Diagnostic du glaucome à l'aide de multi

Jun 11, 2023

Rapports scientifiques volume 12, Numéro d'article : 8064 (2022) Citer cet article

3897 Accès

8 citations

2 Altmétrique

Détails des métriques

Dans cette étude, nous avions pour objectif de faciliter l'évaluation diagnostique actuelle du glaucome en analysant plusieurs caractéristiques et en introduisant une nouvelle caractéristique transversale de la tête du nerf optique (ONH) à partir d'images de tomographie par cohérence optique (OCT). Les données (n = 100 pour le glaucome et le contrôle) ont été collectées sur la base de facteurs structurels, fonctionnels, démographiques et de risque. Les fonctionnalités ont été analysées statistiquement et les quatre fonctionnalités les plus significatives ont été utilisées pour entraîner des algorithmes d'apprentissage automatique (ML). Deux algorithmes ML : l'apprentissage profond (DL) et la régression logistique (LR) ont été comparés en termes de précision de classification pour la détection automatisée du glaucome. Les performances des modèles ML ont été évaluées sur des données de test invisibles, n = 55. Une étude pilote de segmentation d'images a ensuite été réalisée sur des analyses OCT transversales. La zone de la cupule ONH a été extraite, analysée et un nouveau modèle DL a été formé pour la prédiction du glaucome. Le modèle DL a été estimé à l'aide d'une validation croisée quintuple et comparé à deux modèles pré-entraînés. Le modèle DL formé à partir des caractéristiques optimales a atteint des performances diagnostiques significativement plus élevées (aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) 0,98 et précision de 97 % sur les données de validation et de 96 % sur les données de test) par rapport aux études précédentes pour la détection automatisée du glaucome. Le deuxième modèle DL utilisé dans l'étude pilote a également montré des résultats prometteurs (AUC 0,99 et précision de 98,6 %) pour détecter le glaucome par rapport à deux modèles pré-entraînés. En combinaison, le résultat des deux études suggère fortement que les quatre caractéristiques et la zone transversale de la cupule ONH formée à l'aide de l'apprentissage profond ont un grand potentiel d'utilisation comme outil de dépistage initial du glaucome qui aidera les cliniciens à prendre une décision précise.

Le glaucome est une neuropathie optique potentiellement cécitante avec diverses étiologies sous-jacentes caractérisées par la perte de cellules ganglionnaires rétiniennes (RGC). Elle se caractérise cliniquement par des modifications anatomiques de la tête du nerf optique (ONH), principalement un amincissement et une courbure postérieure des feuillets de lamina cribrosa, observés cliniquement sous le nom de ventouses ONH1. La détection et la surveillance de la neuropathie optique glaucomateuse dépendent de plusieurs caractéristiques cliniques qui sont observées et évaluées avant de prendre une décision clinique2. Actuellement, le diagnostic et la surveillance du glaucome nécessitent un examen complet de la vue, ainsi que des tests supplémentaires et la collecte d’un grand nombre de données, ce qui peut être difficile à interpréter. De plus, il existe un chevauchement significatif des caractéristiques oculaires des sujets normaux et des patients atteints de glaucome précoce. Pour ces raisons, il existe un intérêt à développer des techniques complémentaires, telles que des systèmes d’intelligence artificielle (IA)3, pour aider à distinguer la véritable pathologie de la variabilité normale et la véritable progression de la variabilité inter-tests.

Suite à la mise en œuvre récente de l’IA en ophtalmologie, plusieurs algorithmes d’apprentissage automatique (ML) ont été étudiés et développés pour la détection automatisée du glaucome, capables de traiter rapidement les images rétiniennes et de détecter avec précision les dommages glaucomateux lors de tests pathologiques par rapport aux méthodes conventionnelles. La détection automatisée du glaucome à l'aide d'algorithmes plus simples de ML ou d'algorithmes avancés d'apprentissage en profondeur (DL), principalement à partir d'images oculaires, a fait l'objet de nombreuses recherches avec des résultats variables. La plupart des algorithmes DL formés à partir d’images du fond d’œil et d’OCT effectuent deux étapes courantes : segmentation de la région d'intérêt et classification des yeux glaucomateux et non glaucomateux. Aux premiers stades, les photographies du fond d’œil ont été largement utilisées pour évaluer et détecter le glaucome à l’aide de techniques d’IA4,5,6,7,8. Ting et al.9 ont formé un modèle DL sur 71 896 photographies validées du fond d'œil rétinien pour détecter un éventuel glaucome référable avec une ASC de 0,942.

De plus, Asaoka et al.10 ont appliqué un modèle d'apprentissage par transfert aux images OCT maculaires et ont évalué ses performances diagnostiques sur un ensemble de données indépendant composé d'un œil normal et d'un glaucome précoce. L'AUC du modèle était de 0,93, ce qui était significativement plus élevé que celui d'autres méthodes ML telles que la machine à vecteurs de support (SVM) et la forêt aléatoire (RF). An et al.11 ont formé des images du fond d'œil et des images OCT à l'aide du modèle VGG19 pour distinguer les yeux glaucomateux des yeux normaux et ont obtenu une AUC de 0,94 pour le fond d'œil et une AUC de 0,94 pour quatre caractéristiques des images OCT, et la combinaison de toutes les images a obtenu une AUC. de 0,96.