourth sub-model processor configured to extract a fourth sub-feature from the optical coherence tomography image, and a fourth sub-model processor configured to extract a fourth sub-feature from the OPD-SCAN III image.
  • a fifth sub-model processor configured to extract 5 sub-features
  • a sixth sub-model processor configured to extract a sixth sub-feature from the computerized keratographer image, and the second feature from the first to sixth sub-features. It may include a sub-fusion processor configured to extract.
  • the machine learning processor includes a missing value processing processor configured to process missing values of the numeric data, a preprocessing processor configured to preprocess the numeric data, a learning processor configured to extract features from the preprocessed numeric data, and the extraction. It may include a post-processing processor configured to predict at least one of the probability of occurrence of myopia degeneration and whether or not myopia degeneration will occur.
  • the method for predicting myopia regression includes refractive power, corneal curvature, axial length, pupil size in photopic vision, pupil size in scotopic vision, corneal diameter, corneal thickness, corneal epithelial thickness, higher order aberration, visual acuity, intraocular pressure, gender, And it may include predicting at least one of the probability of occurrence of myopia degeneration and whether myopia degeneration will occur using a machine learning processor from numerical data including age.
  • the step of predicting at least one of the probability of occurrence of myopia degeneration and whether myopia degeneration occurs includes fundus photography images, corneal endothelial cell images, corneal shape and aberration analyzer images, optical coherence tomography images, and OPD-SCAN III images.
  • image data including computed tomography images and a deep learning processor may further be used.
  • the step of predicting at least one of the probability of occurrence of myopia degeneration and whether myopia degeneration occurs may include extracting a first feature from the numerical data using the machine learning processor, and using the deep learning processor from the image data. It may include extracting a second feature using the first feature and the second feature to predict at least one of a probability of occurrence of myopic degeneration and whether or not myopic degeneration will occur.
  • extracting the second feature includes extracting a first sub-feature from the fundus image, extracting a second sub-feature from the corneal endothelial cell image, and the corneal shape and aberration analyzer image. extracting a third sub-feature from the optical coherence tomography image, extracting a fourth sub-feature from the optical coherence tomography image, extracting a fifth sub-feature from the OPD-SCAN III image, and extracting a fifth sub-feature from the computed corneal tomography image. It may include extracting six sub-features, and extracting the second feature from the first to sixth sub-features.
  • the method of training the myopia regression prediction device includes refractive power, corneal curvature, axial length, pupil size in photopic vision, pupil size in scotopic vision, corneal diameter, corneal thickness, corneal epithelial thickness, higher order aberration, visual acuity,
  • a method of training a myopia regression prediction device configured to predict at least one of the probability of occurrence of myopia regression and whether or not myopia regression will occur from numerical data including intraocular pressure, gender, and age, wherein the training method includes a missing value processing method and a preprocessing method.
  • FIG. 1 is a block diagram of a myopia regression prediction device according to embodiments of the present disclosure.
  • Figure 2 is a block diagram of a myopia regression prediction device according to embodiments of the present disclosure.
  • Figure 3 is a block diagram of a deep learning processor according to embodiments of the present disclosure.
  • Figure 4 is a flowchart of a myopia regression prediction method according to embodiments of the present disclosure.
  • Figure 5 is a flowchart of a myopia regression prediction method according to embodiments of the present disclosure.
  • Figure 6 is a flowchart of extracting a second feature from image data using a deep learning processor according to embodiments of the present disclosure.
  • Figure 7 is a flowchart of a method for training a myopia regression prediction device according to embodiments of the present disclosure.
  • Medical devices for predicting myopia regression include refractive power, corneal curvature, axial length, pupil size in photopic vision, pupil size in scotopic vision, corneal diameter, corneal thickness, corneal epithelial thickness, higher order aberration, visual acuity, intraocular pressure, gender, and age. It may be configured to predict at least one of the probability of occurrence of myopia degeneration and whether or not myopia degeneration will occur from the data using a machine learning processor.
  • FIG. 1 is a block diagram of a myopia regression prediction device 100 according to embodiments of the present disclosure.
  • the myopia regression prediction apparatus 100 may include a machine learning processor 110.
  • the machine learning processor 110 may predict at least one (R) of the probability of occurrence of myopic degeneration and whether or not myopic degeneration will occur from the numerical data D10.
  • Numerical data (D10) may include refractive power, corneal curvature, axial length, pupil size in photopic vision, pupil size in scotopic vision, corneal diameter, corneal thickness, corneal epithelial thickness, higher order aberration, visual acuity, intraocular pressure, gender, and age. .
  • gender is categorical data, it can be converted to numerical data by defining, for example, female as 0 and male as 1. Of course, conversely, women can be defined as 1 and men as 0.
  • the explanation of each numerical data (D10) is omitted as it is self-explanatory to those in the ophthalmology industry.
  • At least one (R) of the probability of myopic regression occurring and whether myopic regression will occur can be predicted with high performance.
  • the numerical data (D10) is not limited to those listed herein, and numerical data not listed herein may be added to improve the performance of predicting at least one (R) of the probability of myopic regression occurring and whether myopic regression occurs. You can.
  • the machine learning processor 110 may include a missing value processing processor 111, a pre-processing processor 112, a learning processor 113, and a post-processing processor 114.
  • the missing value processing processor 111, the pre-processing processor 112, the learning processor 113, and the post-processing processor 114 may each be processors composed of different hardware, but the missing value processing processor 111 and the pre-processing processor of the present disclosure
  • the learning processor 112, the learning processor 113, and the post-processing processor 114 are not limited to this and may be composed of a single piece of hardware and perform different functions.
  • the learning processor 113 may be configured to enable arbitrary machine learning.
  • the learning processor 113 is a linear regression model, a logistic regression model, a support vector machine (SVM) model, a decision tree model, a random forest model, and ) machine learning can be performed based on a model, or a deep learning model.
  • machine learning includes deep learning.
  • learning processor 113 may utilize an ensemble, or combination, of multiple machine learning methods.
  • machine learning processor 110 may include a missing value processing processor 111.
  • the missing value processing processor 111 may process missing values of the numerical data D10.
  • the missing value processing processor 111 may perform any missing value processing method.
  • missing value handling methods include Do nothing, k-NN (k nearest neighbor), MICE (Multivariate Imputation by Chained Equation), missForest, AutoEncoder, GAIN (Generative Adversarial Imputation Nets), and EM (Expectation Maximization). , or a combination thereof.
  • machine learning processor 110 may include preprocessor 112.
  • the preprocessor 112 may preprocess the numerical data D10 that has been processed for missing values.
  • the preprocessing processor 112 may perform any preprocessing method.
  • the preprocessing method may include no preprocessing, standardization, normalization, principal component analysis (PCA), fast independent component analysis (fast ICA), or a combination thereof.
  • the learning processor 113 may extract features from the preprocessed numerical data D10.
  • machine learning processor 110 may include a post-processing processor 114.
  • the post-processing processor 114 may post-process the features extracted by the learning processor 113 and output at least one (R) of the probability of myopic degeneration occurring and whether myopic degeneration has occurred.
  • Post-processing processor 114 may perform any post-processing method.
  • the post-processing method may include no post-processing, sigmoid, isotonic, or combinations thereof.
  • the myopic regression prediction device 100 may output at least one (R) of the probability of myopic regression occurring and whether myopic regression has occurred.
  • whether myopia degeneration has occurred may be calculated from the probability of myopia degeneration occurring. For example, if the probability of myopic regression occurring is greater than 0.5, it can be predicted that myopic regression will occur, and if the probability of myopic regression occurring is less than 0.5, it can be predicted that myopic regression will not occur.
  • the threshold 0.5 can be arbitrarily changed.
  • Figure 2 is a block diagram of a myopia regression prediction medical device device 100A according to embodiments of the present disclosure.
  • the myopia regression prediction medical device device 100A may further use image data D20 and the deep learning processor 120.
  • the image data (D20) includes fundus photography images, corneal endothelial cell images, corneal morphology and aberration analyzer (e.g., Keratron Scout) images, optical coherence tomography images, OPD-SCAN III images, and computed corneal tomography (e.g., Pentacam) images.
  • AXL computed corneal tomography
  • the explanation of each image data (D20) is omitted as it is self-explanatory to those in the ophthalmology industry.
  • at least one (R) of the probability of occurrence of myopic degeneration and whether or not myopic degeneration will occur can be predicted with high performance.
  • image data D20 is not limited to those listed herein, and image data not listed herein may be added to improve the performance of predicting at least one of the probability of myopic degeneration occurring and whether myopic degeneration occurs (R). You can. Image data D20 may be in the form of a two-dimensional or three-dimensional array of numbers.
  • the deep learning processor 120 may perform learning and data inference based on a deep learning model including a convolution-based deep neural network.
  • a convolution-based deep neural network refers to a deep neural network that includes layers that perform convolution operations. A detailed description of the convolution operation is omitted as it is obvious to those skilled in the machine learning field.
