JP2018051223A - 眼科装置、およびｉｏｌ度数決定プログラム - Google Patents

Abstract

【課題】適正な眼内レンズ度数を算出する眼科装置、およびＩＯＬ度数決定プログラムを提供する。
【解決手段】被検眼に挿入するＩＯＬの度数を決定するための眼科装置であって、被検眼の複数の眼形状パラメータを取得するパラメータ取得手段と、ＩＯＬ度数を演算する演算制御手段と、を備え、前記演算制御手段は、機械学習アルゴリズムによって訓練された数学モデルに前記複数の眼形状パラメータを入力することによって、前記数学モデルからＩＯＬ関連情報を出力させることを特徴とする。
【選択図】図２

Description

本開示は、被検眼に挿入するＩＯＬの度数を決定するための眼科装置、およびＩＯＬ度数決定プログラムに関する。

白内障手術において、水晶体核の除去後に被検眼の眼内に挿入される眼内レンズ（Intraocular lens：ＩＯＬ）のパワー（以下、度数ともいう）を決定する眼科装置が知られている（特許文献１参照）。このような装置では、眼内レンズ度数を決定するために、例えば、回帰式または理論式などを用いてＩＯＬ度数を算出していた。

特開２０１１−２０６３６８号公報

しかしながら、従来の計算式では必ずしも適正なＩＯＬ度数が得られるとは言えなかった。例えば、平均的な形状ではない眼において、ＩＯＬ度数の誤差が大きくなる場合があった。

本開示は、従来の問題点に鑑み、適正な眼内レンズ度数を算出する眼科装置、およびＩＯＬ度数決定プログラムを提供することを技術課題とする。

上記課題を解決するために、本開示は以下のような構成を備えることを特徴とする。

（１） 被検眼に挿入するＩＯＬの度数を決定するための眼科装置であって、被検眼の複数の眼形状パラメータを取得するパラメータ取得手段と、ＩＯＬ度数を演算する演算制御手段と、を備え、前記演算制御手段は、機械学習アルゴリズムによって訓練された数学モデルに前記複数の眼形状パラメータを入力することによって、前記数学モデルからＩＯＬ関連情報を出力させることを特徴とする。
（２） 被検眼に挿入するＩＯＬの度数を決定するための眼科装置において実行されるＩＯＬ度数決定プログラムであって、前記眼科装置のプロセッサによって実行されることで、被検眼の複数の眼形状パラメータを取得するパラメータ取得ステップと、機械学習アルゴリズムによって訓練された数学モデルに前記複数の眼形状パラメータを入力することによって、前記数学モデルからＩＯＬ関連情報を出力させる演算ステップと、を前記眼科装置に実行させることを特徴とする。

本実施例に係る眼科撮影装置の構成について説明する概略構成図である。 数学モデルの一例を示す図である。 制御動作のフローチャートを示す図である。 撮像された前眼部像が表示された前眼部観察画面を示す図である。 前眼部断面画像の一例を示す図である。 予想ＥＬＰの算出について説明するための図である。 予想ＥＬＰの算出について説明するための図である。

＜実施形態＞
本実施形態の眼科装置について説明する。眼科装置（例えば、眼科装置１０）は、被検眼に挿入する眼内レンズ（ＩＯＬともいう）の度数を決定する。本装置は、例えば、パラメータ取得部（例えば、ＯＣＴデバイス５または制御部８０または操作部８４など）と、演算制御部（例えば、制御部８０）を主に備える。パラメータ取得部は、例えば、被検眼の複数の眼形状パラメータを取得する。眼形状パラメータは、例えば、角膜前面曲率、角膜後面曲率、角膜厚、角膜幅、角膜高さ等の角膜形状パラメータであってもよいし、水晶体前面曲率、水晶体後面曲率、水晶体厚、水晶体直径、前房深度等の水晶体形状パラメータであってもよいし、眼軸長、隅角、隅角距離、瞳孔径等の全体形状パラメータであってもよいし、網膜の厚み等の網膜形状パラメータであってもよい。水晶体の曲率は、収縮時および弛緩時のいずれかであってもよいし、両方の曲率を用いてもよい。パラメータ取得部は、例えば、ＯＣＴ光学系によって撮影された断層画像に基づいて眼形状パラメータを取得する。なお、パラメータ取得部は、通信ネットワークを介して装置外部のサーバーなどから被検者の眼形状パラメータを取得してもよいし、操作部からの入力によって眼形状パラメータを取得してもよい。

演算制御部は、機械学習アルゴリズムを用いてＩＯＬ関連情報を算出する。機械学習アルゴリズムは、例えば、機械学習アルゴリズムは、例えば、ニューラルネットワーク、ランダムフォレスト、ブースティング等である。

ニューラルネットワークは、生物の神経細胞ネットワークの挙動を模倣する手法である。ニューラルネットワークは、例えば、フィードフォワード（順伝播型）ニューラルネットワーク、ＲＢＦネットワーク（放射基底関数）、スパイキングニューラルネットワーク、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク（リカレントニューラルネット、フィードバックニューラルネットなど）、確率的ニューラルネット（ボルツマンマシン、ベイシアンネットワークなど）等である。

ブースティングは、複数の弱識別器を組み合わせることで強識別器を生成する手法である。単純で弱い識別器を逐次的に学習することで、強識別器を構築する。

ランダムフォレストは、ランダムサンプリングされた訓練データに基づいて、学習を行って多数の決定木を生成する方法である。ランダムフォレストを用いる場合、予め識別器として学習しておいた複数の決定木の分岐をたどり、各決定木から得られる結果を平均（あるいは多数決）する。

例えば、演算制御部は、機械学習アルゴリズムによって訓練された数学モデル（例えば、数学モデル８００）を用いてＩＯＬ関連情報を取得する。数学モデルは、例えば、入力データと出力データとの関係を予測するためのデータ構造を指す。数学モデルは、訓練データセットを用いて訓練されることで構築される。訓練データセットは、入力用訓練データと出力用訓練データのセットである。入力用訓練データは、数学モデルに入力されるサンプルデータである。例えば、入力訓練データには、過去に測定された眼形状パラメータが用いられる。出力用訓練データは、数学モデルによって予測する値のサンプルデータである。例えば、出力用訓練データには、術後前房深度またはＩＯＬ度数などが用いられる。術後前房深度は、角膜からＩＯＬまでの距離である。数学モデルは、ある入力訓練データが入力されたときに、それに対応する出力訓練データが出力されるように訓練される。例えば、訓練によって各入力と出力との相関データ（例えば、重み）が更新される。演算制御部は、相関データに基づいてＩＯＬ関連情報を算出する。

