Table of Contents

Le fardeau mondial et la nécessité clinique d'une surveillance automatisée

La rétinopathie diabétique (DR) est une cause majeure de perte de vision et de cécité évitables chez les adultes en âge de travailler dans le monde entier. La prévalence mondiale du diabète continue d'augmenter, le nombre de personnes à risque de la maladie devrait dépasser 210 millions d'ici 2045. La norme actuelle de soins repose sur l'examen manuel des images de fond de la rétine par des spécialistes ou des centres de lecture formés. Ce processus manuel est intrinsèquement subjectif, prend beaucoup de temps et exige des ressources, créant un goulot d'étranglement important dans les soins aux patients.

Pathophysiologie et classification clinique de la rétinopathie diabétique

Complications microvasculaires de l'hyperglycémie

L'hyperglycémie chronique déclenche une cascade de changements métaboliques et biochimiques qui endommagent la microvasculature rétinienne. La dégradation de la barrière hémato-rétinienne et la perte de péricytes entraînent la formation de lésions caractéristiques.Dans les premiers stades, la rétinopathie diabétique non proliférative (RNPD) est marquée par l'apparition de microanévrismes, d'hémorragies dot-et-blot et d'exsudations dures. Au fur et à mesure que la maladie progresse, les anomalies microvasculaires veineuses et intrarétiniennes (IRMA) deviennent importantes. Le stade le plus avancé, la rétinopathie diabétique proliférative (RDP), est définie par la croissance de nouveaux vaisseaux sanguins anormaux et fragiles sur le disque optique ou ailleurs dans la rétine.

L'échelle internationale de gravité de la rétinopathie diabétique clinique

Pour normaliser les décisions en matière de diagnostic et de traitement, les cliniciens utilisent l'échelle internationale de gravité de la rétinopathie diabétique (RCI) qui fournit un cadre pour classer la progression de la maladie de la non rétinopathie apparente à la RNI sévère et à la RDP. Les modèles d'apprentissage approfondi sont généralement formés pour produire ces notes spécifiques ou pour prendre des décisions binaires, comme l'identification de « DR référençable » (DRNI modéré ou pire).

Architectures d'apprentissage profond pour l'analyse de l'image oculaire

Réseaux neuronaux convolutionnels

Les couches précoces détectent des caractéristiques simples comme les bords et les couleurs, tandis que les couches plus profondes les combinent en modèles complexes correspondant à des lésions spécifiques ou à des structures anatomiques. Les innovations architecturales clés, telles que les connexions saut dans ResNet, les modules de démarrage dans GoogLeNet et l'échelle composée de EfficientNet, ont permis la formation de modèles de plus en plus profonds et précis. Ces réseaux peuvent être formés pour effectuer une classification au niveau de l'image, en attribuant une note de gravité DR à une photographie de fond.

Segmentation et détection d'objets

Au-delà de la classification simple, l'apprentissage profond excelle à la localisation. Pour surveiller la progression de la maladie, comprendre où des changements se produisent est aussi important que quoi ces changements sont. Les modèles de segmentation, en particulier ceux basés sur l'architecture U-Net, peuvent produire des cartes de niveaux de pixels de lésions spécifiques, telles que les microanévrismes, les hémorragies, les exsudats et la néovascularisation.

Détection et quantification des changements visuels au fil du temps

La principale promesse d'appliquer un apprentissage profond au DR est la capacité de passer d'une évaluation statique à une surveillance longitudinale dynamique, ce qui exige des modèles qui peuvent comparer une image de base à une image de suivi et produire une évaluation significative du changement.

L'inscription comme préalable

Avant toute comparaison au niveau du pixel ou au niveau des caractéristiques, les images de base et de suivi doivent être alignées spatialement. L'enregistrement d'image est le processus de transformation de différents ensembles de données en un seul système de coordonnées. En ophtalmologie, cela implique la cartographie de la vascularisation et du disque optique d'une image de suivi pour correspondre à la base de référence. L'apprentissage profond a amélioré de façon significative la vitesse et la précision de l'enregistrement multimodal et temporel.

Détection de changement avec les réseaux siamois et temporel

Une fois les images enregistrées, des architectures d'apprentissage profond spécialisées peuvent les comparer. Les réseaux siamois utilisent deux épines CNN identiques pour extraire les caractéristiques des images de base et des images de suivi indépendamment. Les cartes des caractéristiques extraites sont ensuite comparées, souvent par concaténation ou soustraction, et un classificateur final détermine le niveau de progression ou de régression.

Le fardeau et le chiffre d'affaires des lésions quantifiantes

Un biomarqueur concret et cliniquement validé pour la progression du DR est le chiffre d'affaires du microanévrisme (MAT). Le MAT est calculé en comptant le nombre de nouveaux microanévrismes apparaissant et le nombre de ceux qui disparaissent entre deux visites. Un taux de renouvellement élevé est un puissant prédicteur de progression vers un oedème maculaire cliniquement significatif ou un DR prolifératif. Les modèles de segmentation d'apprentissage profond peuvent automatiquement compter et suivre les microanévrismes individuels au fil du temps, fournissant une mesure objective quantitative du changement qui est difficile pour les classificateurs humains à effectuer de façon cohérente.