  • convolution-based deep neural networks may include LeNet, AlexNet, VGGNet, GoogleNet, or ResNet. However, convolution-based deep neural networks are not limited to those listed herein and may include any deep neural network that includes convolutional layers.
  • the myopia regression prediction medical device device 100A may include a machine learning processor 110, a deep learning processor 120, and a fusion processor 130.
  • the machine learning processor 110 may extract the first feature (F10) from the numerical data (D10)
  • the deep learning processor 120 may extract the second feature (F20) from the image data (D20).
  • a feature means a number or an array of numbers.
  • the fusion processor 130 may predict at least one (R) of the probability of occurrence of myopic degeneration and whether or not myopic degeneration will occur from the first feature and the second feature.
  • the fusion processor 130 may include, for example, a fully connected layer.
  • Figure 3 is a block diagram of a deep learning processor 120 according to embodiments of the present disclosure.
  • the deep learning processor 120 may include first to sixth sub-model processors 121 to 126 and a sub-fusion processor 127.
  • the deep learning processor 120 is shown as including six sub-model processors 121 to 126, but the number of sub-model processors included in the deep learning processor 120 varies depending on the number of image data used. can be increased.
  • the sub-model processors 121 to 126 of the present disclosure may be composed of different hardware, but are not limited to this and are composed of one processor, and the sub-model processors 121 to 126 may be distinguished based on the output sub characteristics. there is.
  • the first sub-model processor 121 may extract the first sub-feature (F21) from the first image data (D21).
  • the second sub-model processor 122 may extract the second sub-feature F22 from the second image data D22.
  • the third sub-model processor 123 may extract the third sub-feature (F23) from the third image data (D23).
  • the fourth sub model processor 124 may extract the fourth sub feature F24 from the fourth image data D24.
  • the fifth sub-model processor 125 may extract the fifth sub-feature F25 from the fifth image data D25.
  • the sixth sub-model processor 126 may extract the sixth sub-feature (F26) from the sixth image data (D26).
  • the first to sixth image data are fundus photography images, corneal endothelial cell images, corneal morphology and aberration analyzer (e.g. Keratron Scout) images, optical coherence tomography images, OPD-SCAN III images, and computerized images, respectively. It can support images from corneal tomography (e.g. Pentacam AXL).
  • Each of the first to sixth sub-model processors 121 to 126 may include a convolution-based deep neural network.
  • the first to sixth sub-features (F21 to F26) refer to a numerical value or an array of numerical values.
  • the sub-fusion processor 127 may extract the second feature (F20) from the first to sixth sub-features (F21 to F26). For example, the sub-fusion processor 127 may extract the second feature (F20) based on a model including a fully combined layer.
  • Figure 4 is a flowchart of a myopia regression prediction method 200 according to embodiments of the present disclosure.
  • the myopia regression prediction method 200 includes refractive power, corneal curvature, axial length, pupil size in photopic vision, pupil size in scotopic vision, corneal diameter, corneal thickness, corneal epithelial thickness, higher order aberration, and visual acuity. , a step (S200) of predicting at least one (R) of the probability of occurrence of myopic regression and whether or not myopic regression occurs using the machine learning processor 110 from numerical data (D10) including intraocular pressure, gender, and age. You can.
  • Figure 5 is a flowchart of a myopia regression prediction method 200A according to embodiments of the present disclosure.
  • the myopic regression prediction method 200A predicts at least one (R) of the probability of myopic regression occurring and whether myopic regression occurs using the machine learning processor 110 from numerical data D10. It may include step (S200A).
  • the step (S200A) of predicting at least one of the probability of occurrence of myopia degeneration and whether or not myopia degeneration occurs (R) using the machine learning processor 110 from the numerical data (D10) includes fundus imaging images, corneal endothelial cell images, corneal shape and aberration.
  • the deep learning processor 120 and image data D20 including analyzer images, optical coherence tomography images, OPD-SCAN III images, and computed tomography images may be further used.
  • the step (S200A) of predicting at least one (R) of the probability of occurrence of myopia degeneration and whether myopia degeneration occurs using the machine learning processor 110 from the numerical data D10 is machine learning from the numerical data D10. Extracting the first feature (F10) using the processor 110 (S210), extracting the second feature (F20) from the image data D20 using the deep learning processor 120 (S220), and fusion It may include predicting at least one (R) of the probability of occurrence of myopic degeneration and whether or not myopic degeneration will occur from the first feature (F10) and the second feature (F20) using the processor 130 (S230).
  • the step of extracting the first feature (F10) (S210) and the step of extracting the second feature (F20) (S220) may be performed simultaneously.
  • the step of extracting the second feature (F20) (S220) may be performed after the step of extracting the first feature (F10) (S210).
  • the step S220 of extracting the second feature F20 may be performed before the step S210 of extracting the first feature F10.
  • Figure 6 is a flowchart of a step (S220) of extracting a second feature from image data using a deep learning processor according to embodiments of the present disclosure.
  • the step of extracting the second feature (S220) includes extracting the first sub-feature (F21) from the first image data (D21) using the first sub-model processor 121. (S221), extracting the second sub-feature (F22) from the second image data (D22) using the second sub-model processor 122 (S222), extracting the third image using the third sub-model processor 123 Extracting the third sub-feature (F23) from the data (D23) (S223), extracting the fourth sub-feature (F24) from the fourth image data (D24) using the fourth sub-model processor 124 ( S224), extracting the fifth sub-feature (F25) from the fifth image data D25 using the fifth sub-model processor 125 (S225), extracting the sixth image data using the sixth sub-model processor 126 It may include extracting the sixth sub-feature (F26) from (D26) (S226), and extracting the second feature (F20) from the first to sixth sub-features (F21).
  • sub-feature extraction steps S221 to S226) are shown in FIG. 6, the number of steps for extracting sub-features may increase depending on the number of image data used.
  • the sub-feature extraction steps S221 to S226 may proceed simultaneously and in parallel.
  • the sub-feature extraction steps S221 to S226 may be performed sequentially. That is, the order of performing the sub-feature extraction steps (S221 to S226) can be changed in various ways.
  • Figure 7 is a flowchart of a method 300 for training a myopia regression prediction medical device device according to embodiments of the present disclosure.
  • the method 300 of training a medical device to predict myopia degeneration includes generating a plurality of machine learning processors (S310), evaluating the plurality of machine learning processors (S320), and evaluating the evaluation results. It may include selecting an optimal machine learning processor based on the method (S330).
  • the step of generating a plurality of machine learning processors may include processing missing values, selecting a pre-processing method, selecting a machine learning method, and selecting a post-processing method. That is, the plurality of machine learning processors may differ in at least one of a missing value processing method, a pre-processing method, a machine learning method, and a post-processing method. Accordingly, the method 300 of training the myopia regression prediction medical device device of the present disclosure includes selecting at least one technique among a missing value processing method, a pre-processing method, a machine learning method, and a post-processing method, each consisting of a plurality of techniques. A machine learning processor consisting of a series of missing value processing methods, pre-processing methods, machine learning methods, and post-processing methods can be created in various combinations.
  • missing value handling methods include Do nothing, k-NN (k nearest neighbor), MICE (Multivariate Imputation by Chained Equation), missForest, AutoEncoder, GAIN (Generative Adversarial Imputation Nets), and EM (Expectation Maximization). , or a combination thereof.
  • preprocessing methods may include standardization, normalization, principal component analysis (PCA), fast independent component analysis (fast ICA), or a combination thereof.
  • PCA principal component analysis
  • fast ICA fast independent component analysis
  • machine learning methods include linear regression, logistic regression, support vector machine (SVM), Decision Tree, RandomForest, XGBOOST, or deep learning.
  • SVM support vector machine
  • a machine learning method may include an ensemble, or combination, of multiple machine learning methods.
  • the post-processing method may include no post-processing, sigmoid, isotonic, or combinations thereof.
  • step S320 of evaluating a plurality of machine learning processors for example, Mean Squared Error (MSE), accuracy, Precision, Recall, F1-Score, etc. may be used.
  • MSE Mean Squared Error
  • the step of selecting the optimal machine learning processor based on the evaluation result (S330) may be selecting the machine learning processor with the highest performance as a result of the evaluation.
  • the method 300 of training a myopia degeneration prediction medical device device may be performed using AutoMachineLearning (AutoML), MachineLearningOperations (MLOps), or a combination thereof.
  • AutoML AutoMachineLearning
  • MLOps MachineLearningOperations
  • Using AutoML, MLOps, or a combination thereof generating a plurality of machine learning processors (S310), evaluating the plurality of machine learning processors (S320), and selecting an optimal machine learning processor based on the evaluation results.
  • Step (S330) can be easily performed, thereby increasing the efficiency of developing medical devices for predicting myopia regression.
  • Non-transitory only means that the storage medium does not contain signals and is tangible, and does not distinguish whether the data is stored semi-permanently or temporarily in the storage medium.
  • numerical data and image data related to the patient's eye condition can be obtained, and at least one of the probability of myopic regression occurring and whether myopic regression has occurred can be objectively predicted based on the acquired data.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Ophthalmology & Optometry (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Urology & Nephrology (AREA)
  • Eye Examination Apparatus (AREA)
  • Cardiology (AREA)
  • Prostheses (AREA)
  • Optics & Photonics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Radiology & Medical Imaging (AREA)
  • Multimedia (AREA)

