Результаты использования технологии машинного обучения для расчета оптической силы интраокулярных линз
Ключевые слова:
оптическая сила интраокулярной линзы, ИОЛ, искусственные нейронные сети, ИНС-модели, глубокое обучение, обучающая выборкаАннотация
Цель. Изучение возможности использования математических моделей, полученных в результате глубокого обучения искусственных нейронных сетей (ИНС-моделей), для прогнозирования оптической силы современных интраокулярных линз (ИОЛ).
Материал и методы. Датасет включал 455 обезличенных записей пациентов (455 глаз), 26 столбцов входных факторов и один столбец – выходной фактор – расчет ИОЛ (дптр). Для удобного построения ИНС-моделей использовали программсимулятор, ранее разработанную авторами, и средства языка Python в Google Colaboratory.
Результаты. Исследуется возможность использования математических моделей, полученных в результате глубокого обучения ИНС-моделей, для прогнозирования оптической силы современных ИОЛ, широко применяемых при хирургическом лечении катаракты в офтальмологии. Отличительной особенностью таких ИНС-моделей по сравнению с известными формулами SRK II, SRK/T, Hoffer-Q, Holladay II, Haigis, Barrett является возможность учета значительного числа регистрируемых входных величин, что позволило снизить среднюю относительную погрешность расчетов оптической силы ИОЛ с 10–12 до 3,5%.
Заключение. Полученные ИНС-модели, в отличие от традиционно используемых формул, в значительно большей степени отражают региональную специфику пациентов, делают возможными переучивание и оптимизацию структуры модели на основе вновь поступающих данных, что позволяет учитывать нестационарность объекта.
Библиографические ссылки
1. Федоров С.Н., Колинко А.И. Методика расчета оптической силы интраокулярной линзы. Вестник офтальмологии. 1967;4: 27–31. [Fedorov SN, Kolinko AI. The method of calculating the optical strength of an intraocular lens. Russian Annals of Ophthalmology. 1967;4: 27–31. (In Russ.)]
2. Балашевич Л.И., Даниленко Е.В. Результаты использования формулы С.Н. Федорова для расчета силы заднекамерных интраокулярных линз. Офтальмохирургия. 2011;1: 34–38. [Balashevich LI, Danilenko EV. Results in application of the Fyodorov’s IOL power formula for posterior chamber lenses calculation. Fyodorov Journal of Ophthalmic Surgery. 2011;1: 34–38. (In Russ.)]
3. Holladay JT, Prager NC, Chandler TY, Musgrove KH, Lewis JW, Ruiz RS. A three-part system for refining intraocular lens power calculation. J Cataract Refract Surg. 1988;14(1): 17–24. doi: 10.1016/s0886-3350(88)80059-2
4. Першин К.Б., Пашинова Н.Ф., Цыганков А.Ю., Легких С.Л. Алгоритм выбора формулы для расчета оптической силы ИОЛ при экстремальной миопии. Точка зрения. Восток-Запад. 2016;1: 64–67. [Pershin KB, Pashinova NF, Tsygankov AYu, Legkikh SL. An algorithm for selecting a formula for calculating the optical strength of IOL in extreme myopia. Point of View. East-West. 2016;1: 64–67. (In Russ.)]
5. Арзамасцев А.А., Фабрикантов О.Л., Зенкова Н.А., Белоусов Н.К. Оптимизация формул для расчета ИОЛ. Вестник Тамбовского университета. 2016; 21(1): 208-212. [Arzamastsev AA, Fabrikantov OL, Zenkova NA, Belousov NK. Optimization of formulae for intraocular lenses calculating. Tambov university reports. 2016; 21(1): 208–212. (In Russ.)]
