CNN identifie la maladie maculaire exsudative sur OCT chez les patients atteints de DMLA et d'OMD avec une précision de 97 %

Lire l'article →

L'analyse OCT basée sur l'IA détecte la maladie maculaire exsudative avec une précision de 97 %

Un nouveau réseau neuronal convolutif aide les spécialistes de la rétine en identifiant automatiquement le liquide intrarétinien et l'œdème maculaire à partir des scanners OCT, promettant un diagnostic plus rapide et plus précis des affections menaçant la vision.

Introduction

Les maladies affectant la macula, telles que la dégénérescence maculaire liée à l'âge (DMLA) et l'œdème maculaire diabétique (OMD), sont les principales causes de perte de vision dans le monde. L'identification rapide des modifications exsudatives et de l'accumulation de liquide dans la rétine est cruciale pour une intervention rapide et la prévention de dommages irréversibles. La tomographie par cohérence optique (OCT) est la technique d'imagerie privilégiée pour détecter ces anomalies rétiniennes. Cependant, l'interprétation des images OCT est chronophage et requiert une expertise spécialisée. Malgré les progrès de l'imagerie, le recours à l'examen manuel des images OCT pose des problèmes, notamment dans les milieux cliniques très fréquentés ou les zones mal desservies où les spécialistes de la rétine ne sont pas toujours facilement accessibles. L'intelligence artificielle (IA), et notamment l'apprentissage profond, s'est révélée un outil prometteur pour améliorer l'interprétation de l'OCT et accélérer et optimiser la précision du diagnostic. Dans cette étude, un nouveau réseau neuronal convolutif (CNN) a été développé spécifiquement pour détecter le liquide intrarétinien et l'œdème maculaire sur les B-scans OCT. Le modèle a démontré des performances remarquables, avec une aire sous la courbe (ASC) de 0,965 et une précision globale de 96,4 %, soulignant son potentiel pour aider les cliniciens à identifier efficacement la maladie maculaire exsudative.

Partenariat et contexte de l'étude

Cette recherche a été menée en collaboration par des spécialistes de la rétine et des ingénieurs en apprentissage automatique de l'Instituto Nacional de Investigación en Oftalmología et d'Arkangel AI à Medellín, en Colombie. Le contexte colombien est important, car le diagnostic et le traitement rapides des maladies rétiniennes peuvent être particulièrement difficiles dans les pays à revenu intermédiaire où la couverture en sous-spécialistes est limitée.

La population de patients comprenait un ensemble de pathologies rétiniennes courantes pertinentes pour la pratique clinique, englobant les yeux normaux, l'OMD, la DMLA humide et les maladies rétiniennes non exsudatives. Cet ensemble de données diversifié a permis de former et de tester le CNN sur un spectre réaliste de cas rencontrés par les spécialistes de la rétine.

Conception et méthodologie de l'étude

L'étude a suivi une approche rétrospective d'analyse de sources secondaires, incluant des images OCT de 108 patients totalisant 158 yeux. Les images ont été collectées et examinées par deux spécialistes de la rétine, qui ont identifié celles contenant des marqueurs biologiques indiquant la présence de liquide intrarétinien secondaire à une maladie exsudative.

• Ensemble de données image : 158 scanners OCT B provenant de 108 patients, capturés et triés avec une exclusion stricte des images présentant des artefacts ou une mauvaise qualité de signal (inférieure à 6/10).
• Répartition entre l'apprentissage et la validation : 110 images utilisées pour l'apprentissage, 28 pour les tests et 20 pour la validation.
• Augmentation des données : Pour pallier la relative petitesse de l'ensemble de données, l'équipe a appliqué des augmentations importantes, notamment des rotations, des ajustements de luminosité, des cisaillements, des zooms et des retournements, portant le nombre d'images d'apprentissage à 2 000.
• Architecture d'IA : Un réseau neuronal convolutif a été conçu pour classer les scans OCT comme positifs ou négatifs pour le liquide intrarétinien et l'œdème maculaire. Imitant la prise de décision clinique.