例えば、演算制御部は、数学モデルからＩＯＬ関連情報として予想術後前房深度の出力を取得してもよい。この場合、訓練された数学モデルは、水晶体前面曲率、水晶体後面曲率、水晶体厚、前房深度の少なくともいずれかを含む眼形状パラメータの入力によって予想術後前房深度を出力する数学モデルであってもよい。例えば、予想術後前房深度を出力する数学モデルへの入力として、水晶体前面曲率と水晶体後面曲率の２つが用いられてもよいし、水晶体前面曲率と水晶体後面曲率と前房深度の３つが用いられてもよいし、水晶体前面曲率と水晶体後面曲率と前房深度と水晶体厚の４つが用いられてもよい。また、数学モデルへの入力として、前眼部断面像デバイスによって取得された前眼部前面形状パラメータ（例えば、前面曲率）と前眼部後面形状パラメータ（例えな、後面曲率）の少なくとも２つが用いられ、数学モデルの出力として、水晶体前面からチン小帯と水晶体の接点までのオフセット距離がＩＯＬ関連情報として取得されてもよい。取得されたオフセット距離を前房深度に加えることによって予想術後前房深度が取得されてもよい。この場合、数学モデルへの入力として、水晶体厚が追加されてもよい。

例えば、演算制御部は、数学モデルによって出力された予想術後前房深度に基づいてＩＯＬ度数を算出してもよい。例えば、演算制御部は、予想術後前房深度と、その他の眼形状パラメータをＩＯＬ度数計算式に代入してＩＯＬ度数を求める。例えば、演算制御部は、SRK/T式、Binkhorst式、Holladay式、Holladay2式、HofferQ式、Olsen式、Haigis式等の既存のＩＯＬ度数計算式の該当箇所に、数学モデルによって算出された予想術後前房深度を代入することによってＩＯＬ度数を算出してもよい。このように機械学習を用いることによって、様々な形状の被検眼に対して適正なＩＯＬ度数を算出できる。

なお、演算制御部は、数学モデルに複数の眼形状パラメータを入力することによって、数学モデルからＩＯＬ関連情報としてＩＯＬ度数を出力させてもよい。この場合、訓練された数学モデルは、角膜曲率、眼軸長、予想術後前房深度等の入力によってＩＯＬ度数を出力する数学モデルであってもよい。例えば、ＩＯＬ度数を出力する数学モデルへの入力として、角膜曲率と眼軸長の２つが用いられてもよいし、角膜曲率と予想術後前房深度の２つが用いられてもよいし、眼軸長と予想術後前房深度の２つが用いられてもよいし、角膜曲率と眼軸長と予想術後前房深度の３つが用いられてもよい。ここで、角膜曲率は、角膜前面曲率であってもよいし、角膜後面曲率であってもよいし、その両方であってもよい。

例えば、演算制御部は、複数の眼形状パラメータに基づいて予想術後前房深度を算出し、眼形状パラメータと予想術後前房深度を数学モデルに入力することによって、数学モデルからＩＯＬ度数を出力させてもよい。このように、演算制御部は、実測値である１次パラメータと、実測値に基づいて算出された２次パラメータと、を数学モデルに入力することによって、数学モデルからＩＯＬ度数を出力させてもよい。

なお、演算制御部は、訓練された数学モデルを２つ用いてもよい。例えば、第１数学モデルは、水晶体前面曲率、水晶体後面曲率、水晶体厚、前房深度等の複数の眼形状パラメータの入力によって予想術後前房深度を出力する数学モデルであってもよい。また、第２数学モデルは、予想術後前房深度、角膜曲率、眼軸長等の眼形状パラメータの入力によってＩＯＬ度数を出力する数学モデルであってもよい。この場合、演算制御部は、複数の眼形状パラメータを第１数学モデルに入力することによって、第１数学モデルから出力された予想術後前房深度と、眼形状パラメータを、第１数学モデルとは異なる第２数学モデルに入力することによって、第２数学モデルからＩＯＬ度数を出力させてもよい。これによって、予想術後前房深度とＩＯＬ度数を精度よく予測することができる。

演算制御部は、眼形状パラメータの他に、特徴パラメータを数学モデルに入力してもよい。この場合、訓練された数学モデルは、眼形状パラメータおよび特徴パラメータの少なくともいずれかの入力によって予想術後前房深度またはＩＯＬ度数等を出力する数学モデルであってもよい。数学モデルの入力に特徴パラメータを含ませることによって、眼形状以外の影響も考慮されたＥＬＰまたはＩＯＬ度数等を出力させることができる。

特徴パラメータは、例えば、患者（被検者）の人種、性別、年齢、術者（検者）の少なくともいずれかの特徴に関するパラメータであってもよい。また、特徴パラメータは、患者の角膜屈折率、水晶体屈折率、硝子体屈折率、房水屈折率などの屈折率であってもよい。また、特徴パラメータは、患者または術者が希望する術後の屈折度数、視力、作業距離、ＩＯＬの焦点数などの希望パラメータ（または要求パラメータ）であってもよい。また、特徴パラメータは、各ＩＯＬ度数計算式で用いられるレンズ定数を含んでもよい。レンズ定数は、例えば、特徴パラメータは、SRK/T式でのA定数、Holladay式でのサージャンファクター（ＳＦ）、Haigis式でのＩＯＬ定数等である。

また、特徴パラメータは、ＩＯＬモデルの特徴に関するパラメータであってもよい。例えば、特徴パラメータは、ＩＯＬ全長、支持部の径、形状、材質などであってもよい。また、特徴パラメータは、例えば、水晶体嚢の赤道方向寸法（例えば、直径）の関数によって求められるパラメータであってもよい。例えば、水晶体嚢の直径の関数は、眼内固定時のＩＯＬのループ（支持部）の長さに対するＩＯＬ光学部の前後変位量の関数であってもよい。

例えば、特徴パラメータとして、ＩＯＬモデルまたは嚢径等のＥＬＰに関係する特徴パラメータを用いる場合、数学モデルは、ＩＯＬモデルまたは嚢径に関する特徴パラメータ、角膜曲率、前房深度、眼軸長、を入力することによってＥＬＰを出力する数学モデルであってもよい。

なお、ＩＯＬモデル等に関する特徴パラメータを数学モデルに入力する代わりに、眼形状パラメータの入力によってＥＬＰを出力する数学モデルをＩＯＬモデル毎に用意してもよい。

なお、特徴パラメータは、機械学習に用いるだけでなく、機械学習で得られた予想術後前房深度またはＩＯＬ度数等を補正する補正係数として用いられてもよい。例えば、演算制御部は、ＩＯＬモデルに依存しないように仮定されたＥＬＰ（例えば、角膜から水晶体嚢とＩＯＬループの接点までの距離）の予測位置を機械学習によって求めておき、ＩＯＬモデルまたは嚢径等のＥＬＰに関係する特徴パラメータによって、仮の予測ＥＬＰを補正することによって、各ＩＯＬモデルに適した実効的なＥＬＰを求めてもよい。これによって、ＩＯＬモデルごとに機械学習を用いてＥＬＰ予測値を取得するという煩雑さを低減できる。

