Techniques IA pour la détection précoce du kératocône

Le kératocône est un trouble de l'œil où la cornée, qui est la couche transparente à l'avant de l'œil, devient plus fine et se déforme vers l'extérieur, formant une forme de cône. Cette condition touche généralement les deux yeux et peut varier en gravité. Elle affecte autant les hommes que les femmes et concerne environ 1 personne sur 2000 dans la population générale.

#Techniques d'imagerie cornéenne

Pour diagnostiquer et étudier le kératocône, les professionnels de la vue utilisent différentes techniques d'imagerie. Les deux principales sont la topographie et la tomographie.

• Topographie cornéenne montre la forme de la surface avant de la cornée.
• Tomographie cornéenne, en revanche, offre une vue en trois dimensions de l'ensemble de la cornée.

Une technique spécifique de tomographie est la Tomographie par cohérence optique (OCT). Cette méthode mesure le temps que met la lumière infrarouge à rebondir depuis la zone frontale de l'œil. Il existe deux types d'OCT :

1. Domaine de Fourier, qui utilise un miroir fixe.
2. Domaine temporel, qui déplace un miroir pendant le processus.

Une autre méthode appelée imagerie de Scheimpflug utilise une caméra rotative pour prendre des photos en coupe de la cornée.

#Rôle de l'intelligence artificielle en ophtalmologie

L'intelligence artificielle (IA) désigne des systèmes informatiques capables d'effectuer des tâches qui nécessitent généralement l'intelligence humaine, comme écrire, parler et percevoir des images. En médecine, l'IA peut être particulièrement utile pour analyser des images médicales, notamment celles utilisées en soins oculaires.

L'apprentissage automatique, qui fait partie de l'IA, permet aux ordinateurs d'apprendre et de s'améliorer avec le temps. Une version plus avancée, appelée apprentissage profond, excelle dans la reconnaissance des motifs dans les images et les sons.

Dans cette étude, des réseaux neuronaux-un type d'apprentissage automatique-ont été utilisés pour prédire l'Indice de Sévérité d'Ectasie (ISE) à partir des scans de cornée. La sortie de ces réseaux est un chiffre qui indique la gravité de la condition. Les scans ont été classés en deux groupes : ceux avec kératocône et ceux sans signes de kératocône. Cette méthode permet de comparer la gravité du kératocône entre différents scans, plutôt que de simplement les classer en catégories.

#Traitement des données : brut vs prétraité

Les données peuvent être utilisées sous deux formes : prétraitées ou brutes.

• Données prétraitées sont modifiées par un logiciel, mais les changements ne sont pas toujours clairs. Les modifications dans le logiciel peuvent entraîner des résultats différents.
• Données brutes restent inchangées, fournissant une stabilité dans l'analyse et l'entraînement du modèle.

Utiliser des données brutes provenant de scans OCT pour prédire l'ISE est une nouvelle approche dans le diagnostic du kératocône.

#Approches actuelles dans le diagnostic du kératocône

Plusieurs modèles basés sur des réseaux neuronaux ont été utilisés pour diagnostiquer le kératocône :

1. Modèle CorNet : Utilisait un ensemble de 1786 scans d'un appareil appelé Corvis ST, qui enregistre le comportement cornéen. Ce modèle a atteint une grande précision dans le diagnostic.

2. Modèle KerNet : Utilisait des données brutes du système Pentacam HR. Ce modèle travaillait avec cinq matrices numériques représentant divers paramètres oculaires et a montré des taux de précision impressionnants.

3. Réseaux Neuronaux Convolutionnels (CNN) : Ce modèle vise à reconnaître des motifs dans les images. Les chercheurs ont utilisé des données du système d'imagerie OCT SS-1000 Casia pour élaborer un plan d'utilisation des CNN dans le diagnostic.

4. Modèle CorNeXt : Un autre modèle CNN axé sur l'identification des anomalies de la cornée. Il a utilisé des cartes de topographie du dispositif Casia2 et a atteint une grande sensibilité et spécificité dans ses prédictions.

