Обоснование. Имплантация современных интраокулярных линз позволяет офтальмологам эффективно решать задачи хирургической реабилитации пациентов с катарактой. Степень улучшения зрительных функций пациента напрямую связана с точностью предоперационного расчёта оптической силы интраокулярных линз. Для расчёта этого показателя используются такие формулы, как SRK II, SRK/T, Hoffer-Q, Holladay II, Haigis, Barrett. Все они хорошо работают для «среднего пациента», однако не являются в достаточной степени адекватными на границах диапазонов входных переменных.

Цель — изучение возможности использования математических моделей, полученных в результате глубокого обучения искусственных нейронных сетей, для генерализации данных и прогнозирования оптической силы современных интраокулярных линз.

Материалы и методы. Обучение моделей, основанных на искусственных нейронных сетях, проводилось на масштабных выборках, в том числе на обезличенных данных пациентов офтальмологической клиники. Данные, предоставленные в 2021 году врачом-офтальмологом К.К. Сырых, отражают результаты как предоперационных, так и послеоперационных наблюдений за пациентами. Исходный файл, использованный для построения модели, основанной на искусственной нейронной сети, включал 455 записей (26 столбцов входных факторов и один столбец выходного фактора) при расчёте интраокулярных линз (дтпр). Для удобного построения моделей использовали программу-симулятор, ранее разработанную авторами.

Результаты. Полученные модели, в отличие от традиционно используемых формул, в гораздо большей степени отражают региональную специфику пациентов. Они также позволяют переобучать и оптимизировать структуру модели на основе вновь поступающих данных, что позволяет учитывать нестационарность объекта. Отличительной особенностью таких моделей, основанных на искусственных нейронных сетях, по сравнению с известными формулами, широко используемыми в хирургическом лечении катаракты, является возможность учёта значительного числа регистрируемых входных величин. Это позволило снизить среднюю относительную погрешность расчётов оптической силы интраокулярных линз с 10–12% до 3,5%.

Заключение. Данное исследование показывает принципиальную возможность генерализации значительного количества эмпирических данных по расчёту оптической силы интраокулярных линз с использованием глубокого обучения моделей искусственных нейронных сетей , которые имеют значительно большее количество входных переменных, чем при использовании традиционных формул и методов. Полученные результаты позволяют построить интеллектуальную экспертную систему с динамическим поступлением новых данных и поэтапным переобучением моделей.

论证。现代眼内镜片的植入使眼科医生能够有效解决白内障患者的手术康复难题。患者视觉功能的改善程度与术前计算眼内镜片光学倍率的准确性直接相关。SRK II、SRK/T、Hoffer-Q、Holladay II、 Haigis、Barrett等公式都被用来计算这一指数。所有这些公式对于“中等症患者”来说都很有效。但是，在输入变量范围的极端情况下，它们就不够充分。

目的。本研究的目的是探索使用人工神经网络深度学习衍生的数学模型来归纳数据并预测现代眼内镜片光学倍率的可能性。

材料与方法。基于人工神经网络的模型训练是在大规模样本上进行的，包括来自眼科诊所患者的匿名数据。这些数据由眼科医生K.K.谢雷赫于2021年提供。这些数据反映了患者术前和术后的观察结果。用于建立基于人工神经网络模型的源文件包括455条记录（26列输入因子和1列输出因子），被用于计算眼内镜片（屈光度）。为了方便地建立模型，使用了先前开发的一个模拟程序。

结果。与传统的公式相比，所获得的模型更能反映患者的区域特性。它们还可以根据新获得的数据重新训练和优化模型结构。这样就有可能考虑到对象的非稳定性。与白内障手术中广泛使用的已知公式相比，这种基于人工神经网络模型的一个显著特点是可以考虑大量记录的输入值。这使得计算眼内镜片光学倍率的平均相对误差可以从10-12%降低到3.5%。

结论。本项研究表明，使用人工神经网络模型的深度学习来归纳大量经验数据来计算人工晶状体的光学强度是基本可行的。与使用传统公式和方法相比，这种网络的输入变量数量要大得多。所得结果使得构建新数据动态输入、模型逐步再训练的智能专家系统成为可能。