なお、演算制御部は、SRK/T式、Binkhorst式、Holladay式、Holladay2式、HofferQ式、Olsen式、Haigis式等のＩＯＬ度数計算式のうち、適切なＩＯＬ度数計算式を選択するための選択情報を数学モデルに出力させてもよい。この場合、数学モデルは、計算式の選択に必要な特徴量の入力によって、適切なＩＯＬ計算式の選択情報を出力する数学モデルであってもよい。ここで、選択情報とは、例えば、複数のＩＯＬ度数計算式のうち適切な式の情報であってもよいし、各式ＩＯＬ度数計算式のおすすめ度合等であってもよい。例えば、演算制御部は、眼軸長、ＩＯＬモデル、術者、人種、性別、年齢のいずれかに関連する特徴量を数学モデルに入力することによって、数学モデルにＩＯＬ度数計算式の選択情報を出力させてもよい。

なお、本装置は、数学モデルによって出力された選択情報をユーザーに提示する提示部（例えば、モニタ７０）をさらに備えてもよい。また、本装置は、数学モデルによって出力された選択情報において適切でない式をユーザーが使用しようとした場合に警告する警告部（例えば、モニタ７０）をさらに備えてもよい。

なお、演算制御部は、上記のような数学モデルによって、ＩＯＬ度数計算式に用いられる定数または係数を最適化してもよい。これによって、経験的に求められた値よりも適正な値を定数または係数に用いてＩＯＬ度数の計算を行うことができる。

なお、演算制御部は、記憶部（例えば、メモリ８５）等に保存されたＩＯＬ度数決定プログラムを実行してもよい。ＩＯＬ度数決定プログラムは、例えば、パラメータ取得ステップと、演算ステップを含む。パラメータ取得ステップは、被検眼の複数の眼形状パラメータを取得するステップである。演算ステップは、機械学習アルゴリズムによって訓練された数学モデルに複数の眼形状パラメータを入力することによって、数学モデルからＩＯＬ関連情報を出力させるステップである。

＜実施例＞
以下、本開示に係る眼科撮影装置１０を図面に基づいて説明する。図１は本実施例に係る眼科撮影装置１０の測定部２００について示す概略構成図である。なお、以下の光学系は、図示無き筐体に内蔵されている。また、その筐体は、周知のアライメント移動機構の駆動によって、操作部材（例えば、タッチパネル、ジョイスティックなど）を介して被検眼Ｅに対して３次元的に移動される。なお、以下の説明においては、被検眼（眼Ｅ）の光軸方向をＺ方向、水平方向をＸ方向、鉛直方向をＹ方向として説明する。眼底の表面方向をＸＹ方向として考えても良い。

以下の説明においては、光コヒーレンストモグラフィーデバイス（ＯＣＴデバイス）５と、角膜形状測定デバイス３００と、を備えた眼科撮影装置１０を例に挙げて説明する。ＯＣＴデバイス５は、被検眼Ｅの断面画像を撮影するための前眼部撮像デバイスとして用いられる。また、ＯＣＴデバイス５は、眼Ｅの眼軸長を測定するための眼軸長測定デバイスとして用いられる。角膜形状測定デバイス３００は、角膜形状を測定するために用いられる。

ＯＣＴデバイス５は、干渉光学系（ＯＣＴ光学系）１００を備えている。ＯＣＴ光学系１００は、眼Ｅに測定光を照射する。ＯＣＴ光学系１００は、被検眼の各部（例えば、角膜、水晶体、眼底など）から反射された測定光と，参照光との干渉状態を受光素子（検出器１２０）によって検出する。ＯＣＴ光学系１００は、被検眼上の撮像位置を変更するため、被検眼上における測定光を走査する走査部（例えば、光スキャナ）１０８を備える。制御部８０は、設定された撮像位置情報に基づいて走査部１０８の動作を制御し、検出器１２０からの受光信号に基づいて断面画像を取得する。

ＯＣＴ光学系１００は、いわゆる眼科用光断層干渉計（ＯＣＴ：Optical coherence tomography）の装置構成を持つ。ＯＣＴ光学系１００は、測定光源１０２から出射された光をカップラー（光分割器）１０４によって測定光（試料光）と参照光に分割する。そして、ＯＣＴ光学系１００は、測定光学系１０６によって測定光を被検眼に導き，また、参照光を参照光学系１１０に導く。その後、被検眼の各部によって反射された測定光と，参照光との合成による干渉光を検出器（受光素子）１２０に受光させる。

光源１０２から出射された光は、カップラー１０４によって測定光束と参照光束に分割される。そして、測定光束は、光ファイバーを通過した後、空気中へ出射される。その光束は、走査部１０８、及び測定光学系１０６の他の光学部材を介して被検眼に集光される。そして、被検眼の各部で反射された光は、同様の光路を経て光ファイバーに戻される。

走査部１０８は、眼Ｅ上でＸＹ方向（横断方向）に測定光を走査させる。走査部１０８は、例えば、２つのガルバノミラーであり、その反射角度が駆動機構１０９によって任意に調整される。

これによって、光源１０２から出射された光束はその反射（進行）方向が変化され、眼Ｅ上で任意の方向に走査される。これによって、被検眼上における撮像位置が変更される。走査部１０８としては、光を偏向させる構成であればよい。例えば、反射ミラー（ガルバノミラー、ポリゴンミラー、レゾナントスキャナ）の他、光の進行（偏向）方向を変化させる音響光学素子（ＡＯＭ）等が用いられる。

参照光学系１１０は、眼Ｅでの測定光の反射によって取得される反射光と合成される参照光を生成する。参照光学系１１０は、マイケルソンタイプであってもよいし、マッハツェンダタイプであっても良い。参照光学系１１０は、例えば、反射光学系（例えば、参照ミラー）によって形成され、カップラー１０４からの光を反射光学系により反射することにより再度カップラー１０４に戻し、検出器１２０に導く。他の例としては、参照光学系１１０は、透過光学系（例えば、光ファイバー）によって形成され、カップラー１０４からの光を戻さず透過させることにより検出器１２０へと導く。

参照光学系１１０は、参照光路中の光学部材を移動させることにより、測定光と参照光との光路長差を変更する構成を有する。例えば、参照ミラーが光軸方向に移動される。光路長差を変更するための構成は、測定光学系１０６の測定光路中に配置されてもよい。

検出器１２０は、測定光と参照光との干渉状態を検出する。フーリエドメインＯＣＴの場合では、干渉光のスペクトル強度が検出器１２０によって検出され、スペクトル強度データに対するフーリエ変換によって所定範囲における深さプロファイル（Ａスキャン信号）が取得される。ここで、制御部８０は、走査部１０８によって測定光を被検眼の各部で所定の横断方向に走査することによって断面画像を取得できる。例えば、被検眼の前眼部断面画像を撮像する。例えば、Ｘ方向もしくはＹ方向に走査することにより、被検眼のＸＺ面もしくはＹＺ面における断面画像を取得できる（なお、本実施形態においては、このように測定光を前眼部に対して一次元走査し、断層像を得る方式をＢスキャンとする）。なお、取得された断面画像は、制御部８０に接続されたメモリ８５に記憶される。さらに、測定光をＸＹ方向に二次元的に走査することにより、被検眼の三次元画像を取得することも可能である。

例えば、フーリエドメインＯＣＴとしては、Spectral-domain OCT（ＳＤ−ＯＣＴ）、Swept-source OCT（ＳＳ−ＯＣＴ）が挙げられる。また、Time-domain OCT（ＴＤ−ＯＣＴ）であってもよい。

