[发明专利]用于预测未来视觉敏锐度的机器学习技术

说明书

本文公开的方法和系统总体上涉及用于通过使用机器学习模型来预测受试者的未来视觉敏锐度的系统和方法。可以通过一个或多个第一机器学习模型来处理受试者的视网膜的至少一部分的图像以检测一组视网膜相关节段。可以生成表征所述一组视网膜相关节段中的视网膜相关节段的特定于节段的度量。可以通过使用第二机器学习模型来处理所述特定于节段的度量，以生成对应于以下预测的结果，所述预测与所述受试者的未来视觉敏锐度对应。

相关申请的交叉引用

本申请要求于2019年10月25日提交的欧洲专利申请号19205315.5的申请日的权益，该专利申请的公开内容的全文特此通过引用并入本文并且用于所有目的。

技术领域

本文公开的方法和系统总体上涉及用于通过使用分段处理机器学习模型和度量处理机器学习模型来预测受试者的未来视觉敏锐度的系统和方法。

背景技术

眼睛相关疾病可能会导致个体的严重视觉丧失。例如，黄斑变性是当视网膜的黄斑区域恶化时发生的严重的、不可逆的视觉丧失的主要原因之一。通常，某些眼睛相关疾病的早期阶段几乎没有症状，并且不会导致视觉丧失。然而，在后期阶段，视觉丧失可能由于眼睛相关疾病而突然地且意外地发生。对眼睛相关疾病的早期和适当治疗可以防止晚期的进展并提高给定受试者保持最佳视觉敏锐度的机会。治疗选项可以包括将抗血管生成药物注射到眼睛中、激光疗法以破坏活跃生长的异常血管以及光动力激光疗法，该光动力激光疗法采用光敏药物来破坏异常血管。

治疗选项的相对疗效可能取决于受试者的特点和/或给定的条件状态。然而，疗效预测因素尚不完全清楚，使得治疗选择具有挑战性。此外，在为给定受试者选择并发起治疗之后，可能需要很长一段时间来发现治疗是否对该受试者有效。到发现特定治疗无效的时候，受试者可能已经过了早期使用另一种治疗的机会之窗。这可能会减少受试者从眼睛相关疾病中恢复的机会。

常规技术已尝试使用机器学习模型来预测受试者的未来视觉敏锐度。例如，SCHMIDT-ERFURTH等人：“Machine Learning to Analyze the Prognostic Value ofCurrent Imaging Biomarkers in Neovascular Age-Related Macular Degeneration”，眼科视网膜，卷2，no.1，2018年1月1日(2018-01-01)，第24-30页公开了使用机器学习模型处理图像来预测标准化抗血管内皮生长因子(抗-VEGF)疗法一年后的视觉敏锐度。在该示例中，机器学习模型的统计分析揭示了响应于初始抗VEGF治疗的初始视觉敏锐度对未来视觉敏锐度的预测影响最大。统计分析还揭示了发现视网膜相关结构-的畸形与预测在很大程度上无关。

作为另一个示例，GERENDAS等人：“Computational image analysis forprognosis determination in DME”，视觉研究，卷139，2017年5月9日(2017-05-09)，第204-210页公开了使用机器学习模型(例如，随机森林回归模型)来预测患有糖尿病性黄斑水肿的受试者的未来视觉敏锐度。在该示例中，统计分析揭示了与视网膜液体区域对应的形态学特征显著有助于基线视觉敏锐度，并且与视网膜结构的视网膜厚度对应的形态学特征显著有助于受试者在治疗一年后的视觉敏锐度。已识别的形态学特征集主要是特定视网膜结构的定向区域和厚度。此外，该示例系统基于跨越不同时间点(例如，第12周、第24周)的输入图像来生成对视觉敏锐度的预测，以生成对视觉敏锐度的预测。这与基于在基线时间点(例如第0周)收集的图像来生成对未来视觉敏锐度的预测不同。