Le CNN fonctionnait en analysant les schémas au niveau des pixels correspondant à une accumulation de liquide, en apprenant les caractéristiques subtiles sur lesquelles s'appuient les experts humains, tout en automatisant et en standardisant ce processus d'interprétation complexe.

Résultats clés

• Précision de la classification : Le modèle a classé avec précision 27 images sur 28, soit une précision de 96,4 %.
• ASC : L'aire sous la courbe caractéristique de fonctionnement du récepteur était de 0,965, ce qui indique une capacité discriminante exceptionnelle.
• Précision et rappel : La précision a atteint 97,9 %, ce qui montre une valeur prédictive positive élevée, et le rappel (sensibilité) était de 90,0 %, démontrant une détection robuste des vrais positifs.
• Spécificité : À 90,0 %, l'algorithme a efficacement minimisé les faux positifs. positifs.
• Score F1 : La moyenne harmonique de la précision et du rappel était de 0,934, ce qui met en évidence une performance équilibrée.
• Signification statistique : Le rapport de cotes était de 14,81 (p < 0,001), confirmant que les classifications correctes étaient bien au-delà du hasard.

De plus, la validation sur un sous-ensemble distinct a confirmé la fiabilité de ces mesures, les intervalles de confiance confirmant des performances élevées et constantes.

Interprétation et implications cliniques

Cet outil basé sur CNN offre un complément puissant aux spécialistes de la rétine en signalant rapidement les scanners OCT présentant du liquide intrarétinien et un œdème maculaire, deux indicateurs clés d'une maladie rétinienne exsudative. L'identification précoce permet une orientation rapide, la mise en route d'un traitement (souvent un traitement anti-VEGF) et potentiellement la préservation de la vision.

L'automatisation de cette étape diagnostique cruciale peut simplifier les flux de travail, alléger la charge de travail des cliniciens et favoriser un dépistage plus accessible, notamment dans les contextes à ressources limitées. Cependant, les résultats de l'IA doivent soutenir plutôt que remplacer le jugement clinique ; les spécialistes restent essentiels pour le diagnostic définitif et les décisions de prise en charge.

Des limites telles que la dépendance à une imagerie de haute qualité et la petitesse des données d'apprentissage nécessitent une validation prospective supplémentaire en environnements cliniques réels et bruyants avant une adoption généralisée.

Déploiement et évolutivité

Le modèle CNN est parfaitement adapté à l'intégration dans les appareils OCT cliniques ou les logiciels d'analyse d'images, permettant une analyse en temps quasi réel dès la capture des images. La mise en œuvre de cette technologie pourrait améliorer les programmes de dépistage ou les services de téléophtalmologie, améliorant ainsi la détection précoce dans les régions où les spécialistes de la rétine sont peu disponibles.

Les obstacles au déploiement comprennent la garantie d'une qualité d'imagerie constante et l'obtention des autorisations réglementaires. La résolution de ces problèmes nécessitera une collaboration entre les professionnels de santé, les fabricants de dispositifs et les organismes de réglementation.

De plus, le cadre méthodologique peut être adapté pour identifier d'autres pathologies rétiniennes ou types de fluides, élargissant ainsi l'utilité de l'IA en ophtalmologie.

Conclusion et prochaines étapes

Cette étude présente un modèle d'IA hautement performant, capable de détecter avec précision l'œdème maculaire et le liquide intrarétinien sur les scanners OCT, démontrant ainsi le potentiel de l'apprentissage profond pour améliorer les soins cliniques de la rétine. Des évaluations prospectives en temps réel sont nécessaires pour confirmer l'efficacité des flux de travail cliniques.

Les recherches futures devraient se concentrer sur l'augmentation de la diversité des ensembles de données, l'amélioration de la robustesse face aux images de moindre qualité et l'exploration de voies d'intégration pour faciliter une adoption clinique à grande échelle. Ces mesures contribueront à traduire cette innovation du contexte de la recherche en améliorations tangibles des résultats pour les patients dans le monde entier.

Référence : Acosta CP, Piedrahita MA, Sanchez JG, Muñoz-Ortiz J, Martinez J, Zea J, et al. Utilisation de l'IA pour identifier la maladie maculaire exsudative. Retina Today. Juillet/août 2024.