ＳＤ−ＯＣＴの場合、光源１０２として低コヒーレント光源（広帯域光源）が用いられ、検出器１２０には、干渉光を各周波数成分（各波長成分）に分光する分光光学系（スペクトルメータ）が設けられる。スペクトルメータは、例えば、回折格子とラインセンサからなる。

ＳＳ−ＯＣＴの場合、光源１０２として出射波長を時間的に高速で変化させる波長走査型光源（波長可変光源）が用いられ、検出器１２０として、例えば、単一の受光素子が設けられる。光源１０２は、例えば、光源、ファイバーリング共振器、及び波長選択フィルタによって構成される。そして、波長選択フィルタとして、例えば、回折格子とポリゴンミラーの組み合わせ、ファブリー・ペローエタロンを用いたものが挙げられる。

角膜形状測定デバイス３００は、ケラト投影光学系５０、アライメント投影光学系４０、前眼部正面撮像光学系３０、に大別される。

ケラト投影光学系５０は、測定光軸Ｌ１を中心に配置されたリング状の光源５１を有し、被検眼角膜にリング指標を投影して角膜形状（曲率、乱視軸角度、等）を測定するために用いられる。なお、光源５１には、例えば、赤外光または可視光を発するＬＥＤが使用される。なお、投影光学系５０について、光軸Ｌ１を中心とする同一円周上に少なくとも３つ以上の点光源が配置されていればよく、間欠的なリング光源であってもよい。さらに、複数のリング指標を投影するプラチド指標投影光学系であってもよい。

アライメント投影光学系４０は、光源５１の内側に配置され、赤外光を発する投影光源４１（例えば、λ＝９７０ｎｍ）を有し、被検眼角膜Ｅｃにアライメント指標を投影するために用いられる。そして、角膜Ｅｃに投影されたアライメント指標は、被検眼に対する位置合わせ（例えば、自動アライメント、アライメント検出、手動アライメント、等）に用いられる。本実施形態において、投影光学系５０は、被検眼角膜Ｅｃに対してリング指標を投影する光学系であって、リング指標は、マイヤーリングも兼用する。また、投影光学系４０の光源４１は、前眼部を斜め方向から赤外光にて照明する前眼部照明を兼用する。なお、投影光学系４０において、さらに、角膜Ｅｃに平行光を投影する光学系を設け、投影光学系４０による有限光との組合せにより前後のアライメントを行うようにしてもよい。

観察光学系３０は、前眼部正面像を撮像（取得）するために用いられる。観察光学系３０は、ダイクロイックミラー３３、対物レンズ４７、ダイクロイックミラー６２、フィルタ３４、撮像レンズ３７、二次元撮像素子３５、を含み、被検眼の前眼部正面像を撮像するために用いられる。二次元撮像素子３５は、被検眼前眼部と略共役な位置に配置されている。

前述の投影光学系４０、投影光学系５０による前眼部反射光は、ダイクロイックミラー３３、対物レンズ４７、ダイクロイックミラー６２、フィルタ３４、及び撮像レンズ３７を介して二次元撮像素子３５に結像される。

光源１は、固視灯である。また、例えば、光源１から発せられた光の前眼部での反射により取得される前眼部反射光の一部は、ダイクロイックミラー３３で反射され、前眼部正面撮像光学系３０で結像される。

次に、制御系について説明する。制御部８０は、装置全体の制御及び測定結果の算出を行う。制御部８０は、ＯＣＴデバイス５の各部材、角膜形状測定デバイス３００の各部材、モニタ７０、操作部８４、メモリ８５、等と接続されている。なお、メモリ８５には、各種制御プログラムの他、後述するＩＯＬ度数算出プログラム等が記憶されている。

続いて、本実施例において用いられるＩＯＬ度数算出プログラムについて説明する。本実施例のＩＯＬ度数算出プログラムは、機械学習アルゴリズムによって訓練された数学モデルが利用される。以下の説明では、順伝播型のニューラルネットワークが用いられる場合を例に説明する。このニューラルネットワークにおける数学モデルは、一般的に、データを入力するための入力層と、予測したいデータを生成するための出力層と、入力層と出力層の間の１つ以上の隠れ層とで構成され、各層には複数のノード（ユニットとも呼ばれる）が配置される。ノードは、複数の入力を受け取り、１つの出力を計算する。例えば、各層の各ノードに入力されたデータは、隣接する層の各ノードに出力される。このとき、径路毎に異なる重みが付加される。例えば、あるノードから次のノードに伝達される出力値は、経路毎の重みによって増強あるいは減衰される。重みが付加されたデータは、ノードに入力されると、活性化関数等の関数が適用され、次の層の各ノードに出力される。この入出力が隣接する各層の間で繰り返され、最終的に出力層から予測データが出力される。

例えば、第１層のノードをｉ＝１,…,Ｉ、第２層のノードをｊ＝１,…,Ｊ、で表すと、第２層のノードが受け取る総入力ｕ_ｊは、次式（１）のように、第１層の各入力ｘ_ｉにそれぞれ異なる重みｗ_ｊｉを掛けたものをすべて加算し、これにバイアスと呼ばれる１つの値ｂ_ｉを足したものになる。

また、第２層のノードの出力ｚ_ｉは、次式（２）のように、総入力ｕ_ｉに対する活性化関数等の関数ｆの出力となる。活性化関数としては、例えば、ロジスティックジグモイド関数、双曲線正接関数、正規化線形関数、マックスアウト等の関数が挙げられる。

上記のようなニューラルネットワークにおける数学モデルは、訓練データセットを用いて訓練されることで、新しいデータに関する予測を行うことができる。訓練データセットは、例えば、入力用訓練データと出力用訓練データのセットであり、入力用訓練データが入力層に入力された場合に、出力層から出力用訓練データに近い値が出力されるように各層の各ノードの重みとバイアスが調整される。訓練データセットは複数用意されており、繰り返し重みとバイアスが調整されることで、様々なデータに対して汎用性がある重みおよびバイアスを得ることができ、未知のデータに対しても予測可能となる。数学モデルの訓練は、例えば、入力用訓練データの入力に対する出力と、対応する出力用訓練データとの誤差が許容される範囲に入るまで続けられる。重みの調整には、バックプロパゲーション（誤差逆伝播法）等が用いられる。

訓練された数学モデルにおいて、調整された重みは、入力と出力との相関関係を表す。この関係に基づいて、数学モデルは、訓練データとは異なる新たなデータの入力に対する予測値を出力する。例えば、各ノードの出力に対してそれぞれの重みが係数として適用される。これによって、訓練によって得られた相関が数学モデルの出力に反映される。