Abstract

근시퇴행 예측 의료기기 장치가 제공된다. 이 근시퇴행 예측 의료기기 장치는 굴절력, 각막곡률, 안축장길이, 명소시 동공크기, 암소시 동공크기, 각막지름, 각막두께, 각막상피두께, 고위수차, 시력, 안압, 성별, 및 나이를 포함하는 수치 데이터로부터 기계 학습 프로세서를 이용하여 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하도록 구성될 수 있다.

Description

근시퇴행 예측 장치 및 방법
본 개시의 기술적 사상은 근시퇴행 예측 장치 및 방법에 관한 것으로, 더욱 상세하게는, 기계 학습을 이용한 근시퇴행 예측 장치 및 방법에 관한 것이다.
근시퇴행이란 라식, 라섹, 스마일 등 시력교정 수술 후 일부 환자들의 시력이 다시 저하되는 경우를 의미한다. 수술 후 1주부터 6개월 이내에 발생하는 경우가 많으며, 수술 후 눈 관리 정도에 따라 수술 후 수년이 지난 후에 발생하기도 한다. 현재는 환자에게 근시퇴행 발생 확률을 객관적으로 제공할 수 없기 때문에 환자와 의사간에 신뢰도 이슈가 존재한다. 각막 콜라겐 교차결합술은 리보플라빈을 광감작제로 사용한 뒤 자외선 A를 조사하면 광학학적 반응이 발생하여 각막기질내에 원섬유내 및 원섬유간 공유결합 또는 교차결합의 형성을 증가시켜 각막조직을 강화하는 기술이다. 근시퇴행이 발생할 확률이 높은 경우, 각막 콜라겐 교차결합술을 이용하여 근시퇴행을 최소화할 수 있다. 그러나 현재 근시퇴행 예측은 객관적 수치로 산정할 수 없으며, 의사들의 주관적 판단으로 그 위험 정도를 판단하기 때문에 의사들의 편차에 따라 근시퇴행 예측 일관성이 떨어질 수 있다. 이에 환자들이 시력교정술에 대해 불안감을 느끼고, 환자에게 제시되는 수술방식에 대해 신뢰도가 감소될 수 있다. 따라서 객관적으로 근시퇴행 발생 확률을 예측하는 장치 및 방법이 필요하다.
본 개시가 해결하고자 하는 과제는 근시 퇴행 발생 확률 및 근시 퇴행 발생 여부 중 적어도 하나를 객관적으로 예측하는 장치 및 방법을 제공하는 것이다.
본 개시의 실시예들에 따른 근시퇴행 예측 장치는 굴절력(근시와 난시의 정도), 각막곡률, 안축장길이, 명소시 동공크기, 암소시 동공크기, 각막지름, 각막두께, 각막상피두께, 고위수차, 시력, 안압, 성별, 및 나이를 포함하는 수치 데이터로부터 기계 학습 프로세서를 이용하여 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하도록 구성될 수 있다.
일부 실시예에서, 상기 근시퇴행 예측 장치는 상기 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하기 위해 안저 촬영영상, 각막 내피세포 영상, 각막형태 및 수차분석기(예:Keratron Scout) 영상, 빛간섭단층촬영 영상, OPD-SCAN III 영상, 및 전산화각막단층촬영기(예: Pentacam AXL) 영상을 포함하는 영상 데이터 및 심층 학습 프로세서를 더 이용할 수 있다.
일부 실시예에서, 상기 기계 학습 프로세서는 상기 수치 데이터로부터 제1 특징을 추출하도록 구성되고, 상기 심층 학습 프로세서는 상기 영상 데이터로부터 제2 특징을 추출하도록 구성되고, 상기 근시퇴행 예측 장치는 상기 제1 특징 및 상기 제2 특징으로부터 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하도록 구성된 융합 프로세서를 포함할 수 있다.
일부 실시예에서, 상기 심층 학습 프로세서는, 상기 안저 촬영영상으로부터 제1 서브 특징을 추출하도록 구성된 제1 서브 모델 프로세서, 상기 각막 내피세포 영상으로부터 제2 서브 특징을 추출하도록 구성된 제2 서브 모델 프로세서, 각막형태 및 수차분석기 영상으로부터 제3 서브 특징을 추출하도록 구성된 제3 서브 모델 프로세서, 상기 빛간섭단층촬영 영상으로부터 제4 서브 특징을 추출하도록 구성된 제4 서브 모델 프로세서, 상기 OPD-SCAN III 영상으로부터 제5 서브 특징을 추출하도록 구성된 제5 서브 모델 프로세서, 및 상기 전산화각막형태촬영기 영상으로부터 제6 서브 특징을 추출하도록 구성된 제6 서브 모델 프로세서, 및 상기 제1 내지 제6 서브 특징으로부터 상기 제2 특징을 추출하도록 구성된 서브 융합 프로세서를 포함할 수 있다.
일부 실시예에서, 상기 기계 학습 프로세서는 상기 수치 데이터의 결측치를 처리하도록 구성된 결측치 처리 프로세서, 상기 수치 데이터를 전처리하도록 구성된 전처리 프로세서, 전처리된 상기 수치 데이터로부터 특징을 추출하도록 구성된 학습 프로세서, 및 상기 추출부로부터 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하도록 구성된 후처리 프로세서를 포함할 수 있다.
본 개시의 실시예들에 따른 근시퇴행 예측 방법은 굴절력, 각막곡률, 안축장길이, 명소시 동공크기, 암소시 동공크기, 각막지름, 각막두께, 각막상피두께, 고위수차, 시력, 안압, 성별, 및 나이를 포함하는 수치 데이터로부터 기계 학습 프로세서를 이용하여 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하는 단계를 포함할 수 있다.
일부 실시예에서, 상기 근시퇴행 발생 확률 및 근시퇴행 발생여부 중 적어도 하나를 예측하는 단계는 안저 촬영영상, 각막 내피세포 영상, 각막형태 및 수차분석기 영상, 빛간섭단층촬영 영상, OPD-SCAN III 영상, 및 전산화각막단층촬영기 영상을 포함하는 영상 데이터 및 심층 학습 프로세서를 더 이용할 수 있다.
일부 실시예에서, 상기 근시퇴행 발생 확률 및 근시퇴행 발생여부 중 적어도 하나를 예측하는 단계는 상기 수치 데이터로부터 상기 기계 학습 프로세서를 이용해 제1 특징을 추출하는 단계, 상기 영상 데이터로부터 상기 심층 학습 프로세서를 이용해 제2 특징을 추출하는 단계, 및 상기 제1 특징 및 상기 제2 특징으로부터 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하는 단계를 포함할 수 있다.
일부 실시예에서, 상기 제2 특징을 추출하는 단계는 상기 안저 촬영영상으로부터 제1 서브 특징을 추출하는 단계, 상기 각막 내피세포 영상으로부터 제2 서브 특징을 추출하는 단계, 상기 각막형태 및 수차분석기 영상으로부터 제3 서브 특징을 추출하는 단계, 상기 빛간섭단층촬영 영상으로부터 제4 서브 특징을 추출하는 단계, 상기 OPD-SCAN III 영상으로부터 제5 서브 특징을 추출하는 단계, 상기 전산화각막단층촬영기 영상으로부터 제6 서브 특징을 추출하는 단계, 및 상기 제1 내지 제6 서브 특징으로부터 상기 제2 특징을 추출하는 단계를 포함할 수 있다.
본 개시의 실시예들에 따른 근시퇴행 예측 장치를 훈련시키는 방법은 굴절력, 각막곡률, 안축장길이, 명소시 동공크기, 암소시 동공크기, 각막지름, 각막두께, 각막상피두께, 고위수차, 시력, 안압, 성별, 및 나이를 포함하는 수치 데이터로부터 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하도록 구성된 근시퇴행 예측 장치를 훈련시키는 방법으로서, 상기 훈련시키는 방법은, 결측치 처리 방법, 전처리 방법, 기계 학습 방법, 및 후처리 방법 중 적어도 하나가 서로 상이한 복수의 기계 학습 프로세서를 생성하는 단계, 상기 복수의 기계 학습 프로세서를 훈련시키는 단계, 상기 복수의 기계 학습 프로세서를 평가하는 단계, 및 평가 결과에 기초하여 복수의 기계 학습 프로세서 중 최적의 기계 학습 프로세서를 선택하는 단계를 포함할 수 있다.
