Prédiction du champ visuel à l'aide d'un modèle de réseau d'unités récurrentes bidirectionnelles profondes

May 27, 2024

Rapports scientifiques volume 13, Numéro d'article : 11154 (2023) Citer cet article

320 accès

2 Altmétrique

Détails des métriques

Bien que l’architecture d’apprentissage profond ait été utilisée pour traiter des données séquentielles, seules quelques études ont exploré l’utilité des algorithmes d’apprentissage profond pour détecter la progression du glaucome. Ici, nous avons proposé un algorithme d'unité récurrente bidirectionnelle (Bi-GRU) pour prédire la perte du champ visuel. Au total, 5 413 yeux de 3 321 patients ont été inclus dans l'ensemble de formation, tandis que 1 272 yeux de 1 272 patients ont été inclus dans l'ensemble de test. Les données de cinq examens consécutifs du champ visuel ont été utilisées comme données d'entrée ; les sixièmes examens du champ visuel ont été comparés aux prédictions du Bi-GRU. Les performances de Bi-GRU ont été comparées aux performances des algorithmes conventionnels de régression linéaire (LR) et de mémoire à long terme (LSTM). L’erreur de prédiction globale était significativement plus faible pour les algorithmes Bi-GRU que pour les algorithmes LR et LSTM. En prévision ponctuelle, Bi-GRU a montré l'erreur de prédiction la plus faible parmi les trois modèles dans la plupart des sites de test. De plus, le Bi-GRU était le modèle le moins affecté en termes d’aggravation des indices de fiabilité et de gravité du glaucome. Une prédiction précise de la perte du champ visuel à l'aide de l'algorithme Bi-GRU peut faciliter la prise de décision concernant le traitement des patients atteints de glaucome.

Le glaucome, l'une des principales causes de cécité dans le monde, se caractérise par une perte irréversible de cellules ganglionnaires rétiniennes1,2. Les modifications structurelles des cellules ganglionnaires de la rétine et de la tête du nerf optique entraînent une détérioration progressive du champ visuel2. La prédiction du futur champ visuel est essentielle pour préserver la fonction visuelle. Cependant, les résultats des tests du champ visuel sont sujets à des erreurs et à des fluctuations aléatoires, en particulier chez les patients atteints de glaucome, ce qui empêche une prévision précise des modifications du champ visuel3.

Au cours des dernières années, les algorithmes d’apprentissage automatique ont démontré de bonnes performances dans la prédiction de la progression du glaucome. Wang et al.4 ont classé et déterminé la progression de 16 archétypes de défauts du champ visuel. Murata et al.5 ont découvert une capacité de prédiction supérieure de la régression linéaire variationnelle de Bayes, un type d'algorithme d'apprentissage automatique, par rapport à la régression linéaire ponctuelle (LR). En raison du développement récent de l’intelligence artificielle, les algorithmes d’apprentissage profond ont été utilisés pour diverses tâches avec d’excellentes performances. Cependant, seules quelques études ont prédit la progression des défauts du champ visuel à l’aide d’algorithmes d’apprentissage profond. Wen et al.6 ont utilisé un réseau neuronal convolutif pour prédire les futurs champs visuels, en utilisant un seul examen du champ visuel comme entrée. Berchuck et al.7 ont utilisé un modèle d'auto-encodeur variationnel pour estimer le taux de progression du champ visuel.

Le réseau neuronal récurrent (RNN), un réseau artificiel avec des connexions récurrentes, a été utilisé pour des séries temporelles séquentielles avec dépendance temporelle et pour la modélisation de séquences8. Il peut traiter les données actuelles, en utilisant les données précédentes pour faire des prédictions, basées sur les dépendances entre les éléments séquentiels9,10. Les deux principales variantes du RNN, la mémoire longue à court terme (LSTM)11 et l'unité récurrente fermée (GRU)12, modélisent la dépendance à long terme en longues séquences. Dans une étude précédente, nous avons constaté que le LSTM avait des capacités supérieures à prédire les futurs champs visuels, par rapport aux moindres carrés ordinaires LR13. Dixit et al.14 ont découvert que les réseaux LSTM peuvent prédire les tendances longitudinales locales et mondiales des champs visuels.

GRU utilise les unités de contrôle plus efficacement et à un rythme similaire, par rapport aux LSTM classiques15,16,17. Plusieurs études ont révélé que GRU présente d'excellentes performances en matière d'analyse de données séquentielles, par rapport aux autres types de RNN12,15,18,19. Récemment, une méthode RNN bidirectionnelle a été développée via un entraînement simultané avec des directions temporelles positives et négatives, ce qui permet une meilleure compréhension du contexte20. Lynn et al.15 ont comparé plusieurs modèles basés sur RNN pour l'identification humaine en utilisant la biométrie basée sur l'électrocardiogramme à partir de données de séries chronologiques séquentielles. Le réseau bidirectionnel avec les modèles LSTM et GRU était plus efficace que les modèles RNN conventionnels, et le modèle d'unité récurrente bidirectionnelle (Bi-GRU) présentait des performances supérieures au modèle LSTM bidirectionnel. Étant donné que les examens du champ visuel fournissent des données séquentielles avec des interconnexions étendues, Bi-GRU peut permettre une meilleure prédiction de la progression du champ visuel, par rapport au précédent modèle RNN basé sur le LSTM.