本実施例の数学モデル８００は、図２に示すように、入力層Ｍ１に４つのノードＮ１１〜Ｎ１４、中間層Ｍ２に３つのノードＮ２１〜Ｎ２３、出力層Ｍ３に１つのノードＮ３１が配置される。この数学モデル８００は、ある被検者の水晶体前面曲率、水晶体後面曲率、水晶体厚および前房深度と、術後前房深度（ＥＬＰ）とを１セットとする複数セットの訓練データセットを用いて訓練されている。つまり、本実施例の数学モデル８００は、入力層Ｍ１に水晶体前面曲率、水晶体後面曲率、水晶体厚、前房深度等の４つの眼形状パラメータが入力されると、出力層Ｍ３から予想術後前房深度（術後前房深度の予測値）が出力されるように生成される。なお、数学モデル８００は、制御部８０のプロセッサ上で実行されるように任意のコンピュータ言語等を用いて実装される。

＜制御動作＞
以下、本装置の制御動作について説明する。図３は、本装置を用いて眼内レンズ度数を決定する場合の制御動作をフローチャートで簡単に示した図である。まず、ステップＳ１において、制御部８０は、被検眼に対する測定部２００のアライメントを行う。アライメントの際、制御部８０は、光源１、光源４１及び光源５１を点灯する。このとき、モニタ７０には、図４に示すように、二次元撮像素子３５によって撮影された被検眼の正面画像が表示される。正面画像には、例えば、電子的に表示されたレチクルＬＴと、光源４１及び光源５１によって形成されるリング指標Ｑ１とリング指標Ｑ２が写る。

検者は、被検者に固視灯を固視させると、レチクルＬＴとリング指標Ｑ１が同心円状になるように、タッチパネル等の操作部を操作する。制御部８０は、操作部によって受け付けた操作に応じて測定部を上下左右に移動させる。これによって、被検眼の角膜頂点に本装置の光軸Ｌ１が通るようにＸＹ方向にアライメントされる。また、検者は、リング指標Ｑ１のピントが合うように、操作部を操作する。制御部８０は、操作部によって受け付けた操作に応じて測定部を前後方向に移動させる。

前眼部に対するアライメントが完了されると、制御部８０は、観察光学系３０によって被検眼の前眼部の正面画像を撮影する（ステップＳ２）。また、制御部８０は、予め設定された走査パターンに基づき、ＯＣＴ光学系１００によって図５に示すような被検眼の断面画像５００を撮影する（ステップ３）。取得された前眼部画像および断面画像は、メモリ８５等に記憶される。

続いて、ステップ４において、制御部８０は、眼形状パラメータを取得する。例えば、制御部８０は、メモリ８５に記憶された前眼部画像４００におけるリング指標像Ｑ１及びＱ２に基づいて被検眼の角膜形状をそれぞれ算出する。角膜形状とは、例えば、強主経線方向及び弱主経線方向における角膜前面の角膜曲率半径、角膜の乱視軸角度等である。また、制御部８０は、ＯＣＴデバイス５を用いて撮影された断面画像を解析する。例えば、制御部８０は、断面画像のエッジ検出によって角膜、水晶体などの位置を検出し、その位置に基づいて角膜厚、前房深度、水晶体厚を測定する。また、制御部８０は、検出された角膜および水晶体の前面または後面を円近似（または楕円近似、コニック曲線近似等）し、この近似曲線に基づいて角膜後面の曲率半径、水晶体前面曲率、水晶体後面曲率等を測定する。さらにＯＣＴ光学系によって網膜まで撮影することができる場合は、眼軸長を測定する。取得された眼形状パラメータは、例えば、メモリ８５等に記憶される。

ステップＳ５において、制御部８０は、測定部２００によって取得された水晶体前面曲率、水晶体後面曲率、水晶体厚、前房深度をメモリ８５から読み出し、入力層Ｍ１の各ノードに入力する。そして、制御部８０は、数学モデル８００の規則に従って計算を行い、予想術後前房深度の値を出力層Ｍ３から出力する（ステップＳ６）。制御部８０は、出力された予想術後前房深度をメモリ８５に記憶させる。

各パラメータの取得が完了すると、制御部８０は、既知であるＳＲＫ／Ｔ式、Ｂｉｎｋｈｏｒｓｔ式等を一部流用して眼内レンズ度数を算出する。例えば、制御部８０は、ステップＳ７において、ＳＲＫ／Ｔ式、Ｂｉｎｋｈｏｒｓｔ式等に上記のパラメータを代入することによって、ＩＯＬ度数を取得する（ステップＳ８）。ＳＲＫ／Ｔ式（下記の式（３））を用いる場合、角膜曲率半径、眼軸長、予想術後前房深度等を用いて眼内レンズ度数が計算される。

ここで、R:角膜曲率半径[mm](R＝(n_k−1.000)×1000/K)、n_k:検者によって選択された屈折率、LO:AL＋RT[mm]、RT:網膜の厚み[mm](RT＝0.65696−0.02029×AL)、AL:眼軸長[mm]、AD’:予想術後前房深度の補正値[mm](AD’＝H＋OF,OF＝AD−3.336)、AD:予想術後前房深度[mm](AD＝0.62467×A−68.747)、A:A定数、H:角膜高さ[mm](H=R−(R×R−((Cw×Cw)/4))^1/2)（ただし、(R×R−((Cw×Cw)/4))＜0の場合、H＝R）、Cw:角膜幅[mm]、Cw＝−5.41＋0.58412×LC＋0.098×K、LC:眼軸長の補正値[mm]（AL≦24.2の場合LC＝AL、AL＞24.2の場合LC＝−3.446＋1.716×AL−0.0237×AL²）、DR:術後希望する矯正用レンズの屈折力[D]、LP:移植するIOLの度数[D]、V:頂点距離、n_a:房水および硝子体の屈折率(＝1.336)、n_c:角膜の屈折率(＝1.333)、n_cml: n_c−1(＝0.333)である。

従来では、ＥＬＰの予測に回帰式もしくは理論式を使っており、一定の規則に当てはまる眼球であればある程度予測精度が得られていた。しかしながら、形状が特徴的な眼球（例えば、眼軸長だが前房深度が浅い眼、短眼軸だが前房深度が深い眼など）に対応できず、突発的な度数ズレを引き起こしていた。以上のように、機械学習によって訓練された数学モデルを用いて、複数の眼形状パラメータの相関を考慮した術後前房深度の予測を行うことがで、平均的な形状から外れた特徴的な眼球であっても、より高い確率で適切なＩＯＬ度数を算出できる。

なお、上記の実施例では、数学モデルによって予想術後前房深度を出力させたが、これに限らない。例えば、ＩＯＬ度数を出力させてもよい。この場合、入力用訓練データとして、角膜曲率、眼軸長、前房深度等の複数の眼形状パラメータを用い、出力用訓練データとしてＩＯＬ度数を用いて数学モデルを訓練する。これによって、制御部８０は、測定部２００で測定された眼形状パラメータが入力されると、ＩＯＬ度数を出力する数学モデルが生成される。この数学モデルを用いることによって、測定された眼形状パラメータから直接ＩＯＬ度数を算出することができる。