본 개시의 기술적 사상에 따르면, 객관적으로 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측할 수 있다. 따라서 환자에게 객관적 예측 결과를 제공할 수 있어 환자와 의사 사이의 신뢰가 향상될 수 있다. 또한 객관적으로 근시 퇴행 발생 확률이 높은 경우 각막 콜라겐 교차결합술과 같은 수술 방법을 활용할 수 있다.
본 개시의 예시적 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 아니하며, 언급되지 아니한 다른 효과들은 이하의 기재로부터 본 개시의 예시적 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 개시의 예시적 실시예들을 실시함에 따른 의도하지 아니한 효과들 역시 본 개시의 예시적 실시예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
도 1은 본 개시의 실시예들에 따른 근시퇴행 예측 장치의 블록도이다.
도 2는 본 개시의 실시예들에 따른 근시퇴행 예측 장치의 블록도이다.
도 3은 본 개시의 실시예들에 따른 심층 학습 프로세서의 블록도이다.
도 4는 본 개시의 실시예들에 따른 근시퇴행 예측 방법의 흐름도이다.
도 5는 본 개시의 실시예들에 따른 근시퇴행 예측 방법의 흐름도이다.
도 6은 본 개시의 실시예들에 따른 영상 데이터로부터 심층 학습 프로세서를 이용하여 제2 특징을 추출하는 단계의 흐름도이다.
도 7은 본 개시의 실시예들에 따른 근시퇴행 예측 장치를 훈련시키는 방법의 흐름도이다.
근시퇴행 예측 의료기기 장치는 굴절력, 각막곡률, 안축장길이, 명소시 동공크기, 암소시 동공크기, 각막지름, 각막두께, 각막상피두께, 고위수차, 시력, 안압, 성별, 및 나이를 포함하는 수치 데이터로부터 기계 학습 프로세서를 이용하여 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하도록 구성될 수 있다.
이하, 첨부한 도면을 참조하여 본 개시의 실시 예에 대해 상세히 설명한다.
도 1은 본 개시의 실시예들에 따른 근시퇴행 예측 장치(100)의 블록도이다.
도 1을 참조하면, 근시퇴행 예측 장치(100)는 기계 학습 프로세서(110)을 포함할 수 있다. 기계 학습 프로세서(110)는 수치 데이터(D10)로부터 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 예측할 수 있다.
수치 데이터(D10)는 굴절력, 각막곡률, 안축장길이, 명소시 동공크기, 암소시 동공크기, 각막지름, 각막두께, 각막상피두께, 고위수차, 시력, 안압, 성별, 및 나이를 포함할 수 있다. 성별은 범주형 데이터이지만 예를 들어 여성은 0으로, 남성은 1로 정의하여 수치 데이터로 변환될 수 있다. 물론, 반대로 여성이 1로, 남성은 0으로 정의될 수도 있다. 각 수치 데이터(D10)에 대한 설명은 안과 업계 종사자에게 자명하므로 생략하였다. 이러한 수치 데이터(D10)를 사용함으로써 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 높은 성능으로 예측할 수 있다. 수치 데이터(D10)는 본 명세서에 나열된 것들로 제한되지 않으며, 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 예측하는 성능을 개선시키기 위하여 본 명세서에 나열되지 않은 수치 데이터가 추가될 수 있다.
기계 학습 프로세서(110)는 결측치 처리 프로세서(111), 전처리 프로세서(112), 학습 프로세서(113), 및 후처리 프로세서(114)를 포함할 수 있다. 결측치 처리 프로세서(111), 전처리 프로세서(112), 학습 프로세서(113), 및 후처리 프로세서(114)는 각각 서로 다른 하드웨어로 구성된 프로세서일 수 있으나, 본 개시의 결측치 처리 프로세서(111), 전처리 프로세서(112), 학습 프로세서(113), 및 후처리 프로세서(114)는 이에 국한되지 않고 하나의 하드웨어로 구성되어 서로 다른 기능으로 수행할 수도 있다.
학습 프로세서(113)는 임의의 기계 학습이 가능하도록 구성될 수 있다. 예를 들어, 학습 프로세서(113)는 선형 회귀 모델, 로지스틱 회귀 모델, 서포트 벡터 머신(support vector machine, SVM) 모델, 결정 트리(Decision Tree) 모델, 랜덤 포레스트(RandomForest) 모델, 엑스지부스트(XGBOOST) 모델, 또는 심층 학습(deep learning) 모델에 기초하여 기계 학습을 수행할 수 있다. 본 명세서에서, 기계 학습은 심층 학습을 포함한다. 일부 실시예에서, 학습 프로세서(113)는 복수의 기계 학습 방법의 앙상블, 즉 조합을 이용할 수 있다.
일부 실시예에서, 기계 학습 프로세서(110)는 결측치 처리 프로세서(111)를 포함할 수 있다. 결측치 처리 프로세서(111)는 수치 데이터(D10)의 결측치를 처리할 수 있다. 결측치 처리 프로세서(111)는 임의의 결측치 처리 방법을 수행할 수 있다. 예를들어 결측치 처리 방법은 아무것도 안하기(Do nothing), k-NN(k nearest neighbor), MICE(Multivariate Imputation by Chained Equation), missForest, AutoEncoder, GAIN(Generative Adversarial Imputation Nets), EM(Expectation Maximization), 또는 이들의 조합을 포함할 수 있다.
일부 실시예에서, 기계 학습 프로세서(110)는 전처리 프로세서(112)를 포함할 수 있다. 전처리 프로세서(112)는 결측치 처리된 수치 데이터(D10)를 전처리할 수 있다. 전처리 프로세서(112)는 임의의 전처리 방법을 수행할 수 있다. 예를 들어 전처리 방법은 전처리 없음, 표준화(standardization), 정규화(normalization), 주성분 분석(Principal Component Analysis, PCA), fast ICA(fast Independent Component analysis), 또는 이들의 조합을 포함할 수 있다.
학습 프로세서(113)는 전처리된 수치 데이터(D10)로부터 특징을 추출할 수 있다.
일부 실시예에서, 기계 학습 프로세서(110)는 후처리 프로세서(114)를 포함할 수 있다. 후처리 프로세서(114)는 학습 프로세서(113)에 의해 추출된 특징을 후처리해 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 출력할 수 있다. 후처리 프로세서(114)는 임의의 후처리 방법을 수행할 수 있다. 예를 들어 후처리 방법은 후처리 없음, 시그모이드(sigmoid), 아이소토닉(isotonic), 또는 이들의 조합을 포함할 수 있다.
근시퇴행 예측 장치(100)는 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 출력할 수 있다. 일부 실시예에서, 근시퇴행 발생 여부는 근시퇴행 발생 확률로부터 계산될 수 있다. 예를 들어, 근시퇴행 발생 확률이 0.5 초과인 경우 근시퇴행이 발생한다고 예측하고, 근시퇴행 발생 확률이 0.5 이하인 경우 근시퇴행이 발생하지 않는다고 예측할 수 있다. 물론, 임계치 0.5는 임의로 변경될 수 있다.
