Hsa
Jul 29, 2023Densité vasculaire superficielle maculaire sur angiographie par tomographie par cohérence optique chez les enfants atteints d'amblyopie hypermétrope anisométrope unilatérale et bilatérale
Aug 27, 2023Aucune preuve d'effets du champ magnétique sur le comportement de la drosophile
Aug 17, 2023REVO OCTOBRE
Aug 26, 2023CFA 24
Aug 21, 2023Évaluation des classificateurs d'apprentissage automatique pour l'aide à la décision en matière de référence pour le glaucome dans les établissements de soins primaires
Rapports scientifiques volume 12, Numéro d'article : 8518 (2022) Citer cet article
953 Accès
1 Citation
3 Altmétrique
Détails des métriques
Plusieurs algorithmes d’intelligence artificielle ont été proposés pour aider à diagnostiquer le glaucome en analysant les changements fonctionnels et/ou structurels de l’œil. Ces algorithmes nécessitent des ensembles de données soigneusement sélectionnés avec accès aux images oculaires. Dans la présente étude, nous avons modélisé et évalué des classificateurs pour prédire le glaucome autodéclaré en utilisant une caractéristique oculaire unique et facile à obtenir (pression intraoculaire (PIO)) et des caractéristiques non oculaires (âge, sexe, race, indice de masse corporelle, systolique et tension artérielle diastolique et comorbidités). Les classificateurs ont été formés sur des données accessibles au public concernant 3 015 sujets sans diagnostic de glaucome au moment de l'inscription. 337 sujets ont ensuite auto-déclaré un diagnostic de glaucome dans un délai de 1 à 12 ans après leur inscription. Les classificateurs ont été évalués sur leur capacité à identifier ces sujets en utilisant uniquement leurs caractéristiques enregistrées au moment de l'inscription. La machine à vecteurs de support, la régression logistique et le boosting adaptatif ont fonctionné de la même manière sur l'ensemble de données avec des scores F1 de 0,31, 0,30 et 0,28, respectivement. La régression logistique avait la sensibilité la plus élevée à 60 % avec une spécificité de 69 %. Les classificateurs prédictifs utilisant principalement des caractéristiques non oculaires peuvent potentiellement être utilisés pour identifier un glaucome suspecté dans des contextes autres que les soins oculaires, y compris les soins primaires. Des recherches plus approfondies visant à trouver des fonctionnalités supplémentaires améliorant les performances des classificateurs prédictifs sont justifiées.
Le glaucome est une neuropathie optique progressive entraînant la perte de cellules ganglionnaires rétiniennes ; si elle n'est pas traitée, elle peut entraîner une cécité complète. C'est la première cause de cécité irréversible dans le monde. À l'heure actuelle, elle touche environ 70 millions de personnes, et ce nombre devrait atteindre environ 112 millions d'ici 20401. Bien que la déficience visuelle causée par le glaucome soit irréversible, la détection et le traitement précoces de la maladie peuvent réduire les risques de perte de vision permanente2. Malheureusement, cela est entravé par la nature asymptomatique du glaucome3 et son processus de diagnostic complexe, exigeant en ressources et subjectif4,5,6,7. Les approches basées sur l'intelligence artificielle (IA) peuvent permettre la construction, la validation et la mise en œuvre de modèles prédictifs pour identifier les personnes présentant un risque élevé de développer un glaucome, dans des contextes qui n'ont pas nécessairement accès à des appareils d'imagerie ophtalmique (par exemple, soins primaires) et coordonner leurs soins avec l'ophtalmologie.
Ces dernières années, plusieurs approches basées sur l’IA ont été explorées pour le diagnostic de pathologies ophtalmiques telles que la rétinopathie diabétique8,9, l’œdème maculaire10,11 et le kératocône12. Certains de ces efforts ont abouti à la création de nouveaux dispositifs médicaux. En 2018, IDx-DR a été approuvé par la Food and Drug Association des États-Unis en tant que premier système de diagnostic de la rétinopathie diabétique entièrement autonome basé sur l’IA13. Plusieurs études sur l'IA ont tenté d'interpréter les schémas structurels et fonctionnels se manifestant dans l'œil pour le pronostic et le diagnostic du glaucome14,15,16,17,18,19,20,21,22,23,24,25. Des réseaux de neurones artificiels (ANN) et des classificateurs d'apprentissage automatique ont été utilisés sur des données fonctionnelles, telles que les champs visuels, pour identifier les schémas de progression du glaucome plus tôt que les méthodes plus conventionnelles14,15,16,17. L’avènement de l’apprentissage profond a permis l’utilisation de l’imagerie rétinienne telle que les photographies couleur du fond d’œil (CFP)18,19,20,21,22 et les images de tomographie par cohérence optique maculaire (OCT)23,24,25 pour extraire des caractéristiques structurelles permettant de différencier les lésions glaucomateuses. . Comparé à des pathologies telles que la rétinopathie diabétique, où des technologies de diagnostic basées sur l'IA cliniquement réalisables ont déjà été adoptées, il peut être plus difficile de développer de tels outils pour le glaucome, en raison de la variation significative de l'apparence des disques optiques. La nécessité de disposer d’ensembles de données de formation soigneusement choisis, vastes et diversifiés pour obtenir une précision diagnostique élevée ajoute à ce défi. Les performances des modèles spécifiques au glaucome dépendent de la qualité et du nombre d’images (> 100 000), ce qui en fait un processus long et coûteux26. En outre, des tests répétés du champ visuel sont nécessaires pour tenir compte de leur subjectivité inhérente, ce qui en fait une part importante de la charge de travail imposée aux services ophtalmologiques des hôpitaux22,27.