なお、制御部８０は、数学モデルによってトーリックＩＯＬ度数を取得してもよい。この場合、入力用訓練データとして複数の眼形状パラメータを用い、出力用訓練データとしてトーリックＩＯＬ度数を用いて数学モデルが訓練される。トーリックＩＯＬ度数を求める場合、眼形状パラメータは、例えば、角膜前面乱視度数、角膜前面乱視軸、角膜後面乱視度数、角膜後面乱視軸、角膜厚（ＣＴ）、前房深度ＡＣＤ、術後前房深度（ＥＬＰ）、術後惹起乱視（ＳＩＡ）、瞳孔径（ＰＳ）、水晶体前面乱視度数、水晶体前面乱視軸、水晶体後面乱視度数、水晶体後面乱視軸、切開位置、切開幅、切開角度、補助ポート位置、補助ポート数、補助ポート幅の少なくともいずれかを含む。切開位置、切開幅、切開角度は、ＩＯＬを挿入する際に被検眼の角膜、角膜縁または強膜に施される切開の位置、幅、角度（切開の方向）である。補助ポートとは、例えば、ＩＯＬ挿入時の補助具を眼内に挿入するための切開口（または創）である。なお、被検眼に挿入すべきトーリックＩＯＬの乱視度数は、例えば、水晶体前面乱視、水晶体後面乱視の情報に基づいて算出される。また、トーリックＩＯＬ度数の他にトーリック角度、術後のＩＯＬの回転可能性等のトーリックＩＯＬ関連情報を取得してもよい。ＩＯＬの回転可能性を取得する場合は、水晶体嚢の直径、水晶体嚢の短径と長径、ＩＯＬ全長等を数学モデルへの入力データとして用いてもよい。

なお、演算制御部は、切開位置、切開幅、切開角度、補助ポート位置、補助ポート数、補助ポート幅、術者の少なくともいずれかに関する特徴パラメータを数学モデルに入力することによって、数学モデルから術後惹起乱視を出力させてもよい。術後惹起乱視は、白内障手術時の切開によって生じる乱視である。したがって、術後惹起乱視は、術者の手術の癖等の影響を受ける場合がある。このため、術後惹起乱視を出力させるために、数学モデルの入力に切開位置、切開幅、切開角度、補助ポート位置、補助ポート数、補助ポート幅、術者の少なくともいずれかに関する特徴パラメータを用いる。

なお、上記の実施例では、数学モデルによって計算された予想術後前房深度をＩＯＬ度数計算式の代入箇所に代入することによってＩＯＬ度数を求めたが、再度別の数学モデルによってＩＯＬ度数を算出してもよい。例えば、数学モデルによって計算された予想術後前房深度と、他の眼形状パラメータを入力することによって、ＩＯＬ度数が出力されるように訓練された数学モデルを用いてＩＯＬ度数を取得してもよい。

なお、上記の実施例において、ニューラルネットワークの出力は１つとしたが、出力層に複数のノードを設け、複数の値を出力させてもよい。例えば、角膜曲率、眼軸長、前房深度、水晶体前面曲率、水晶体後面曲率、等の眼形状パラメータを入力すると、予想術後前房深度とＩＯＬ度数の２つのパラメータが算出されてもよい。この場合、入力用訓練データとして複数の眼形状パラメータを用い、出力用訓練データとして術後前房深度とＩＯＬ度数を用いて数学モデルを訓練すればよい。もちろん、出力層だけでなく、入力層、隠れ層についてもノードの数はいくつでもよい。

上記の実施例において、隠れ層が１つのニューラルネットワークを扱ったが、隠れ層が２以上のディープニューラルネットワークが用いられてもよい。この場合も、同様に、入力層の各ノードに複数の眼形状パラメータが入力され、複数の隠れ層を経て、最終的に出力層から予想術後前房深度またはＩＯＬ度数が出力される。ディープニューラルネットワークを用いることによって、各眼形状パラメータの相関をより細かく反映したＩＯＬ度数情報を取得できる。

なお、上記の実施例では、ニュートラルネットワークを用いた回帰によって予想術後前房深度を算出したが、機械学習を用いた分類によってＩＯＬ関連情報を取得してもよい。例えば、制御部８０は、数学モデルを用いて、複数のＩＯＬ度数計算式の中から適切なＩＯＬ度数計算式を選定してもよい。例えば、制御部８０は、数学モデルに眼形状パラメータを入力することによって、適切なＩＯＬ度数計算式を得る。これによって、被検眼の形状に適したＩＯＬ度数計算式でＩＯＬ度数を算出できる。なお、ＩＯＬ度数計算式を選定する場合、眼形状パラメータの他に、ＩＯＬモデル、術者、人種、性別、年齢等に関する特徴パラメータを数学モデルに入力してもよい。

なお、上記の実施例では、ニューラルネットワークによってＩＯＬ度数を算出したが、これに限らない。例えば、ランダムフォレスト、ブースティング等の他の機械学習アルゴリズムを用いてもよい。例えば、ランダムフォレストを用いる場合、いくつかの決定木によってそれぞれＩＯＬ度数が求められ、各決定木から得られるＩＯＬ度数の値を平均することでＩＯＬ度数が取得される。また、ブースティングによって得られた識別器によって、被検眼がどのＩＯＬ度数計算式に適しているかを分類してもよい。ニューラルネットワークに限らず、機械学習アルゴリズムを用いることによって、正確なＩＯＬ度数を算出することができる。

なお、以上の実施例において、数学モデルに入力する眼形状パラメータは、測定部２００によって測定したが、サーバー等から眼形状パラメータを取得してもよい。例えば、多数の機種で撮影された複数の測定結果がネットワークを通してサーバーに記憶され、各装置は、サーバーから他の装置で測定されたデータを取得できてもよい。例えば、制御部８０は、被検者の登録情報および測定画像データ等が管理される電子カルテシステムから眼形状パラメータを取得してもよい。

なお、上記の実施例では、訓練された数学モデルによって算出した予想術後前房深度をＩＯＬ度数計算式に適用することによって、ＩＯＬ度数を取得したが、理論式によって算出した予想術後前房深度と、その他の眼形状パラメータとを数学モデルに入力することによってＩＯＬ度数を出力させてもよい。予想術後前房深度の算出方法は、以下に説明する。

予想術後前房深度の理論式による算出について、図６を用いて説明する。予想術後前房深度は、角膜高さ（角膜前面から水晶体前面までの高さ）に対し、オフセット量Ｘと補正量α（例えば、Ａ定数の関数）とが足し合わせられることによって算出される。なお、角膜高さは、角膜厚ＣＣＴと前房深度ＡＣＤを足し合わせることによって算出される。

オフセット量Ｘは、水晶体前面の位置から赤道位置（水晶体の最大径部分）までの距離を示している。なお、オフセット量Ｘは、ＩＯＬが水晶体嚢から圧力を受けることによって生じる水晶体後嚢側へのＩＯＬの移動量（上記で示す補正量α）が考慮されておらず、除かれている（詳細は後述する）。ＩＯＬの支持部（ループ）の先端の位置は、赤道位置とおおよそ同様となる。なお、赤道位置は、水晶体前面と水晶体後面とが交差する位置とされてもよい。