Méthodes et pipeline technique

Protection et prétraitement des données

Pour les modèles de progression en DR, cela nécessite de grandes séries de données appariées d'images des mêmes patients au fil du temps. Les sources de données comprennent des ensembles de données d'essais cliniques de grande envergure, des bases de données hospitalières et des dépôts publics comme EyePACS et Kaggle. Les classificateurs experts doivent fournir des étiquettes, non seulement pour la sévérité à un moment donné, mais pour la présence de changement. Le prétraitement robuste est essentiel pour gérer la variabilité des données réelles.

Formation, validation et explicitabilité des modèles

L'évaluation de ces modèles exige des mesures au-delà de la simple précision. La zone sous la courbe caractéristique de fonctionnement du récepteur (CAU) est couramment utilisée pour les décisions de référence binaire. Pour le classement, le kappa pondéré quadratique de Cohen est la mesure standard, car il explique la nature ordinale de l'échelle de gravité. Pour les tâches de segmentation, le coefficient de similitude des Dies est utilisé pour mesurer le chevauchement entre les cartes de lésion prédites et au sol. Étant donné les enjeux élevés des décisions médicales, l'explication du modèle n'est pas négociable. Des techniques comme la cartographie d'activation de classe pondérée par gradient (Grad-CAM) génèrent des cartes thermiques qui mettent en évidence les régions de l'image sur lesquelles se concentre le modèle.

Défis pour la traduction clinique

Hétérogénie des données et changement de domaine

Un modèle formé à des images à haute résolution et bien éclairées d'un fabricant de caméras (par exemple Zeiss ou Topcon) peut être mal adapté aux images d'une caméra portable non mydriatique utilisée dans un cadre de soins primaires. Les variations de l'origine ethnique des patients, de la dilatation des élèves, de l'opacité des médias (cataractes) et de la qualité de l'image peuvent tous dégrader les performances du modèle.

Annotation Échec et déséquilibre de classe

La création d'étiquettes de vérité au sol pour la progression est coûteuse et complexe. Elle exige des classificateurs experts qu'ils comparent méticuleusement deux ou plusieurs images du même patient. De plus, un ensemble de données naturelles contient bien plus d'exemples de « pas de changement » ou de « changement léger » que de « progression rapide », ce qui entraîne un déséquilibre important entre les classes.

Les obstacles réglementaires et l'intégration clinique

La Food and Drug Administration (FDA) des États-Unis a établi un cadre pour les dispositifs médicaux basés sur l'IA/ML. Le premier système autonome de détection de l'IA autorisé par la FDA pour la DR était IDx-DR (maintenant LumineticsCore), qui a créé un précédent pour le domaine. Cependant, l'approbation d'un système de détection de progression nécessite des données longitudinales encore plus étendues et des preuves d'avantages cliniques. L'intégration dans les flux de travail cliniques existants demeure un défi majeur. Le système doit s'interfacer en toute transparence avec les systèmes d'archivage et de communication d'images existants (PACS) et les dossiers de santé électroniques (RSE).

Orientations futures et recherche émergente

L'IA multimodale pour une image complète

L'avenir de l'évaluation automatisée des DR consiste à intégrer plusieurs sources de données. Bien que la photographie de fond soit la norme pour le dépistage, la combinaison de celle-ci avec des données structurelles issues de la tomographie de cohérence optique (TOC) améliore considérablement la détection des EIM. Les systèmes futurs vont probablement fusionner des images de fond, des volumes de TOC et des données cliniques systémiques (p. ex., les niveaux d'HbA1c, la pression artérielle, la durée du diabète) en un seul modèle pour fournir une évaluation complète des risques.

IA et progression synthétique

Les chercheurs peuvent utiliser des GAN conditionnels pour simuler la progression de la DR, créant des images de suivi plausibles à partir d'une base de données. Cette capacité est inestimable pour augmenter les ensembles de données d'entraînement, en particulier pour les états de progression rares ou sévères. De plus, les GAN peuvent être utilisés pour personnaliser les prédictions, permettant à un clinicien de montrer à un patient une simulation visuelle de ce que son œil pourrait ressembler à l'avenir si son diabète reste incontrôlé, servant d'outil de motivation puissant.

Transformateurs et modèles fondamentaux

Le champ de vision informatique passe des architectures pures de CNN aux architectures basées sur les transformateurs, qui utilisent des mécanismes d'auto-attention pour saisir le contexte mondial dans une image. Vision Transformers (ViTs) ont démontré des performances impressionnantes sur les tâches d'imagerie médicale, souvent en correspondance ou en dépassement des CNN. Ces modèles sont particulièrement habiles à comprendre les dépendances à long terme au sein de la rétine, ce qui pourrait améliorer la détection de changements pathologiques diffus.

Conclusion

L'application d'un apprentissage profond pour détecter les changements visuels dans la rétinopathie diabétique représente une évolution significative dans la gestion de cette maladie aveuglante. En passant du dépistage statique, au dépistage ponctuel, à une surveillance longitudinale intelligente, ces systèmes permettent aux cliniciens d'avoir des connaissances objectives et quantitatives sur la trajectoire de la maladie. Du suivi précis du renouvellement du microanévrisme à la puissance prédictive de l'IA multimodale, la technologie offre le potentiel de transférer fondamentalement l'ophtalmologie d'une spécialité réactive à une spécialité proactive.