Dans une étude récente publiée dans Rapports cellulaires Médecineles chercheurs ont développé AI-Doctor, un système avancé d’intelligence artificielle (IA) conçu pour interpréter avec précision les images d’angiographie à la fluorescéine du fond d’œil (FFA).
Il facilite le diagnostic précis et les suggestions de traitement pour diverses maladies ischémiques de la rétine (IRD).
Étude: Un système d’intelligence artificielle pour l’ensemble du processus, du diagnostic à la suggestion de traitement des maladies ischémiques de la rétine Xinyu Zhao,1,2,6 Zhenzhe Lin,1,6 Shanshan Yu,1,6 Jun Xiao,1 Liqiong Xie,1 Yue Xu,1 Ching -K. Crédit d’image : Ouiourchanka Siarhei/Shutterstock.com
Arrière-plan
En ophtalmologie, l’IA a été largement explorée pour le dépistage ou le diagnostic de maladies. Pourtant, un modèle d’IA complet simulant les processus de réflexion approfondis des médecins, du diagnostic aux suggestions de traitement, reste un besoin essentiel.
Ceci est crucial pour des conditions telles que les IRD qui dépendent de FFA complexes pour l’évaluation, où des problèmes d’interprétation existent, en particulier dans les zones mal desservies.
Bien que des technologies telles que l’angiographie par tomographie par cohérence optique (OCTA) aient fait surface, leur application reste limitée, soulignant la nécessité pour l’IA de combler le fossé important dans les services de santé en favorisant l’accessibilité et l’équité dans les soins oculaires.
Les modèles d’IA actuels, principalement axés sur des maladies spécifiques, manquent de mise en œuvre pratique approfondie, y compris de suggestions de traitement. Par conséquent, des recherches supplémentaires sont impératives pour développer des modèles d’IA polyvalents afin de garantir des solutions de soins oculaires équitables et efficaces là où les connaissances spécialisées sont rares et où l’interprétation des images diagnostiques est complexe.
À propos de l’étude
Dans l’étude, des techniciens expérimentés ont utilisé l’angiographe rétinien Spectralis Heidelberg + la tomographie par cohérence optique (HRA+OCT) pour capturer des images FFA provenant de divers hôpitaux, en adhérant à un protocole de capture d’images unifié. Les images ont été classées en différentes phases pour les applications cliniques et de recherche.
Une équipe d’ophtalmologistes agréés, expérimentés et dotés d’une formation standardisée, a exécuté les tâches de classification, garantissant la précision de l’identification de la phase B de l’image et du diagnostic IRD.
La tâche de segmentation impliquait le développement d’un modèle axé sur l’occlusion de la veine rétinienne (BRVO) et la rétinopathie diabétique (DR) avec zones de non-perfusion (NPA), utilisant des images FFA et s’appuyant sur les annotations et les améliorations des spécialistes pour obtenir des résultats précis.
Une vérification supplémentaire de la généralisabilité du modèle a été réalisée avec des images d’autres IRD, notamment l’occlusion veineuse centrale de la rétine (OVCR) et la vascularite rétinienne.
L’Ai-Doctor développé se composait de deux modèles, un pour la classification et un autre pour la segmentation, utilisant des réseaux neuronaux convolutifs de pointe, Unet et ResNet-152.
Pour des applications cliniques améliorées, un indice d’ischémie cliniquement applicable (CAII) a été proposé, visant à faciliter l’identification des patients présentant un risque plus élevé, en utilisant des images FFA capturées sous différentes orientations et en appliquant des principes détaillés pour la sélection d’images et les calculs CAII.
Les spécialistes ont initialement divisé les yeux en groupes en fonction de leur besoin de thérapie au laser, en utilisant les caractéristiques des images FFA, des dossiers médicaux et de l’expérience clinique.
Les valeurs CAII pour chaque œil des groupes ont été quantifiées selon le modèle de segmentation, définissant les valeurs CAII comme seuil pour les suggestions de thérapie au laser et déduisant la sensibilité et la spécificité sous le seuil correspondant pour explorer le seuil optimal, puis les valider avec un ensemble de données externes indépendantes. .