以下、オフセット量Ｘを算出する方法について説明する。例えば、制御部８０は、水晶体前面曲率半径Ｒ３、水晶体後面曲率半径Ｒ４、水晶体厚ＬＴを用いて赤道位置を算出し、この赤道位置を術後のループ先端の位置とする。術後のループ先端の位置は、おおよそＩＯＬの光学部の位置と同様と扱われるため、ループ先端の位置を光学部の位置としてオフセット量Ｘを算出する。

また、図７において、距離ｈは、光軸Ｌ１から水晶体前面の近似円と水晶体後面の近似円との交点までの距離を示している。距離Ｘ１は、光軸Ｌ１における水晶体前面曲率中心Ｏ４から水晶体後面までの距離を示している。距離Ｘ１'は、水晶体前面の近似円と水晶体後面の近似円との交点から水晶体後面までの距離を示している。距離Ｘ２は、光軸Ｌ１における水晶体後面曲率中心Ｏ３から水晶体前面までの距離を示している。距離Ｘは、水晶体前面の近似円と水晶体後面の近似円との交点から水晶体前面までの距離を示しており、オフセット量である。ピタゴラスの定理により以下の式が成り立つ。

そして、上記の式（４）において、距離ｈが同様であるため、これらの式をオフセット量Ｘについて解くと以下の式が成り立つ。

制御部８０は、式（５）によって算出したオフセット量Ｘと、前房深度ＡＣＤ、角膜厚ＣＣＴ、補正量αに基づいて予想術後前房深度を算出する。補正量αは、ＩＯＬ挿入後に水晶体の嚢の圧力によって、ＩＯＬが後嚢側に押し下げられた際に、ＩＯＬが移動した量を補正するためのパラメータである。補正量αは、ＩＯＬのモデルによって異なり、例えば、臨床データに基づいてモデル毎に設定されたＡ定数を用いて算出される。予想術後前房深度ＥＬＰは、以下の式（６）で求めることができる。

予想術後前房深度としては、角膜裏面から定義される場合もあるが、ここでは、角膜前面からＩＯＬ前面までの距離とした。

制御部８０は、式（６）によって算出された予想術後前房深度と、測定部２００によって取得された各眼形状パラメータを数学モデルに入力することによって、直接ＩＯＬ度数を算出してもよい。このように、実測値（１次パラメータ）である眼形状パラメータと、１次パラメータに基づいて算出された計算値（２次パラメータ）である予想術後前房深度を数学モデルの入力として用いてもよい。これによって、制御部８０は、１次パラメータと２次パラメータの相関を反映したＩＯＬ度数を算出できる。

なお、機械学習によって訓練された数学モデルを用いて眼疾患等の予測を行ってもよい。例えば、制御部８０は、数学モデルに眼形状パラメータを入力することによって、角膜または水晶体等の中間透光体混濁の進行度、円錐角膜、LASIK術後角膜拡張症、ペルーシド角膜辺縁変性症などの角膜変性症の進行度、術後の病気発生率等を出力させてもよい。角膜変性症進行度を得る場合は、角膜曲率、角膜厚等が数学モデルへの入力として用いられる。中間透光体混濁の進行度を得る場合、前眼部断面画像に写る中間透光体の輝度値等が数学モデルの入力として用いられる。数学モデルは、出力層に複数ノードを備え、ＩＯＬ関連情報の他に上記のような疾病情報を出力してもよい。これによって、ＩＯＬ度数を求めるとともに、被検眼の状態に関する情報を取得できる。

なお、以上の実施例では、嚢内に固定するＩＯＬについて説明したが、これに限らない。例えば、有水晶体眼用ＩＯＬを挿入する場合、またはピギーバック（ＩＯＬ挿入眼に２枚目のＩＯＬを挿入）を行う場合、ＩＯＬ交換を行う場合などにおいても、機械学習によって訓練された数学モデルを用いてＩＯＬ関連情報を取得できる。ピギーバックまたはＩＯＬ交換の場合は、既に被検眼に挿入されているＩＯＬに関する情報も特徴パラメータの１つとして数学モデルの入力に用いてもよい。

なお、本発明は、前眼部断層像（断面像）撮影用の光コヒーレンストモグラフィーデバイスにおいて、複数の走査位置にて前眼部断層像を取得することにより３次元形状画像を取得する場合においても適用可能である。ＯＣＴデバイス５は、前眼部の３次元断面像（３次元前眼部データ）を取得する前眼部撮像デバイスであって、制御部８０は、前眼部撮像デバイスによって取得された３次元断面像に基づいて水晶体前面からチン小帯と水晶体の接点までのオフセット距離を３次元的に求める。この場合、３次元前眼部データにおける経線方向毎の水晶体前面曲率と水晶体後面曲率の平均を算出し、これに基づいてＥＬＰを算出する。そして、３次元形状画像より測定値を取得することによって、取得される測定値の精度が良くなる。

なお、本実施形態においては、前眼部断面像を撮像する前眼部撮像デバイスとして、前眼部断層像（断面像）撮影用の光コヒーレンストモグラフィーデバイスを例に挙げたがこれに限定されない。光源からの出射光を被検眼前眼部に向けて投光し、前眼部上に光切断面を形成させる投光光学系と、光切断面の前眼部での散乱により取得される前眼部散乱光を含む光を受光する検出器を有する受光光学系と、を有し、検出器からの検出信号に基づいて前眼部断面画像を形成する構成であればよい。すなわち、検眼の前眼部にスリット光を投影し、シャインプルークカメラにより前眼部断面画像を得る装置等にも適用可能である。

さらに、シャインプルークカメラを回転させたり、水平または垂直方向に移動させたりすることにより前眼部の３次元形状画像を取得する装置にも適用可能である。この場合、所定の回転角度毎にずれ補正を行うことによって、精度よく前眼部の３次元形状画像を取得することが可能となり、３次元形状画像より取得される測定値の精度が良くなる。この場合、撮像面（スリット断面）に対して垂直な方向の位置ずれが検出され、その検出結果に基づいてずれ補正処理が行われる。

また、上記構成においては、光学的に前眼部断面像を取得したが、これに限定されない。例えば、Ｂスキャン用の超音波プローブを用いて前眼部からの反射情報を検出することによって前眼部断面像を取得する構成であればよい。

なお、本実施例においては、ＩＯＬ度数の算出方法として、既知であるＳＲＫ／Ｔ式、Ｂｉｎｋｈｏｒｓ式等の回帰式または理論式であるＩＯＬ度数計算式を用いたがこれに限定されない。例えば、光線を用いて、光の反射や屈折の様子を幾何学的に追いかけて、光の振る舞いをシミュレーションする光線追跡法によって、ＩＯＬ度数を算出することもできる。この場合、予想術後前房深度ＥＬＰ、角膜厚ＣＣＴ、眼軸長測定結果ＡＬ、角膜前面の角膜曲率半径、角膜後面の角膜曲率半径、を用いて光線追跡法によって、ＩＯＬ度数を算出する。光線追跡法は、光の反射や屈折をシミュレーションによってＩＯＬ度数を算出したものであるため、理論式であるＩＯＬ度数計算式によりも精度良くＩＯＬ度数を算出することができる。