도 2는 본 개시의 실시예들에 따른 근시퇴행 예측 의료기기 장치(100A)의 블록도이다.
도 2를 참조하면, 근시퇴행 예측 의료기기 장치(100A)는 영상 데이터(D20) 및 심층 학습 프로세서(120)를 더 이용할 수 있다.
여기서 영상 데이터(D20)는 안저 촬영영상, 각막 내피세포 영상, 각막형태및 수차분석기 (예: Keratron Scout) 영상, 빛간섭단층촬영 영상, OPD-SCAN III 영상, 및 전산화각막단층촬영기(예: Pentacam AXL) 영상을 포함할 수 있다. 각 영상 데이터(D20)에 대한 설명은 안과 업계 종사자에게 자명하므로 생략하였다. 이러한 영상 데이터(D20)를 사용함으로써 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 높은 성능으로 예측할 수 있다. 영상 데이터(D20)는 본 명세서에 나열된 것들로 제한되지 않으며, 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 예측하는 성능을 개선시키기 위하여 본 명세서에 나열되지 않은 영상 데이터가 추가될 수 있다. 영상 데이터(D20)는 수치들의 2차원 어레이 또는 3차원 어레이 형태일 수 있다.
심층 학습 프로세서(120)는 컨벌루션 기반 심층 신경망을 포함한 심층 학습 모델에 기초하여 학습 및 데이터의 추론을 수행할 수 있다. 컨벌루션 기반 심층 신경망이란 컨벌루션 연산을 수행하는 층을 포함하는 심층 신경망을 말한다. 컨벌루션 연산에 대한 구체적인 설명은 기계 학습 분야의 통상의 기술자에게 자명하므로 생략하였다. 예를 들어, 컨벌루션 기반 심층 신경망은 LeNet, AlexNet, VGGNet, GoogleNet, 또는 ResNet을 포함할 수 있다. 그러나 컨벌루션 기반 심층 신경망은 본 명세서에 나열된 것들에 한정되지 않으며 컨벌루션 층을 포함하는 임의의 심층 신경망을 포함할 수 있다.
근시퇴행 예측 의료기기 장치(100A)는 기계 학습 프로세서(110), 심층 학습 프로세서(120) 및 융합 프로세서(130)를 포함할 수 있다. 기계 학습 프로세서(110)은 수치 데이터(D10)로부터 제1 특징(F10)을 추출할 수 있고, 심층 학습 프로세서(120)은 영상 데이터(D20)로부터 제2 특징(F20)을 추출할 수 있다. 여기서 특징이란 수치 또는 수치들의 어레이를 의미한다.
융합 프로세서(130)는 제1 특징 및 제2 특징으로부터 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 예측할 수 있다. 융합 프로세서(130)는 예를 들어 완전 결합 층(fully connected layer)을 포함할 수 있다.
도 3은 본 개시의 실시예들에 따른 심층 학습 프로세서(120)의 블록도이다.
도 3을 참조하면, 심층 학습 프로세서(120)는 제1 내지 제6 서브 모델 프로세서(121 내지 126) 및 서브 융합 프로세서(127)를 포함할 수 있다. 도 3에는 심층 학습 프로세서(120)가 6개의 서브 모델 프로세서(121 내지 126)을 포함하는 것으로 도시되었으나, 심층 학습 프로세서(120)에 포함되는 서브 모델 프로세서의 수는 사용되는 영상 데이터의 수에 따라 증가될 수 있다. 본 개시의 서브 모델 프로세서(121 내지 126)는 서로 다른 하드웨어로 구성될 수 있으나, 이에 국한되지 않고 하나의 프로세서로 구성되며 출력되는 서브 특징을 기준으로 서브 모델 프로세서(121 내지 126)가 구분될 수도 있다.
제1 서브 모델 프로세서(121)는 제1 영상 데이터(D21)로부터 제1 서브 특징(F21)을 추출할 수 있다. 제2 서브 모델 프로세서(122)는 제2 영상 데이터(D22)로부터 제2 서브 특징(F22)을 추출할 수 있다. 제3 서브 모델 프로세서(123)는 제3 영상 데이터(D23)로부터 제3 서브 특징(F23)을 추출할 수 있다. 제4 서브 모델 프로세서(124)는 제4 영상 데이터(D24)로부터 제4 서브 특징(F24)을 추출할 수 있다. 제5 서브 모델 프로세서(125)는 제5 영상 데이터(D25)로부터 제5 서브 특징(F25)을 추출할 수 있다. 제6 서브 모델 프로세서(126)는 제6 영상 데이터(D26)로부터 제6 서브 특징(F26)을 추출할 수 있다.
제1 내지 제6 영상 데이터(D21 내지 D26)는 각각 안저 촬영영상, 각막 내피세포 영상, 각막형태 및 수차분석기 (예: Keratron Scout) 영상, 빛간섭단층촬영 영상, OPD-SCAN III 영상, 및 전산화각막단층촬영기(예: Pentacam AXL) 영상에 대응할 수 있다. 제1 내지 제6 서브 모델 프로세서(121 내지 126) 각각은 컨벌루션 기반 심층 신경망을 포함할 수 있다. 제1 내지 제6 서브 특징(F21 내지 F26)은 수치 또는 수치들의 어레이를 의미한다.
서브 융합 프로세서(127)는 제1 내지 제6 서브 특징(F21 내지 F26)으로부터 제2 특징(F20)을 추출할 수 있다. 서브 융합 프로세서(127)는 예를들어 완전 결합 층을 포함한 모델에 기초하여 제2 특징(F20)을 추출할 수 있다.
도 4는 본 개시의 실시예들에 따른 근시퇴행 예측 방법(200)의 흐름도이다.
도 4 및 도 1을 함께 참조하면, 근시퇴행 예측 방법(200)은 굴절력, 각막곡률, 안축장길이, 명소시 동공크기, 암소시 동공크기, 각막지름, 각막두께, 각막상피두께, 고위수차, 시력, 안압, 성별, 및 나이를 포함하는 수치 데이터(D10)로부터 기계 학습 프로세서(110)를 이용하여 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 예측하는 단계(S200)를 포함할 수 있다.
도 5는 본 개시의 실시예들에 따른 근시퇴행 예측 방법(200A)의 흐름도이다.
도 5 및 도 2를 함께 참조하면, 근시퇴행 예측 방법(200A)은 수치 데이터(D10)로부터 기계 학습 프로세서(110)를 이용해 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 예측하는 단계(S200A)를 포함할 수 있다. 수치 데이터(D10)로부터 기계 학습 프로세서(110)를 이용해 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 예측하는 단계(S200A)는 안저 촬영영상, 각막 내피세포 영상, 각막형태 및 수차분석기 영상, 빛간섭단층촬영 영상, OPD-SCAN III 영상, 및 전산화각막단층촬영기 영상을 포함하는 영상 데이터(D20) 및 심층 학습 프로세서(120)를 더 이용할 수 있다.
