L'IA utilisée pour analyser les images rétiniennes

Dans un approche nouvellement développée, l'intelligence artificielle (IA) est utilisée pour analyser les images rétiniennes. Le système pourrait être utilisé par les médecins afin de sélectionner le meilleur traitement pour les patients souffrant de perte de vision due à un œdème maculaire diabétique, une complication du diabète. Ce problème entraîne souvent une perte de vision chez les adultes en âge de travailler.

L'un des premiers types de thérapie qui est souvent utilisé comme ligne de défense contre l'œdème maculaire diabétique est le facteur de croissance endothélial anti-vasculaire (VEGF). Le problème avec les agents VEGF est qu'ils ne fonctionnent pas pour tout le monde. Ceux qui pourraient bénéficier de la thérapie doivent être identifiés en premier car cela nécessite de multiples injections. Ces injections coûtent très cher et sont pénibles pour les patients et les médecins.

Le chef de l'équipe de recherche est Sina Farsiu de l'Université Duke.

"Nous avons développé un algorithme qui peut être utilisé pour analyser automatiquement les images de tomographie par cohérence optique (OCT) de la rétine afin de prédire si un patient est susceptible de répondre aux traitements anti-VEGF", a-t-elle déclaré. « Cette recherche représente une étape vers la médecine de précision, dans laquelle de telles prédictions aident les cliniciens à mieux sélectionner les thérapies de première ligne pour les patients en fonction de conditions pathologiques spécifiques.. »

L'ouvrage a été publié dans La société d'optique (OSA) revue Optique biomédicale Express. Dans le journal, Farsiu et son équipe ont démontré comment le nouvel algorithme est capable de prédire avec précision si un patient est susceptible de répondre au traitement anti-VEGF, après une seule analyse volumétrique.

"Notre approche pourrait potentiellement être utilisée dans les cliniques ophtalmologiques pour éviter des traitements inutiles et coûteux par essais et erreurs et ainsi alléger un fardeau de traitement substantiel pour les patients", a déclaré Farsiu. "L'algorithme pourrait également être adapté pour prédire la réponse thérapeutique pour de nombreuses autres maladies oculaires, y compris la dégénérescence maculaire néovasculaire liée à l'âge."

L'algorithme nouvellement développé est basé sur une nouvelle architecture de réseau neuronal convolutif (CNN). Un CNN est un type d’intelligence artificielle et attribue de l’importance à divers aspects ou objets afin d’analyser des images. L’algorithme a été utilisé par les chercheurs pour examiner les images acquises avec l’OCT, une technologie non invasive. L'OCT produit des images rétiniennes transversales à haute résolution et est considéré comme la norme de soins pour l'évaluation et le traitement de diverses affections oculaires.

"Contrairement aux approches développées précédemment, notre algorithme nécessite des images OCT à partir d'un seul point de temps de prétraitement", a déclaré Reza Rasti, premier auteur de l'article et chercheur postdoctoral au laboratoire de Farsiu. "Il n'y a pas besoin d'images OCT de séries chronologiques, de dossiers de patients ou d'autres métadonnées pour prédire la réponse au traitement."

Le nouvel algorithme fonctionne en mettant en évidence les structures globales dans l'OCT. Dans le même temps, il améliore également les caractéristiques locales des régions malades. Il recherche les caractéristiques codées par CNN qui peuvent être corrélées avec la réponse anti-VEGF. 

L'algorithme a été testé avec des images OCT de 127 patients ayant subi un traitement pour un œdème maculaire diabétique avec trois injections consécutives d'agents anti-VEGF. L'algorithme a ensuite analysé les images OCT prises avant les injections anti-VEGF, et les prédictions de l'algorithme ont été comparées aux images OCT prises après la thérapie anti-VEGF. Cela a indiqué aux chercheurs si la thérapie a entraîné ou non une amélioration de la condition. 

L'algorithme s'est avéré avoir un taux de précision de 87% pour prédire ceux qui répondraient au traitement. Il avait une précision et une spécificité moyennes de 85 % et une sensibilité de 80 %.

Les chercheurs veulent maintenant confirmer les résultats et entreprendre un essai d'observation plus large de patients qui n'ont pas encore suivi de traitement.