Un modèle d'apprentissage profond intégrant des informations spatiales et temporelles détecte avec succès la détérioration du champ visuel à l'aide d'une approche basée sur le consensus

Jun 28, 2023

Rapports scientifiques volume 13, Numéro d'article : 1041 (2023) Citer cet article

688 accès

11 Altmétrique

Détails des métriques

Le glaucome est l'une des principales causes de cécité irréversible et son aggravation est le plus souvent surveillée par des tests du champ visuel (FV). Les modèles d'apprentissage profond (DLM) peuvent aider à identifier l'aggravation de la FV de manière cohérente et reproductible. Dans cette étude, nous avons développé et étudié les performances d'un DLM sur une large population de patients atteints de glaucome. Nous avons inclus 5 099 patients (8 705 yeux) vus dans un institut entre juin 1990 et juin 2020, qui ont subi un test de FV ainsi qu'une évaluation clinique de l'aggravation de la FV. Puisqu'il n'existe pas de référence pour identifier l'aggravation des FV, ​​nous avons utilisé un consensus de six méthodes algorithmiques couramment utilisées qui incluent des régressions globales ainsi qu'une modification ponctuelle des FV. Nous avons utilisé la décision consensuelle comme norme de référence pour former/tester le DLM et évaluer les performances des cliniciens. 80 %, 10 % et 10 % des patients ont été inclus respectivement dans les ensembles de formation, de validation et de test. Sur les 873 yeux de l'ensemble de tests, 309 [60,6 %] provenaient de femmes et l'âge médian était de 62,4 ans ; (IQR 54,8-68,9). Le DLM a atteint une ASC de 0,94 (IC à 95 % : 0,93 à 0,99). Même après avoir supprimé les 6 FV les plus récentes, fournissant ainsi moins de points de données au modèle, le DLM a réussi à identifier une aggravation avec une ASC de 0,78 (IC à 95 % 0,72-0,84). L'évaluation par le clinicien de l'aggravation (basée sur la documentation du dossier de santé au moment de la FV finale dans chaque œil) avait une ASC de 0,64 (IC à 95 % 0,63-0,66). Les résultats du DLM et du clinicien étaient moins bons lorsque la maladie initiale était plus grave. Ces données montrent qu'un DLM formé sur un consensus de méthodes pour définir l'aggravation a réussi à identifier l'aggravation de la FV et pourrait aider à guider les cliniciens pendant les soins cliniques de routine.

Le glaucome est la principale cause de cécité irréversible dans le monde et l'identification précoce de son aggravation est essentielle à la prévention1,2. Les tests du champ visuel (FV) constituent l’une des stratégies les plus critiques pour surveiller l’aggravation de la maladie3. Il est difficile d'identifier une aggravation des FV en raison de la présence de performances fluctuantes, de la variabilité et de l'absence d'étalon-or4,5,6,7. Une approche pour résoudre ce problème consiste à effectuer des tests plus fréquents, même si cela peut représenter un fardeau important pour les patients tout en nécessitant plusieurs années pour identifier la progression8,9,10,11,12.

Diverses méthodes objectives ont été développées pour aider à déterminer la progression de la FV ; celles-ci peuvent être largement divisées en méthodes basées sur les événements et sur les tendances. Les méthodes basées sur les événements identifient la progression en notant les FV avec diverses règles basées sur la densité et la profondeur du défaut par rapport à la FV de base et ont été utilisées dans des essais cliniques majeurs tels que EMGT, CIGTS et AGIS13,14,15. L'analyse guidée de la progression (GPA), qui est similaire aux critères EMGT, est couramment utilisée dans la pratique clinique et des études antérieures ont montré qu'elle identifiait la progression plus tôt mais avec moins de spécificité16,17. Les méthodes basées sur les tendances utilisent une régression linéaire qui peut être appliquée aux paramètres VF globaux ou aux données ponctuelles. Des travaux antérieurs ont suggéré que les méthodes basées sur les événements pourraient identifier la progression plus tôt que les méthodes basées sur les tendances18,19. Deux études ont comparé toutes ces méthodes sur un large ensemble de FV longitudinales et ont montré un faible accord, suggérant la nécessité d'un consensus entre les différents algorithmes pour identifier la progression20,21.

Le recours à l’intelligence artificielle représente une approche potentielle pour identifier une aggravation plus tôt et de manière plus cohérente22,23,24,25,26. Il a même été utilisé pour prédire une future FV ou identifier les patients présentant le risque le plus élevé d’aggravation27,28. Les approches traditionnelles d'apprentissage automatique utilisent une transformation prédéfinie de sous-composants des données, tandis que les approches d'apprentissage profond permettent de former des modèles avec des données brutes29. L’apprentissage profond propose diverses approches qui peuvent être utiles en fonction de la structure des données. Dans un article récent, un type spécifique de modèle d'apprentissage profond (DLM), un modèle convolutif de mémoire à long terme et à court terme (LSTM), a montré son succès dans l'identification de l'aggravation de la FV30. Ce modèle est unique en ce sens qu'il permet l'extraction de caractéristiques spatio-temporelles qui sont toutes deux essentielles à l'évaluation des FV.