일부 실시예에서, 수치 데이터(D10)로부터 기계 학습 프로세서(110)를 이용해 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 예측하는 단계(S200A)는 수치 데이터(D10)로부터 기계 학습 프로세서(110)를 이용해 제1 특징(F10)을 추출하는 단계(S210), 영상 데이터(D20)로부터 심층 학습 프로세서(120)을 이용해 제2 특징(F20)을 추출하는 단계(S220), 및 융합 프로세서(130)를 이용하여 제1 특징(F10) 및 제2 특징(F20)으로부터 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나(R)를 예측하는 단계(S230)를 포함할 수 있다. 일부 실시예에서, 제1 특징(F10)을 추출하는 단계(S210)와 제2 특징(F20)을 추출하는 단계(S220)는 동시에 수행될 수 있다. 다른 실시예에서, 제1 특징(F10)을 추출하는 단계(S210) 후에 제2 특징(F20)을 추출하는 단계(S220)가 수행될 수 있다. 다른 실시예에서, 제1 특징(F10)을 추출하는 단계(S210) 전에 제2 특징(F20)을 추출하는 단계(S220)가 수행될 수 있다.
도 6은 본 개시의 실시예들에 따른 영상 데이터로부터 심층 학습 프로세서를 이용하여 제2 특징을 추출하는 단계(S220)의 흐름도이다.
도 6 및 도 3을 함께 참조하면, 제2 특징을 추출하는 단계(S220)는 제1 서브 모델 프로세서(121)를 이용해 제1 영상 데이터(D21)로부터 제1 서브 특징(F21)을 추출하는 단계(S221), 제2 서브 모델 프로세서(122)를 이용해 제2 영상 데이터(D22)로부터 제2 서브 특징(F22)을 추출하는 단계(S222), 제3 서브 모델 프로세서(123)를 이용해 제3 영상 데이터(D23)로부터 제3 서브 특징(F23)을 추출하는 단계(S223), 제4 서브 모델 프로세서(124)를 이용해 제4 영상 데이터(D24)로부터 제4 서브 특징(F24)을 추출하는 단계(S224), 제5 서브 모델 프로세서(125)를 이용해 제5 영상 데이터(D25)로부터 제5 서브 특징(F25)을 추출하는 단계(S225), 제6 서브 모델 프로세서(126)를 이용해 제6 영상 데이터(D26)로부터 제6 서브 특징(F26)을 추출하는 단계(S226), 및 제1 내지 제6 서브 특징(F21 내지 F26)으로부터 제2 특징(F20)을 추출하는 단계(S227)를 포함할 수 있다.
도 6에는 6개의 서브 특징 추출 단계들(S221 내지 S226)이 도시되었으나, 사용되는 영상 데이터의 수에 따라 서브 특징을 추출하는 단계의 수가 증가될 수 있다. 일부 실시예에서, 서브 특징 추출 단계들(S221 내지 S226)은 동시에 평행하게 진행될 수 있다. 다른 실시예에서, 서브 특징 추출 단계들(S221 내지 S226)은 순차적으로 진행될 수 있다. 즉, 서브 특징 추출 단계들(S221 내지 S226)의 수행 순서는 다양하게 변경될 수 있다.
도 7은 본 개시의 실시예들에 따른 근시퇴행 예측 의료기기 장치를 훈련시키는 방법(300)의 흐름도이다.
도 7을 참조하면, 근시퇴행 예측 의료기기 장치를 훈련시키는 방법(300)은 복수의 기계 학습 프로세서를 생성하는 단계(S310), 복수의 기계 학습 프로세서를 평가하는 단계(S320), 및 평가 결과에 기초하여 최적의 기계 학습 프로세서를 선택하는 단계(S330)를 포함할 수 있다.
일실시예에 따르면, 복수의 기계 학습 프로세서를 생성하는 단계(S310)는 결측치 처리하고, 전처리 방법을 선택하며, 기계 학습 방법을 선택하고, 후처리 방법을 선택하는 단계를 포함할 수 있다. 즉, 복수의 기계 학습 프로세서는 결측치 처리 방법, 전처리 방법, 기계 학습 방법, 및 후처리 방법 중 적어도 하나가 상이할 수 있다. 따라서, 본 개시의 근시퇴행 예측 의료기기 장치를 훈련시키는 방법(300)은 각각 복수의 기법들로 구성된 결측치 처리 방법, 전처리 방법, 기계 학습 방법, 및 후처리 방법들 중 적어도 하나의 기법을 선택함으로써 일련의 결측치 처리 방법, 전처리 방법, 기계 학습 방법, 및 후처리 방법으로 이루어진 기계 학습 프로세서를 다양한 조합으로 생성할 수 있다.
예를들어 결측치 처리 방법은 아무것도 안하기(Do nothing), k-NN(k nearest neighbor), MICE(Multivariate Imputation by Chained Equation), missForest, AutoEncoder, GAIN(Generative Adversarial Imputation Nets), EM(Expectation Maximization), 또는 이들의 조합을 포함할 수 있다.
예를 들어 전처리 방법은 표준화(standardization), 정규화(normalization), 주성분 분석(Principal Component Analysis, PCA), fast ICA(fast Independent Component analysis), 또는 이들의 조합을 포함할 수 있다.
예를 들어 기계 학습 방법은 선형 회귀, 로지스틱 회귀, 서포트 벡터 머신(support vector machine, SVM), 결정 트리(Decision Tree), 랜덤 포레스트(RandomForest), 엑스지부스트(XGBOOST), 또는 심층 학습(deep learning)을 포함할 수 있다. 일부 실시예에서, 기계 학습 방법은 복수의 기계 학습 방법의 앙상블 즉 조합을 포함할 수 있다.
예를 들어 후처리 방법은 후처리 없음, 시그모이드(sigmoid), 아이소토닉(isotonic), 또는 이들의 조합을 포함할 수 있다.
복수의 기계 학습 프로세서를 평가하는 단계(S320)에서, 예를 들어, 평균 제곱 오차(Mean Squared Error, MSE), accuracy(정확도), Precision, Recall, F1-Score 등이 사용될 수 있다.
평가 결과에 기초하여 최적의 기계 학습 프로세서를 선택하는 단계(S330)는 평가 결과 성능이 가장 높은 기계 학습 프로세서를 선택하는 것일 수 있다.
일부 실시예에서, 근시퇴행 예측 의료기기 장치를 훈련시키는 방법(300)은 AutoML(AutoMachineLearning), MLOps(MachineLearningOperations), 또는 이들의 조합을 이용하여 수행될 수 있다. AutoML, MLOps 또는 이들의 조합을 이용하면 복수의 기계 학습 프로세서를 생성하는 단계(S310), 복수의 기계 학습 프로세서를 평가하는 단계(S320), 및 평가 결과에 기초하여 최적의 기계 학습 프로세서를 선택하는 단계(S330)를 용이하게 수행할 수 있어 근시퇴행 예측 의료기기 장치 개발의 효율성을 증가시킬 수 있다.
이상에서 설명된 다양한 실시예들은 소프트웨어, 하드웨어, 또는 이들의 조합을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 장치로 읽을 수 있는 기록매체는 비일시적 기록매체의 형태로 제공될 수 있다. 여기서 비일시적(non-transitory)은 저장매체가 신호를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 일시적으로 저장됨을 구분하지 않는다.
이상에서와 같이 도면과 명세서에 예시적인 실시예들이 개시되었다. 그러나 이러한 예시적인 실시예들은 본 발명의 기술적 사상을 제한하기 위함이 아니라 통상의 기술자에게 발명을 보다 잘 설명하기 위함이라는 것이 이해될 것이다. 본 개시의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.
본 개시의 기술적 사상에 따르면, 환자의 안구 상태에 관련된 수치 데이터 및 영상 데이터를 획득할 수 있고, 획득된 데이터에 기초하여 객관적으로 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측할 수 있다.