L’évaluation des modèles de classification et de segmentation a été rigoureusement menée à l’aide de tests et de mesures statistiques telles que l’exactitude, le rappel et la précision, ainsi que de l’analyse des caractéristiques de fonctionnement du récepteur (ROC) et des zones sous la courbe ROC.
Le coefficient de similarité des dés (DSC), la valeur d’intersection sur union (IoU) et le score F1 ont été utilisés pour l’évaluation de la segmentation. Les courbes empiriques ROC ont été examinées pour établir les seuils CAII optimaux pour recommander une thérapie au laser.
Ces analyses méticuleuses et évaluations statistiques ultérieures ont assuré une évaluation approfondie des modèles et méthodologies développés.
Résultats de l’étude
Dans la présente recherche, un nouveau système AI-Doctor a été développé et méticuleusement validé, exploitant 24 316 images. La conception a été systématiquement structurée, en utilisant des ensembles de données distincts pour les tâches de classification lors de la formation et de la validation interne au centre ophtalmique de Zhongshan (ZOC) et des tests externes au Shenzhen Eye Hospital (SEH) et au Foshan Second People’s Hospital (FSPH).
1 295 images supplémentaires ont été consacrées à l’affinement du modèle de segmentation, en se concentrant sur les NPA et les zones d’occlusion des branches veineuses rétiniennes.
Ai-Doctor a présenté des résultats prometteurs, affichant une précision, un rappel et une exactitude élevés dans plusieurs ensembles de données pour identifier les phases d’image et diagnostiquer les IRD courants, alignant ainsi ses compétences de diagnostic sur celles des experts.
Il a utilisé efficacement la visualisation de cartes thermiques pour faciliter l’identification précise de diverses affections telles que la rétinopathie diabétique, révélant l’accent mis sur des caractéristiques plus prononcées dans les images, en particulier là où une erreur de classification s’est produite.
Pour la segmentation, la recherche a comparé les modèles Unet-VGG16 et Unet-Swin Transformer, le premier présentant des performances et une robustesse supérieures dans la segmentation des zones NPA et BRVO, à la fois dans la validation interne et dans les ensembles de tests externes.
Lorsqu’il est formé avec un ensemble diversifié d’images, y compris celles de la rétinopathie diabétique et du BRVO, le modèle de segmentation d’Ai-Doctor a démontré une polyvalence et une applicabilité améliorées, montrant des coefficients de similarité de dés élevés, même dans des conditions inédites.
L’étude a introduit un indice d’ischémie cliniquement applicable (CAII), calculé sur la base des résultats de segmentation d’images FFA avec un champ de vision de 55°.
Les seuils optimaux établis de CAII ont présenté une sensibilité et une spécificité élevées pour déterminer le besoin d’une thérapie au laser, les validations ultérieures renforçant la fiabilité de ces seuils dans la classification de diverses affections telles que l’OVBR et la rétinopathie diabétique.
AI-Doctor améliore l’utilité clinique en générant automatiquement des rapports d’IA complets pour les interprétations d’images FFA et maintient une efficacité élevée, complétant l’ensemble du processus depuis l’identification de la phase de l’image jusqu’à la segmentation de la zone ischémique en environ huit secondes. Cette efficacité souligne le potentiel d’AI-Doctor pour une application rapide dans les environnements cliniques.
Cette recherche souligne le potentiel transformateur d’AI-Doctor dans le domaine du diagnostic ophtalmologique, confirmant sa fiabilité, sa précision et sa polyvalence dans l’analyse d’images médicales.
La capacité du système d’IA à fournir des informations détaillées et son temps de traitement rapide en font une avancée cruciale, remodelant potentiellement les approches diagnostiques en ophtalmologie et confirmant son importance dans l’interprétation des images médicales.
Les interprétations détaillées, rapides et précises d’AI-Doctor marquent une progression transformatrice dans le diagnostic médical, en particulier en ophtalmologie, en combinant efficacité, fiabilité et applicabilité étendue.
Les implications de la recherche sont profondes, mettant en évidence le potentiel de l’IA avancée pour révolutionner les diagnostics médicaux grâce à des interprétations détaillées, efficaces et précises, ouvrant la voie à des progrès révolutionnaires en ophtalmologie.