Un modèle de régression d'apprentissage profond généralisable pour le dépistage automatisé du glaucome à partir d'images du fond d'œil

Jun 29, 2023

npj Digital Medicine volume 6, Numéro d'article : 112 (2023) Citer cet article

2347 Accès

5 Altmétrique

Détails des métriques

Une multitude de modèles de classification pour la détection du glaucome à partir d’images du fond d’œil ont été proposés ces dernières années. Souvent formés à partir des données d’une seule clinique du glaucome, ils font état de performances impressionnantes sur des ensembles de tests internes, mais ont tendance à avoir du mal à généraliser à des ensembles externes. Cette baisse de performance peut être attribuée aux changements de données sur la prévalence du glaucome, la caméra du fond d'œil et la définition de la vérité terrain sur le glaucome. Dans cette étude, nous confirmons qu'un réseau de régression décrit précédemment pour l'orientation vers le glaucome (G-RISK) obtient d'excellents résultats dans divers contextes difficiles. Treize sources de données différentes d'images du fond d'œil étiquetées ont été utilisées. Les sources de données comprennent deux grandes cohortes de population (Australian Blue Mountains Eye Study, BMES et German Gutenberg Health Study, GHS) et 11 ensembles de données accessibles au public (AIROGS, ORIGA, REFUGE1, LAG, ODIR, REFUGE2, GAMMA, RIM-ONEr3, RIM- UN DL, ACRIMA, PAPILA). Pour minimiser les décalages de données dans les données d'entrée, une stratégie de traitement d'image standardisée a été développée pour obtenir des images centrées sur le disque à 30° à partir des données originales. Au total, 149 455 images ont été incluses pour les tests sur modèles. L'aire sous la courbe caractéristique de fonctionnement du récepteur (ASC) pour les cohortes de population BMES et GHS était de 0,976 [IC à 95 % : 0,967 à 0,986] et 0,984 [IC à 95 % : 0,980 à 0,991] au niveau des participants, respectivement. Avec une spécificité fixe de 95 %, les sensibilités étaient respectivement de 87,3 % et 90,3 %, dépassant le critère minimum de sensibilité de 85 % recommandé par Prevent Blindness America. Les valeurs de l'AUC sur les onze ensembles de données accessibles au public allaient de 0,854 à 0,988. Ces résultats confirment l'excellente généralisabilité d'un modèle de régression du risque de glaucome formé avec des données homogènes provenant d'un seul centre de référence tertiaire. Une validation plus poussée à l’aide d’études de cohortes prospectives est justifiée.

Le glaucome est l'une des principales causes de déficience visuelle irréversible, et son nombre va encore augmenter en raison du vieillissement de la population mondiale1. Cette croissance ne fera qu'ajouter au taux élevé actuel de plus de 50 % de cas non détectés dans les pays développés et en développement2,3,4,5.

Les méthodes actuelles de dépistage primaire du glaucome à angle ouvert (GPAO) ne sont pas rentables dans les contextes de population, car elles généreraient un grand nombre de faux positifs avec une prévalence de la maladie de 3,5 % dans les populations âgées de 40 à 80 ans6,7,8. . Cela surchargerait le système de santé, qui fonctionne actuellement au maximum de sa capacité, voire au-dessus. Le diagnostic est actuellement effectué de manière opportuniste chaque fois qu'un patient est vu par un professionnel de la santé oculaire. Ce scénario ne peut pas améliorer les taux actuels de patients non diagnostiqués et, en même temps, identifier ceux qui présentent un risque plus élevé de cécité. Les solutions de dépistage sous forme de mesures de pression intra-oculaire (PIO) négligent les cas de glaucome à tension normale, qui peuvent représenter une proportion élevée de GPAO7,9,10. Parallèlement, les tests du champ visuel sont longs et produisent des résultats très variables11. La référence pour le glaucome basée sur l'analyse par intelligence artificielle (IA) des images numériques du fond d'œil a été proposée comme solution potentielle, étant donné la disponibilité généralisée de la modalité, son faible coût associé et ses caractéristiques non invasives12. De plus, les réseaux neuronaux convolutifs (CNN) peuvent extraire des informations sur le glaucome à partir d'images du fond d'œil qui dépassent les capacités de la plupart des experts humains, comme l'estimation quantitative de l'épaisseur de la couche de fibres nerveuses rétiniennes (RNFL)13 ou la détection du glaucome lorsque le disque optique est retiré du image14.

La détection du glaucome basée sur l'IA a été rapportée avec des performances élevées lors de la validation interne, mais les performances se sont dégradées dans des conditions de tests externes et, plus particulièrement, dans des contextes réels15,16,17. Les modèles d’IA efficaces formés sur des images de fond d’œil étiquetées provenant d’un seul centre médical doivent être robustes aux changements de distribution lorsqu’ils sont déployés dans de nouveaux contextes comportant des données hors distribution (OoD)18. Cette exigence transcende l’hypothèse classique de l’apprentissage automatique selon laquelle les données d’entraînement et de test proviennent de la même distribution19. Un tel décalage de données peut survenir lorsque le modèle a été formé sur des images capturées avec une caméra de fond d'œil particulière et testé sur des images provenant d'un deuxième appareil. Cette hétérogénéité intercentrique dans les images du fond d'œil peut être due aux différents champs de vision (FOV), à la distribution des couleurs, à l'éclairage et à la zone d'intérêt (centrée sur le disque ou sur la macula). Les différences au sein de la population, telles que l’origine ethnique, la prévalence de la myopie et la prévalence du glaucome, sont d’autres causes courantes de déplacements de données conduisant à une dégradation des performances. En outre, il existe une grande variété de définitions du glaucome, ce qui exacerbe les défis liés aux données OoD. Des solutions pour contrer les déplacements de données, telles que l'adaptation de domaine, ont été décrites dans le contexte de l'analyse d'images rétiniennes, conduisant à une généralisabilité améliorée20,21. Cependant, ces approches reposent souvent sur la disponibilité d’images étiquetées provenant de la cible définie lors du développement du modèle. Cela ne se produit généralement pas dans les applications du monde réel, car ces modèles devraient fonctionner sur des données prospectives provenant de nouvelles sources.