Claims (10)

  1. 굴절력, 각막곡률, 안축장길이, 명소시 동공크기, 암소시 동공크기, 각막지름, 각막두께, 각막상피두께, 고위수차, 시력, 안압, 성별, 및 나이를 포함하는 수치 데이터로부터 기계 학습 프로세서를 이용하여 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하도록 구성되는 것을 특징으로 하는 근시퇴행 예측 의료기기 장치.
  2. 제1 항에 있어서,
    상기 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하기 위해 안저 촬영영상, 각막 내피세포 영상, 각막형태 및 수차분석기 영상, 빛간섭단층촬영 영상, OPD-SCAN III 영상, 및 전산화각막형태촬영기 영상을 포함하는 영상 데이터 및 심층 학습 프로세서를 더 이용하는 것을 특징으로 하는 근시퇴행 예측 의료기기 장치.
  3. 제2 항에 있어서,
    상기 기계 학습 프로세서는 상기 수치 데이터로부터 제1 특징을 추출하도록 구성되고,
    상기 심층 학습 프로세서는 상기 영상 데이터로부터 제2 특징을 추출하도록 구성되고,
    상기 근시퇴행 예측 의료기기 장치는 상기 제1 특징 및 상기 제2 특징으로부터 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하도록 구성된 융합 프로세서를 포함하는 것을 특징으로 하는 근시퇴행 예측 의료기기 장치.
  4. 제3 항에 있어서,
    상기 심층 학습 프로세서는,
    상기 안저 촬영영상으로부터 제1 서브 특징을 추출하도록 구성된 제1 서브 모델 프로세서,
    상기 각막 내피세포 영상으로부터 제2 서브 특징을 추출하도록 구성된 제2 서브 모델 프로세서,
    상기 각막형태 및 수차분석기 영상으로부터 제3 서브 특징을 추출하도록 구성된 제3 서브 모델 프로세서,
    상기 빛간섭단층촬영 영상으로부터 제4 서브 특징을 추출하도록 구성된 제4 서브 모델 프로세서,
    상기 OPD-SCAN III 영상으로부터 제5 서브 특징을 추출하도록 구성된 제5 서브 모델 프로세서, 및
    상기 전산화각막형태촬영기 영상으로부터 제6 서브 특징을 추출하도록 구성된 제6 서브 모델 프로세서, 및
    상기 제1 내지 제6 서브 특징으로부터 상기 제2 특징을 추출하도록 구성된 서브 융합 프로세서를 포함하는 것을 특징으로 하는 근시퇴행 예측 의료기기 장치.
  5. 제1 항에 있어서,
    상기 기계 학습 프로세서는
    상기 수치 데이터의 결측치를 처리하도록 구성된 결측치 처리 프로세서,
    상기 수치 데이터를 전처리하도록 구성된 전처리 프로세서,
    전처리된 상기 수치 데이터로부터 특징을 추출하도록 구성된 학습 프로세서, 및
    상기 추출부로부터 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하도록 구성된 후처리 프로세서를 포함하는 것을 특징으로 하는 근시퇴행 예측 의료기기 장치.
  6. 굴절력, 각막곡률, 안축장길이, 명소시 동공크기, 암소시 동공크기, 각막지름, 각막두께, 각막상피두께, 고위수차, 시력, 안압, 성별, 및 나이를 포함하는 수치 데이터로부터 기계 학습 프로세서를 이용하여 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하는 단계를 포함하는 것을 특징으로 하는 근시퇴행 예측 방법.
  7. 제6 항에 있어서,
    상기 근시퇴행 발생 확률 및 근시퇴행 발생여부 중 적어도 하나를 예측하는 단계는 안저 촬영영상, 각막 내피세포 영상, 각막형태 및 수차분석기 영상, 빛간섭단층촬영 영상, OPD-SCAN III 영상, 및 전산화각막단층촬영기 영상을 포함하는 영상 데이터 및 심층 학습 프로세서를 더 이용하는 것을 특징으로 하는 근시퇴행 예측 방법.
  8. 제7 항에 있어서,
    상기 근시퇴행 발생 확률 및 근시퇴행 발생여부 중 적어도 하나를 예측하는 단계는
    상기 수치 데이터로부터 상기 기계 학습 프로세서를 이용해 제1 특징을 추출하는 단계;
    상기 영상 데이터로부터 상기 심층 학습 프로세서를 이용해 제2 특징을 추출하는 단계; 및
    상기 제1 특징 및 상기 제2 특징으로부터 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하는 단계를 포함하는 것을 특징으로 하는 근시퇴행 예측 방법.
  9. 제8 항에 있어서,
    상기 제2 특징을 추출하는 단계는
    상기 안저 촬영영상으로부터 제1 서브 특징을 추출하는 단계;
    상기 각막 내피세포 영상으로부터 제2 서브 특징을 추출하는 단계;
    상기 각막형태 및 수차분석기 영상으로부터 제3 서브 특징을 추출하는 단계;
    상기 빛간섭단층촬영 영상으로부터 제4 서브 특징을 추출하는 단계;
    상기 OPD-SCAN III 영상으로부터 제5 서브 특징을 추출하는 단계;
    상기 전산화각막단층촬영기 영상으로부터 제6 서브 특징을 추출하는 단계; 및
    상기 제1 내지 제6 서브 특징으로부터 상기 제2 특징을 추출하는 단계;를 포함하는 것을 특징으로 하는 근시퇴행 예측 방법.
  10. 굴절력, 각막곡률, 안축장길이, 명소시 동공크기, 암소시 동공크기, 각막지름, 각막두께, 각막상피두께, 고위수차, 시력, 안압, 성별, 및 나이를 포함하는 수치 데이터로부터 근시퇴행 발생 확률 및 근시퇴행 발생 여부 중 적어도 하나를 예측하도록 구성된 근시퇴행 예측 의료기기 장치를 훈련시키는 방법으로서,
    상기 훈련시키는 방법은,
    결측치 처리 방법, 전처리 방법, 기계 학습 방법, 및 후처리 방법 중 적어도 하나가 서로 상이한 복수의 기계 학습 프로세서를 생성하는 단계;
    상기 복수의 기계 학습 프로세서를 훈련시키는 단계;
    상기 복수의 기계 학습 프로세서를 평가하는 단계; 및
    평가 결과에 기초하여 복수의 기계 학습 프로세서 중 최적의 기계 학습 프로세서를 선택하는 단계를 포함하는 것을 특징으로 하는 근시퇴행 예측 의료기기 장치를 훈련시키는 방법.
PCT/KR2023/002165 2022-10-12 2023-02-14 근시퇴행 예측 장치 및 방법 Ceased WO2024080459A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP23837931.7A EP4379741A4 (en) 2022-10-12 2023-02-14 Device and method for predicting myopia regression
US18/580,942 US20250221616A1 (en) 2022-10-12 2023-02-14 Apparatus and method for predicting myopic regression
CN202380013201.2A CN118541762A (zh) 2022-10-12 2023-02-14 近视回退预测装置及方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0130653 2022-10-12
KR1020220130653A KR102551808B1 (ko) 2022-10-12 2022-10-12 근시퇴행 예측 의료기기 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2024080459A1 true WO2024080459A1 (ko) 2024-04-18

