Simple Science

La science de pointe expliquée simplement

# Sciences de la santé# Ophtalmologie

mBRSET : Un nouveau dataset pour la santé des yeux

Présentation d'un ensemble de données pour améliorer les soins oculaires dans les régions à faible revenu.

― 8 min lire


Dataset mBRSET pour lesDataset mBRSET pour lessoins des yeuxla détection des maladies oculaires.Un jeu de données destiné à améliorer
Table des matières

Les examens d'imagerie sont essentiels pour diagnostiquer et suivre les maladies oculaires. Les photos du fond de l'œil sont couramment utilisées pour capturer des images de l'arrière de l'œil, y compris la rétine et les vaisseaux sanguins. Ces photos sont prises avec des caméras spéciales. Malheureusement, beaucoup de pays à revenus faibles et intermédiaires (PRFI) manquent de données suffisantes sur la santé oculaire, et les méthodes d'imagerie traditionnelles peuvent être coûteuses.

En général, l'imagerie rétinienne utilise de grosses caméras qui nécessitent beaucoup de préparation et d'espace. Ça complique l'utilisation de ces systèmes, surtout dans les PRFI. C'est pourquoi des dispositifs compacts et portables deviennent une meilleure option pour les examens oculaires. Ces appareils sont plus faciles à utiliser dans des zones éloignées, et ils peuvent aider à prévenir la perte de vision quand on les associe à une intervention médicale rapide.

Combiner ces appareils portables avec l'intelligence artificielle (IA) pourrait révolutionner les soins oculaires en rendant le processus de dépistage et de diagnostic plus rapide. Cependant, il y a des inquiétudes concernant l'exactitude de l'IA car elle manque souvent de données suffisantes provenant de populations diverses.

Dans les PRFI, il n'y a pas assez d'ophtalmologistes par rapport à la population, ce qui souligne le besoin de soins oculaires abordables. Les caméras rétiniennes portables peuvent faciliter l'accès aux examens oculaires en dehors des hôpitaux. Cependant, les ensembles de données sur la santé oculaire actuels ne représentent pas bien ces pays.

Pour résoudre ces problèmes, nous avons créé mBRSET, le premier ensemble de données public d'images de Rétinopathie diabétique prises avec des caméras rétiniennes portables dans des environnements réels. Cet ensemble de données est important pour plusieurs raisons : d'abord, il inclut des individus de divers milieux ethniques au Brésil, comblant un vide dans les données de santé oculaire existantes. Ensuite, il présente des images prises avec des caméras portables, montrant la tendance vers des dispositifs plus pratiques. Troisièmement, l'ensemble de données est collecté dans de vrais milieux cliniques, ce qui améliore sa pertinence pour les soins oculaires. Enfin, il inclut des Informations démographiques, permettant aux chercheurs de vérifier comment l'IA fonctionne dans différents groupes.

mBRSET a le potentiel d'améliorer les soins oculaires dans les PRFI et de soutenir le développement d'outils d'IA justes et précis pour la détection précoce des maladies oculaires.

Ce travail a été examiné et approuvé par un comité institutionnel pour garantir que les normes éthiques étaient respectées, y compris la suppression des informations sur les patients et l'obtention du consentement pour l'utilisation des images.

Sources de données

Les données proviennent de la Campagne Diabète d'Itabuna, qui a eu lieu en novembre 2022 à Itabuna, au Brésil. L'État de Bahia, où se trouve Itabuna, a une population diversifiée. Environ la moitié ont des racines européennes, près de 40 % ont une ascendance africaine, et environ 10 % sont amérindiens.

La Campagne Diabète d'Itabuna est clé pour sensibiliser au diabète et fournir dépistages et traitements pour les problèmes liés. Les participants ont rempli un questionnaire sur leur démographie et leur santé avant de se faire prendre des photos de leurs yeux.

Acquisition des données

Nous avons capturé les images en utilisant une caméra rétinienne portable appelée Phelcom Eyer, qui se connecte à un smartphone. Cette caméra prend des images de haute qualité sous un angle spécifique et a des fonctionnalités d'autofocus. Du personnel formé a pris les photos rétiniennes après avoir dilaté les pupilles des participants. Ils ont également collecté des informations démographiques et de santé importantes lors d'entretiens.

Préparation de l'ensemble de données

Toutes les images de l'ensemble de données ont été dépouillées des détails identifiants comme les noms des patients. Chaque image a été soigneusement vérifiée pour s'assurer qu'aucune information de santé protégée n'était visible. Les images ont été téléchargées depuis le système cloud de la caméra et enregistrées dans un format d'image standard.

L'ensemble de données comprend des images qui se concentrent soit sur le centre de la rétine, soit sur le nerf optique. Il n'inclut pas d'images non pertinentes pour la santé oculaire, garantissant un focus clair pour les analyses.

Deux ophtalmologistes ont examiné les images selon des critères spécifiques. En cas de désaccord sur la classification, un troisième expert a résolu le problème. Nous avons également vérifié la cohérence des évaluations des médecins.

Les domaines clés évalués comprenaient :

  • Paramètres de contrôle de qualité : identification des problèmes d'image comme le flou ou les problèmes d'éclairage, et attribution de notes de qualité.
  • Classification de la rétinopathie diabétique : utilisation de systèmes de notation établis pour classer la gravité de la maladie oculaire diabétique.

Enregistrements de données

L'ensemble de données comprend des enregistrements détaillés de patients diabétiques, avec un total de 5 164 images prises de 1 291 individus. La répartition des patients montre qu'environ 35 % sont des hommes et 65 % des femmes, avec un âge moyen de 61,4 ans. La plupart des participants n'ont pas d'assurance maladie, ce qui souligne des défis économiques. Les niveaux d'éducation sont variés, beaucoup n'ayant fréquenté que l'école primaire.

