Dans une étude récente publiée dans Médecine naturelle, des chercheurs chinois ont développé un système d’apprentissage profond (DL) nommé « DeepDR Plus » pour prédire la progression de la rétinopathie diabétique (DR) à l’aide d’images du fond d’œil de patients. Ils ont découvert que le système pouvait prédire avec succès le risque et le délai de progression de la RD dans un délai de cinq ans, ouvrant ainsi la voie à des régimes de dépistage individualisés.
Étude : Un système d’apprentissage profond pour prédire le délai jusqu’à la progression de la rétinopathie diabétique. Crédit d’image : Anukool Manoton/Shutterstock
Sommaire
Arrière-plan
La RD se développe généralement comme une complication asymptomatique chez les adultes diabétiques, mais peut conduire à une cécité évitable au fil du temps. Le risque de progression de la RD est variable selon les individus et est affecté par plusieurs facteurs. Il est donc difficile de prédire le risque et le taux de progression de la RD chez les patients. En conséquence, il est recommandé aux patients de procéder à un dépistage de la RD chaque année. L’absence d’un modèle de risque personnalisé et d’un système de prédiction précis empêche les médecins de recommander une prolongation de l’intervalle de dépistage malgré le fait que l’approche soit très rentable.
L’intelligence artificielle (en particulier DL) s’est révélée prometteuse dans l’automatisation de la détection de RD à partir d’images rétiniennes. Cependant, les recherches actuelles manquent de prévisions prospectives du risque d’apparition et de progression de la RD au-delà d’une période de deux ans, et des études supplémentaires sont nécessaires pour évaluer l’impact sur les résultats pour les patients et l’intégration dans les flux de travail cliniques.
Pour combler ces lacunes, les chercheurs de la présente étude se sont appuyés sur leurs travaux antérieurs et ont développé, validé et testé « DeepDR Plus » comme outil permettant de prédire les trajectoires de progression de la RD jusqu’à cinq ans à l’avance. De plus, ils ont démontré les résultats de l’outil via une étude réelle menée auprès de patients diabétiques.
À propos de l’étude
DeepDR Plus a été pré-entraîné sur 717 308 images du fond d’œil provenant de 179 327 personnes diabétiques inscrites au système intégré de prévention et de soins du diabète de Shanghai et au programme de prévention du diabète de Shanghai. Le développement interne et la validation ont été effectués à l’aide d’un ensemble de données de 76 400 images du fond d’œil de la cohorte de l’étude sur la progression de la rétinopathie diabétique (DRPS), divisées en ensembles de tests de développement et internes. L’indice de concordance (C-index) et le score de Brier intégré (IBS) ont été utilisés pour évaluer les performances du modèle de fond d’œil. La généralisabilité du modèle a été évaluée par des validations externes utilisant huit cohortes longitudinales indépendantes avec des données démographiques, anthropométriques et biochimiques de base complètes. Les grades DR ont été distribués sur la base de l’échelle internationale de gravité de la rétinopathie diabétique clinique. Trois sous-groupes de patients ont été créés pour une analyse plus approfondie : (1) diabète sans rétinopathie à RD, (2) RD non référable à RD référable et (3) RD non menaçant la vision à RD menaçant la vision. L’analyse statistique impliquait l’utilisation du test du log-rank, de l’analyse de régression de Cox et de la détermination de l’aire sous la courbe, de l’erreur absolue moyenne et du coefficient de détermination.
Pour appliquer DeepDR Plus dans un contexte réel, une étude de cohorte prospective communautaire a été menée. Elle comprenait 2 185 adultes chinois répartis en groupes de gestion intégrée (IM) et non-IM. Les modèles de fond d’œil et de métadonnées ont été utilisés pour évaluer le risque de progression de la RD. De plus, une étude réelle a été menée au sein d’une cohorte prospective indienne auprès de 992 patients diabétiques ayant subi un suivi de quatre ans.
unComparaisons de photographies couleur du fond d’œil au départ et au suivi à l’aide de cartes d’attention. bCartes d’attention moyenne et images de fond de pile correspondantes pour toute progression de DR et sous-groupes 1 à 3. c, Diagramme à barres (à gauche) du score du fond d’œil et des caractéristiques cliniques et leur contribution au modèle de prédiction de la progression de la RD. Les fonctionnalités sont classées par ordre décroissant de contribution (également appelée importance) dans le modèle. Les détails des associations sont présentés dans un diagramme en essaim d’abeilles (à droite) dans lequel chaque point représente un participant. La couleur indique la valeur de la fonctionnalité, le rouge indiquant une valeur supérieure et le bleu une valeur inférieure. Une valeur SHAP négative indique une attribution de caractéristiques négative pour la prédiction de la progression de la DR ; une valeur SHAP positive indique une attribution de caractéristiques positive pour la prédiction de la progression de la DR.
Résultats et discussion
Lors de la validation interne, le modèle du fond d’œil s’est avéré plus performant que le modèle de métadonnées, tel que mesuré par les indices C, malgré l’utilisation d’images à faible résolution. Pendant les années 1 à 5, le modèle du fond d’œil a maintenu une performance robuste sur huit ensembles de données externes, démontrant l’exactitude de la prévision du temps spécifique jusqu’à la progression de la RD, comme le montrent les indices C et l’IBS élevés.
L’analyse des sous-groupes a montré que DeepDR Plus pouvait prédire efficacement différents types de détérioration du grade DR sur cinq ans dans les trois sous-groupes, obtenant ainsi des indices C et un IBS améliorés par rapport au modèle de métadonnées.
Dans l’étude réelle basée sur une cohorte chinoise, le modèle du fond d’œil pourrait relativement prévenir une incidence de progression de la RD de 46,8 % grâce à des interventions complètes. L’étude réelle basée sur une cohorte indienne a montré qu’en utilisant des interventions globales, le modèle du fond d’œil pourrait aider à prévenir une incidence de progression de la RD de 88,74 % par rapport au modèle de métadonnées. Si les participants des groupes IM et non IM adhéraient aux intervalles de dépistage personnalisés recommandés par le modèle de fond d’œil, l’intervalle de dépistage moyen pourrait être prolongé de 12 mois à 31,97 mois. Dans l’ensemble, le modèle du fond d’œil pourrait catégoriser plus précisément les participants, permettant des interventions personnalisées et diminuant la fréquence des dépistages de la rétinopathie diabétique tout en minimisant les retards dans la détection de la progression.
Une analyse plus approfondie a montré que les prédictions de l’outil se concentrent sur les vaisseaux rétiniens et la fovéa, étayées par des cartes d’attention et des mesures quantitatives au-delà de la géométrie vasculaire rétinienne.
Cependant, l’étude est limitée par la formation de DeepDR Plus sur une population chinoise, les biais intrinsèques potentiels, les variations de performances avec différents schémas thérapeutiques et l’absence d’application clinique réelle. Cela met en évidence la nécessité de tests et d’essais futurs pour valider le dépistage et l’intervention en matière de RD basés sur l’IA.
Conclusion
En conclusion, DeepDR Plus, en utilisant des images de base du fond d’œil, peut prédire de manière robuste le risque personnalisé et le délai de progression de la RD. L’application dans le monde réel suggère l’extension potentielle des intervalles de dépistage à environ 32 mois. Les résultats démontrent une intégration prometteuse de l’outil dans les flux de travail cliniques pour des stratégies individualisées de gestion de la RD afin d’améliorer les résultats pour les patients.