なお、本実施形態においては、角膜形状測定デバイス３００を用いて、角膜前面における角膜曲率半径が算出され、ＯＣＴデバイス５を用いて、角膜後面における角膜曲率半径が算出される構成としたがこれに限定されない。ＯＣＴデバイス５によって、角膜前後面における角膜曲率半径を算出してもよい。また、角膜前後面の角膜曲率半径を同様の測定値で扱ってもよい。すなわち、角膜形状測定デバイス３００で算出した角膜前面における角膜曲率半径が角膜前後面における角膜曲率半径として用いられる。

なお、本実施形態において、角膜形状測定デバイス３００として、角膜トポグラフィーを用いることもできる。この場合、角膜前面の曲率半径を算出する際に、角膜の全体の形状から角膜前面の曲率半径が算出されるため、角膜前面の曲率半径が精度良く算出される。このため、ＩＯＬ度数を算出する際に、ＩＯＬ度数算出の精度向上に繋がる。

なお、本発明においては、本実施形態に記載した装置に限定されない。例えば、上記実施例の機能を行うＩＯＬ度数計算プログラムをネットワークや各種記憶媒体を介して、システムあるいは装置に供給する。そして、システムあるいは装置のコンピュータ（例えば、ＣＰＵ等）がプログラムを読み出し、実行することも可能である。

５ 光コヒーレンストモグラフィーデバイス
３０ 前眼部正面撮像光学系
４０ アライメント投影光学系
５０ ケラト投影光学系
７０ モニタ
８０ 制御部
８５ メモリ
８４ 操作部

Claims (22)

1. 被検眼に挿入するＩＯＬの度数を決定するための眼科装置であって、
   被検眼の複数の眼形状パラメータを取得するパラメータ取得手段と、
   ＩＯＬ度数を演算する演算制御手段と、を備え、
   前記演算制御手段は、機械学習アルゴリズムによって訓練された数学モデルに前記複数の眼形状パラメータを入力することによって、前記数学モデルからＩＯＬ関連情報を出力させることを特徴とする眼科装置。
2. 前記演算制御手段は、前記数学モデルから前記ＩＯＬ関連情報として出力された予想術後前房深度に基づいてＩＯＬ度数を算出することを特徴とする請求項１の眼科装置。
3. 前記数学モデルは、複数の眼形状パラメータを入力用訓練データとし、術後前房深度を出力用訓練データとする複数の訓練データセットを用いて訓練されることを特徴とする請求項１または２の眼科装置。
4. 前記眼形状パラメータは、水晶体形状パラメータを含むことを特徴とする請求項１〜３のいずれかの眼科装置。
5. 前記演算制御手段は、前記数学モデルによって出力された前記予想術後前房深度をＩＯＬ度数計算式に代入することによってＩＯＬ度数を算出することを特徴とする請求項２〜４の眼内レンズ度数決定装置。
6. 前記演算制御手段は、複数のＩＯＬ度数計算式のうち適切な式を選択するための選択情報を前記数学モデルに出力させることを特徴とする請求項１の眼科装置。
7. 前記数学モデルによって出力された前記選択情報をユーザーに提示する提示手段をさらに備えることを特徴とする請求項５の眼科装置。
8. 前記数学モデルによって出力された前記選択情報において適切でない式をユーザーが使用しようとした場合に警告する警告手段をさらに備えることを特徴とする請求項５の眼科装置。
9. 前記演算制御手段は、前記数学モデルに前記複数の眼形状パラメータを入力することによって、前記数学モデルから前記ＩＯＬ関連情報としてＩＯＬ度数を出力させることを特徴とする請求項１の眼科装置。
10. 前記演算制御手段は、前記複数の眼形状パラメータに基づいて予想術後前房深度を算出し、前記眼形状パラメータと前記予想術後前房深度を前記数学モデルに入力することによって、前記数学モデルからＩＯＬ度数を出力させることを特徴とする請求項９の眼科装置。
11. 前記演算制御手段は、前記複数の眼形状パラメータを第１数学モデルに入力することによって、前記第１数学モデルから出力された予想術後前房深度を、前記第１数学モデルとは異なる第２数学モデルに入力することによって、前記第２数学モデルからＩＯＬ度数を出力させることを特徴とする請求項９の眼科装置。
12. 前記演算制御部は、前記眼形状パラメータの他に、患者の人種、性別、年齢、ＩＯＬモデル、術者の少なくともいずれかの特徴に関する特徴パラメータを前記数学モデルに入力することを特徴とする請求項１〜１１のいずれかの眼科装置。
13. 前記特徴パラメータは、各ＩＯＬ度数計算式で用いられるレンズ定数を含むことを特徴とする請求項１２の眼科装置。
14. 前記演算制御手段は、前記数学モデルからトーリックＩＯＬ度数を出力させることを特徴とする請求項１〜１３のいずれかの眼科装置。
15. 前記眼形状パラメータは、角膜前面乱視／軸、角膜後面乱視／軸、角膜厚、前房深度、術後前房深度、術後惹起乱視、瞳孔径、水晶体前面乱視／軸、水晶体後面乱視／軸、切開位置、切開幅、切開角度、補助ポート位置、補助ポート数、補助ポート幅の少なくともいずれかを含むことを特徴とする請求項１４の眼科装置。
16. 前記演算制御手段は、前記水晶体前面乱視および前記水晶体後面乱視に基づいて、トーリックＩＯＬの乱視度数を算出することを特徴とする請求項１５の眼科装置。
17. 前記演算制御手段は、切開位置、切開幅、切開角度、補助ポート位置、補助ポート数、補助ポート幅、術者、の少なくともいずれかに関する特徴パラメータを前記数学モデルに入力することによって、前記数学モデルから術後惹起乱視を出力させることを特徴とする請求項１〜１６のいずれかの眼科装置。
18. 前記演算制御手段は、前記数学モデルに前記複数の眼形状パラメータを入力することによって、前記数学モデルからＩＯＬ度数および予想術後前房深度の少なくともいずれかを含む複数の前記ＩＯＬ関連情報を出力させることを特徴とする請求項１の眼科装置。
19. 前記演算制御手段は、中間透光体混濁の進行度、角膜変性症の進行度の少なくともいずれかを前記数学モデルからさらに出力させることを特徴とする請求項１〜１８のいずれかの眼科装置。
20. 前記眼形状パラメータは、通信ネットワークを介して接続されたサーバシステムから取得されることを特徴とする請求項１〜１９のいずれかの眼科装置。
21. 前記被検眼の眼形状パラメータを測定する測定手段をさらに備えることを特徴とする請求項１〜２０のいずれかの眼科装置。
22. 被検眼に挿入するＩＯＬの度数を決定するための眼科装置において実行されるＩＯＬ度数決定プログラムであって、前記眼科装置のプロセッサによって実行されることで、
    被検眼の複数の眼形状パラメータを取得するパラメータ取得ステップと、
    機械学習アルゴリズムによって訓練された数学モデルに前記複数の眼形状パラメータを入力することによって、前記数学モデルからＩＯＬ関連情報を出力させる演算ステップと、を前記眼科装置に実行させることを特徴とするＩＯＬ度数決定プログラム。