Family

ID=87159415

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/002165 Ceased WO2024080459A1 (ko) 2022-10-12 2023-02-14 근시퇴행 예측 장치 및 방법

Country Status (5)

Country Link
US (1) US20250221616A1 (ko)
EP (1) EP4379741A4 (ko)
KR (1) KR102551808B1 (ko)
CN (1) CN118541762A (ko)
WO (1) WO2024080459A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2026068658A1 (en) * 2024-09-25 2026-04-02 Ocumetra Limited A system and method of analyzing the refractive risk of an eye based on anatomical features

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102870907B1 (ko) 2021-11-03 2025-10-15 주식회사 티아이 예측 굴절값을 이용한 근시 치료에 필요한 정보 제공 방법 및 장치
CN117153407B (zh) * 2023-11-01 2023-12-26 福建瞳视力科技有限公司 一种用于视力矫正的青少年近视预测方法及系统
CN120549428B (zh) * 2025-07-31 2025-10-24 北京神光少年科技有限公司 一种基于ai的假性近视快速筛查方法、系统及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190140301A (ko) * 2018-06-11 2019-12-19 사회복지법인 삼성생명공익재단 전안부 질환 진단 시스템 및 이를 이용한 진단 방법
KR20200077085A (ko) * 2018-12-20 2020-06-30 사회복지법인 삼성생명공익재단 딥러닝을 이용한 근시 진행 예측 방법 및 시스템
KR20210084214A (ko) * 2019-12-27 2021-07-07 주식회사 라이프시맨틱스 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템
KR102336111B1 (ko) * 2021-02-18 2021-12-08 주식회사 아이메디신 뇌파 데이터에 기반하여 뇌 나이 예측 정보를 제공하는 신경망 모델을 생성하기 위한 방법 및 컴퓨팅 장치
KR20220027305A (ko) * 2020-08-25 2022-03-08 사회복지법인 삼성생명공익재단 안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201918993D0 (en) * 2019-12-20 2020-02-05 Univ Dublin Technological A system and method of determining the ocular biometric status of a patient

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190140301A (ko) * 2018-06-11 2019-12-19 사회복지법인 삼성생명공익재단 전안부 질환 진단 시스템 및 이를 이용한 진단 방법
KR20200077085A (ko) * 2018-12-20 2020-06-30 사회복지법인 삼성생명공익재단 딥러닝을 이용한 근시 진행 예측 방법 및 시스템
KR20210084214A (ko) * 2019-12-27 2021-07-07 주식회사 라이프시맨틱스 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템
KR20220027305A (ko) * 2020-08-25 2022-03-08 사회복지법인 삼성생명공익재단 안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램
KR102336111B1 (ko) * 2021-02-18 2021-12-08 주식회사 아이메디신 뇌파 데이터에 기반하여 뇌 나이 예측 정보를 제공하는 신경망 모델을 생성하기 위한 방법 및 컴퓨팅 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4379741A4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2026068658A1 (en) * 2024-09-25 2026-04-02 Ocumetra Limited A system and method of analyzing the refractive risk of an eye based on anatomical features

Also Published As

Publication number Publication date
CN118541762A (zh) 2024-08-23
EP4379741A1 (en) 2024-06-05
KR102551808B1 (ko) 2023-07-05
US20250221616A1 (en) 2025-07-10
EP4379741A4 (en) 2025-06-25

Similar Documents

Publication Publication Date Title
WO2024080459A1 (ko) 근시퇴행 예측 장치 및 방법
Rampat et al. Artificial intelligence in cornea, refractive surgery, and cataract: basic principles, clinical applications, and future directions
Thota et al. Improving the accuracy of diabetic retinopathy severity classification with transfer learning
Khan et al. Cataract detection using convolutional neural network with VGG-19 model
Lavric et al. KeratoDetect: keratoconus detection algorithm using convolutional neural networks
Sharma et al. Harnessing the strength of ResNet50 to improve the ocular disease recognition
CN116246331B (zh) 一种圆锥角膜自动分级方法、装置及存储介质
Singh et al. A pre-trained VGG16 model for cataract eye disease prediction
Aftab et al. Diabetic retinopathy severity classification using data fusion and ensemble transfer learning
Athilakshmi et al. Enhancing diabetic retinopathy diagnosis with inception v4: a deep learning approach
Saju Eye-vision net: Cataract detection and classification in retinal and slit lamp images using deep network
Al‐Naji et al. Computer vision for eye diseases detection using pre‐trained deep learning techniques and raspberry Pi
Gupta et al. Diabetic retinopathy detection using an efficient artificial intelligence method
Thanh et al. A real-time classification of glaucoma from retinal fundus images using AI technology
US12106472B2 (en) Eye state assessment method and electronic device
Wahid et al. Classification of diabetic retinopathy from OCT images using deep convolutional neural network with BiLSTM and SVM
Sood et al. Deep Learning Framework Design for Diabetic Retinopathy Abnormalities Classification
Haq et al. Glaucoma detection based-on convolution neural network and fundus image enhancement
Kazi et al. Processing retinal images to discover diseases
Kajagar et al. Glaucoma Detection Using Ensemble Techniques with InceptionV3, VGG16 and ResNet50
Peng et al. Automatic diagnosis of pediatric high myopia via Attention-based Patch Residual Shrinkage network
Deepa et al. Automated detection of diabetic retinopathy images using pre-trained convolutional neural network
JP2026509639A (ja) 眼画像データの処理方法、システム、記憶媒体及び電子機器
Bang et al. Feature pool exploitation for disease detection in fundus images
Okomba et al. Development of glaucoma detection system using CNN and SVM

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 18580942

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202380013201.2

Country of ref document: CN

ENP Entry into the national phase

Ref document number: 2023837931

Country of ref document: EP

Effective date: 20240119

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 18580942

Country of ref document: US