#Explication des Réseaux Neuronaux Convolutionnels

Les réseaux neuronaux artificiels sont conçus pour imiter le fonctionnement du cerveau humain. Ils se composent de nœuds qui reçoivent et traitent les entrées pour en donner un résultat. Chaque connexion entre les nœuds a un poids qui s'ajuste pendant l'entraînement, permettant au réseau d'apprendre et d'améliorer sa précision.

Les Réseaux Neuronaux Convolutionnels (CNN) sont un type spécial de réseau neuronal destiné à traiter des données d'images. Les CNN utilisent des "kernels" pour détecter des caractéristiques dans les images, aidant à identifier des objets ou des motifs.

#Métriques d'évaluation pour le diagnostic

Dans cette étude, plusieurs métriques ont été utilisées pour évaluer comment les modèles classaient les données :

• Précision : La proportion d'échantillons correctement classés.
• Sensibilité : Le taux d'échantillons positifs correctement identifiés.
• Spécificité : Le taux de réussite pour identifier les échantillons négatifs.
• Valeur Prédictive Positive (VPP) : La précision des prédictions positives.
• Score F1 : Un équilibre entre sensibilité et spécificité, particulièrement utile dans les cas où une classe surpasse significativement l'autre.

Ces métriques aident à évaluer l'efficacité des modèles à distinguer entre les cas de kératocône et ceux sans kératocône.

#Collecte et traitement des données

Les données ont été collectées auprès de patients dans une clinique oculaire sur une période de deux ans. Les scans ont été anonymisés et utilisés sans besoin d'approbation éthique spéciale. Un appareil spécifique appelé OCT Casia2 pour la cornée/segment antérieur a été utilisé pour recueillir les données. Cet appareil mesure divers paramètres oculaires et fournit des données brutes pour l'analyse.

Des images ont été extraites des données brutes, redimensionnées et prétraitées pour se concentrer sur les zones pertinentes de l'œil.

#Test de différents modèles de réseaux neuronaux

Trois architectures de modèles d'apprentissage profond ont été sélectionnées pour cette étude :

1. ResNet18 : Un modèle utilisant des connexions de raccourci qui permettent un accès facile aux sorties des couches précédentes.
2. DenseNet121 : Un modèle qui connecte directement toutes les couches, permettant le partage de caractéristiques entre les couches.
3. EfficientNetB0 : Ce modèle scanne uniformément la profondeur, la largeur et la résolution du réseau.

Chaque modèle a été entraîné de zéro utilisant un logiciel Python, en se concentrant sur la prédiction de l'ISE à partir des images traitées.

#Résultats de l'étude

Les résultats ont montré que le modèle EfficientNetB0 a le mieux réussi à prédire les valeurs de l'ISE. La plupart des prédictions des modèles étaient proches des valeurs réelles de l'ISE, indiquant une grande précision dans l'ensemble. L'étude a noté qu'EfficientNetB0 avait le plus grand nombre de prédictions avec de petites erreurs.

Comparé aux autres modèles, EfficientNetB0 a atteint des taux de précision et de score F1 plus élevés pour distinguer entre les cas de kératocône et ceux sans kératocône. Cela montre son potentiel fort pour améliorer l'exactitude des évaluations oculaires.

#Directions futures

Les recherches futures pourraient explorer d'autres modèles d'apprentissage profond pour continuer à améliorer les performances dans le diagnostic du kératocône. De nouvelles architectures pourraient mener à des résultats encore meilleurs dans la reconnaissance et l'évaluation de cette condition oculaire.

En résumé, cette étude souligne l'efficacité d'utiliser des données OCT brutes pour prédire l'ISE et montre qu'EfficientNetB0 adapté a surpassé les autres modèles dans le diagnostic du kératocône. Cela suggère que l'IA peut considérablement améliorer la façon dont les professionnels de la vue évaluent et diagnostiquent les troubles oculaires.