6. Sanders DR, Kraff MC. Improvement of intraocular lens power calculation using empirical data. Am Intra-Ocular Implant Soc J. 1980;6(3): 263–267. doi: 10.1016/s0146-2776(80)80075-9
7. Sanders DR, Retzlaff JA, Kraff MC. Comparison of the SRK-2 formula and other second-generation formulas. J Cataract Refract Surg. 1988;14(2): 136–141. doi: 10.1016/s0886-3350(88)80087-7
8. Sanders DR, Retzlaff JA, Kraff MC. Development of the SRK/T IOL power calculation formula. J Cataract Refract Surg. 1990;16(3): 333–340. doi: 10.1016/s0886-3350(13)80705-5
9. Hoffer KJ. The Hoffer Q formula: a comparison of theoretic and regression formulas. J Cataract Refract Surg. 1993;19(6): 700–712. doi: 10.1016/s0886-3350(13)80338-0
10. Yamauchi T, Tabuchi T, Takase K, Masumoto H. Use of a machine learning method in predicting refraction after cataract surgery. J Clin Med. 2021;10(5): 1103. doi: 10.3390/jcm10051103
11. Будума Н., Локашо Н. Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения. М.: Манн, Иванов и Фербер; 2020. [Buduma N, Lokasho N. Fundamentals of deep learning. Creating algorithms for next-generation artificial intelligence. Moscow: Mann, Ivanov i Ferber; 2020. (In Russ.)]
12. Фостер Д. Генеративное глубокое обучение. Творческий потенциал нейронных сетей. СПб.: Питер; 2020. [Foster D. Generative deep learning. The creative potential of neural networks. St. Petersburg: Piter; 2020. (In Russ.)]
13. Рамсундар Б., Истман П., Уолтерс П., Панде В. Глубокое обучение в биологии и медицине. М.: ДМК Пресс; 2020. [Ramsundar B, Istman P, Uolters P, Pande V. Deep learning in biology and medicine. M.: DMK Press; 2020. (In Russ.)]
14. Харрисон М. Машинное обучение: карманный справочник. Краткое руководство по методам структурированного машинного обучения на Python. СПб.: ООО «Диалектика»; 2020. [Kharrison M. Machine Learning: A pocket guide. A brief guide to structured machine learning methods in Python. St. Petersburg: OOO «Dialektika»; 2020. (In Russ.)]
Свидетельство о государственной регистрации программы для ЭВМ № 2012618141 / 07.09.2012. Арзамасцев А.А., Рыков В.П., Крючин О.В. Симулятор искусственной нейронной сети с реализацией модульного принципа обучения. [Certificate of state registration of the computer program No. 2012618141/07.09.2012. Arzamastsev AA, Rykov VP, Kryuchin OV. A simulator of an artificial neural network with the implementation of a modular learning principle. (In Russ.)]
16. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных. Доклады АН СССР. 1956;108(2): 179–182. [Kolmogorov AN. On the representation of continuous functions of several variables by superpositions of continuous functions of a smaller number of variables. Reports AN SSSR. 1956;108(2): 179–182. (In Russ.)]
17. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного. Доклады АН СССР. 1957;114(5): 953–956. [Kolmogorov AN. On the representation of continuous functions of several variables in the form of a superposition of continuous functions of one variable. Reports AN SSSR. 1957;114(5): 953–956. (In Russ.)]
18. Арзамасцев А.А., Крючин О.В., Азарова П.А., Зенкова Н.А. Универсальный программный комплекс для компьютерного моделирования на основе искусственной нейронной сети с самоорганизацией структуры. Вестник Тамбовского университета. 2006;11(4): 564–570. [Arzamastsev AA, Kryuchin OV, Azarova PA, Zenkova NA. The universal program complex for computer simulation on the basis of the artificial neuron network with self-organizing structure. Tambov university reports. 2006;11(4): 564–570. (In Russ.)]
19. Арзамасцев А.А., Зенкова Н.А., Казаков Н.А. Алгоритмы и методы извлечения знаний об объектах, заданных массивами эмпирических данных с использованием ИНС-моделей. Актуальные проблемы прикладной математики, информатики и механики. Сборник трудов Международной научной конференции. Воронеж; 2020: 251–258. [Arzamastsev AA, Zenkova NA, Kazakov NA. Algorithms and methods for extracting knowledge about objects specified by arrays of empirical data using INS models. Actual problems of applied mathematics, computer science and mechanics. Proceedings of the International Scientific Conference. Voronezh; 2020: 251–258. (In Russ.)]
20. Arzamastsev AA, Zenkova NA, Kazakov NA. Algorithms and methods for extracting knowledge about objects defined by arrays of empirical data using ANN models. Journal of Physics: Conference Series. International conference on applied mathematics, computational science and mechanics: current problems, AMCSM 2020: 012097. doi: 10.1088/1742-6596/1902/1/012097
Опубликован
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