Analyse clinique

Les Caractéristiques cliniques fournissent des aperçus sur la santé des patients. La durée moyenne du diabète pour ces participants est d'environ 9,5 ans. La plupart d'entre eux prennent des médicaments antidiabétiques par voie orale, tandis qu'un plus petit nombre est sous insuline.

De nombreux patients souffrent également d'autres problèmes de santé. Une proportion significative a de l'hypertension, et moins de participants signalent des habitudes comme le tabagisme et la consommation d'alcool. Des problèmes comme l'obésité et des complications diabétiques sont également notés. Ces résultats mettent en évidence les situations de santé complexes des personnes diabétiques, renforçant le besoin de soins complets.

Analyse d'image

Dans l'ensemble de données, environ 76,8 % des images ne montraient aucun signe de rétinopathie diabétique. Cependant, certaines images montraient des degrés variables de rétinopathie diabétique et d'œdème maculaire. Cette distribution indique la présence de problèmes de santé oculaire au sein du groupe.

L'accord entre les évaluateurs sur la gravité de la rétinopathie diabétique était élevé, montrant que les méthodes d'évaluation utilisées étaient cohérentes. De plus, la plupart des images étaient de bonne qualité pour l'évaluation.

Validation technique

Nous montrons l'utilité et la qualité de l'ensemble de données mBRSET en l'appliquant à différentes tâches de recherche. Le code source pour ces tâches est disponible publiquement.

Comparaison des ensembles de données

L'ensemble de données mBRSET a été comparé avec d'autres ensembles de données rétiniennes pour évaluer ses attributs uniques comme le type de caméra utilisée, la représentation de la population et la disponibilité d'informations démographiques et cliniques.

Tâches de prédiction

Nous avons testé l'ensemble de données mBRSET en utilisant des modèles d'apprentissage profond avancés pour voir à quel point ils étaient performants dans la prédiction des maladies oculaires. L'accent était mis sur la détection de la rétinopathie diabétique et de l'œdème maculaire.

Cadres de réseau

Pour nos tests, nous avons utilisé des modèles de réseaux neuronaux modernes connus pour leurs performances. Ceux-ci incluent ConvNext V2, DINO V2 et Swin V2, tous conçus pour capturer des détails précis à partir des images.

Prétraitement des données

Pour nos expériences, nous avons divisé l'ensemble de données en ensembles de formation, de validation et de test pour garantir des distributions représentatives et éviter le chevauchement des données des patients. Les images ont été redimensionnées à une résolution standard pour garantir la cohérence de l'analyse.

Détails de formation et d'évaluation

Les modèles ont été formés en utilisant des poids établis et affinés pour les tâches à accomplir. Divers indicateurs ont été utilisés pour mesurer l'efficacité des modèles, en s'assurant qu'ils fonctionnaient bien dans différentes classes.

Résultats de diagnostic clinique

Pour la tâche de classification liée à la rétinopathie diabétique, les modèles ont obtenu des performances solides, indiquant que l'ensemble de données mBRSET est précieux pour diagnostiquer les conditions oculaires.

Résultats de prévisions démographiques

Les modèles ont également montré des résultats prometteurs dans la prédiction des informations démographiques à partir des images rétiniennes, démontrant le potentiel de cette technologie à fournir des aperçus sur les disparités de santé et les facteurs socio-économiques.

En résumé, l'ensemble de données mBRSET, combiné avec des modèles d'apprentissage profond avancés, peut soutenir diverses analyses dans le domaine de la santé oculaire, ouvrant ainsi des possibilités d'amélioration des solutions de soins de santé.

Source originale

Titre: mBRSET: A Portable Retina Fundus Photos Benchmark Dataset for Clinical and Demographic Prediction

Résumé: This paper introduces mBRSET, the first publicly available retina dataset captured using handheld retinal cameras in real-life, high-burden scenarios, comprising 5,164 images from 1,291 patients of diverse backgrounds. This dataset addresses the lack of ophthalmological data in low- and middle-income countries (LMICs) by providing a cost-effective and accessible solution for ocular screening and management. Portable retinal cameras enable applications outside traditional hospital settings, such as community health screenings and telemedicine consultations, thereby democratizing healthcare. Extensive metadata that are typically unavailable in other datasets, including age, sex, diabetes duration, treatments, and comorbidities, are also recorded. To validate the utility of mBRSET, state-of-the-art deep models, including ConvNeXt V2, Dino V2, and SwinV2, were trained for benchmarking, achieving high accuracy in clinical tasks diagnosing diabetic retinopathy, and macular edema; and in fairness tasks predicting education and insurance status. The mBRSET dataset serves as a resource for developing AI algorithms and investigating real-world applications, enhancing ophthalmological care in resource-constrained environments.

Auteurs: Luis Filipe Nakayama, C. Wu, D. Restrepo, L. Z. Ribeiro, Z. Shuai, N. S. Barboza, M. L. Vieira Sousa, R. D. Fitterman, A. D. Alves Pereira, C. V. Saito Regatieri, J. A. Stuchi, F. K. Malerbi, R. E. Andrade

Dernière mise à jour: 2024-07-12 00:00:00

Langue: English

Source URL: https://www.medrxiv.org/content/10.1101/2024.07.11.24310293

Source PDF: https://www.medrxiv.org/content/10.1101/2024.07.11.24310293.full.pdf

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à medrxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires