L'intégration de l'IA à l'oculomique est prometteuse dans la prévision du diabète, l'étude révélant que divers ensembles de données peuvent aider à développer des modèles plus précis et plus fiables pour évaluer les niveaux d'HbA1c, améliorant ainsi les soins aux patients en milieu clinique.
Étude: Développement de l'intelligence artificielle oculomique pour les facteurs de risque cardiovasculaire : une étude de cas en oculomique du fond d'œil pour l'évaluation de l'HbA1c et considérations cliniquement pertinentes pour les cliniciens. Crédit d'image : Stas Ponomarencko/Shutterstock.com
L'oculomique est une technologie relativement nouvelle et puissante qui intègre des fonctionnalités ophtalmiques pour identifier des biomarqueurs pouvant être utilisés pour prédire les maladies systémiques. Une récente étude pilote du Asia-Pacific Journal of Ophthalmology étudie les avantages potentiels de l’intégration de l’intelligence artificielle (IA) à l’oculomique.
Sommaire
Utilisation de l'oculomique pour l'estimation de l'HbA1c
L'objectif de la présente étude était d'appliquer l'oculomique aux images du fond d'œil pour évaluer les taux d'hémoglobine glyquée A1c (HbA1c).
Le pourcentage d’HbA1c est généralement utilisé pour diagnostiquer et surveiller la progression du diabète. Malgré leur utilisation répandue, les mesures de l'HbA1c peuvent être inexactes dans certains cas, par exemple chez les patients présentant des comorbidités comme la drépanocytose, ceux qui ont récemment reçu une transfusion sanguine ou les patientes enceintes.
Dans la présente étude, un total de 6 118 images du fond d’œil ont été obtenues, dont 1 138 ont été diagnostiquées comme normales. Dans un premier temps, les chercheurs ont comparé les performances d'un modèle monolithique à l'architecture d'ensemble, ainsi que sa fiabilité et ses biais dus aux effets de l'âge et du sexe.
Le modèle VGG19, basé sur les réseaux de neurones convolutifs (CNN), a présenté les meilleures performances sur tous les paramètres. Par rapport au modèle unique, le modèle d'ensemble a montré une amélioration des performances d'environ 2 %.
Pour que le modèle soit fiable, sa taille par rapport à la taille de l’ensemble de données doit être soigneusement étudiée. Dans la présente étude, le modèle VGG19 a surpassé les autres modèles plus grands, ce qui peut être dû à la taille de l'ensemble de données, car les modèles complexes et plus étendus nécessitent de plus grandes quantités de données pour estimer avec précision les paramètres.
Il est également crucial d’évaluer la fiabilité selon d’autres dimensions que la simple performance sur un seul ensemble de tests, car les applications critiques de l’IA en matière de sécurité pourraient avoir un impact significatif sur la santé et la sécurité des patients.
Les effets de l'âge et du sexe sur les performances du modèle
Une précision plus élevée a été observée dans le modèle formé sur des échantillons obtenus auprès de jeunes et de personnes âgées par rapport à ceux dont l'ensemble de formation comprenait un seul groupe. Lors du développement de solutions d’IA, la capacité d’un modèle à montrer des performances robustes et fiables au sein d’une population diversifiée est cruciale pour minimiser les biais.
La performance était meilleure lorsque l’ensemble d’entraînement incluait les deux sexes. En fait, une dégradation de 5 % a été observée lorsque le modèle était entraîné uniquement sur des hommes ou des femmes. Un modèle supplémentaire a été formé pour extraire le sexe des images du fond d'œil.
Le modèle était associé à une précision globale de 87 % ; cependant, cette performance exceptionnelle pourrait être attribuée à un biais potentiel dans l'ensemble de données de formation. Grad-CAM, une technique d'IA interprétable bien connue, a été utilisée pour identifier les caractéristiques clés des images du fond d'œil qui fournissent des informations importantes pour diverses étiquettes de classification. Ces résultats complètent ceux produits dans des études précédentes et soulignent la nécessité de disposer d’un ensemble de données diversifié pour fournir des performances fiables et robustes.
Défis liés au développement d’une IA fiable en oculomique
Les résultats de l’étude confirment l’importance d’ensembles de données diversifiés et de haute qualité pour entraîner les modèles, ce qui améliorera à terme leurs performances robustes et fiables dans différentes conditions. Les résultats du modèle doivent également être transparents pour garantir que les prestataires de soins de santé puissent comprendre et faire confiance à leurs prédictions. Garantir l’équité et remédier aux biais dans les prédictions des modèles est également extrêmement important.
L'avenir de l'IA en oculomique
L'adaptabilité à divers environnements cliniques et le respect des directives réglementaires sont fondamentaux pour garantir le déploiement fiable de l'IA en oculomique. Le maintien de la transparence soutient également le développement de modèles d’IA explicables et interprétables dans lesquels les médecins peuvent facilement comprendre la logique de leurs prédictions.
Les modèles d'IA peuvent subir une dégradation des performances en raison d'entrées hors distribution (OOD) ou de scénarios cliniques imprévus lors du déploiement. Cependant, l’intégration de cadres d’apprentissage continu pourrait atténuer ce problème.
Les algorithmes de détection d’anomalies peuvent également servir de garde-fou ; par conséquent, les modèles doivent être périodiquement mis à jour pour introduire des données nouvelles et diverses. Ces efforts ont le potentiel de maintenir l’exactitude et la pertinence des applications de l’IA dans les environnements cliniques.
À l'avenir, les systèmes d'IA pour l'oculomique doivent être développés pour améliorer les soins de santé centrés sur l'humain en simplifiant les flux de travail des cliniciens, en améliorant les résultats de santé des patients et en augmentant la qualité des soins fournis. À cette fin, une collaboration continue entre les différentes parties prenantes est nécessaire tout au long des phases de développement et de mise en œuvre pour atteindre le plein potentiel de l’IA dans la transformation de la prestation des soins de santé.
