Une récente Rapports scientifiques L’étude discute du potentiel de l’imagerie du fond d’œil rétinien comme modalité de dépistage diagnostique de la maladie de Parkinson (MP).
Étude: L’apprentissage profond prédit la maladie de Parkinson répandue et incidente à partir de l’imagerie du fond d’œil de la biobanque britannique. Crédit d’image : art de réception/Shutterstock.com
Sommaire
Arrière-plan
La MP est associée à un déclin progressif du contrôle moteur et à plusieurs symptômes non moteurs dus à la perte progressive des neurones dopaminergiques dans la substance noire du cerveau.
Les décès liés à la maladie de Parkinson ont plus que doublé depuis 2000, principalement en raison du manque d’interventions de bonne qualité auprès des personnes âgées. Ainsi, des recherches supplémentaires sont nécessaires pour mieux comprendre la pathologie de la MP et développer des systèmes de diagnostic précoce.
La rétine, souvent considérée comme une fenêtre sur le cerveau, constitue une voie viable pour évaluer les processus neuropathologiques associés à de nombreuses maladies neurodégénératives. Malgré les progrès récents, les résultats cliniques sur la dégénérescence rétinienne ne sont pas toujours concluants, ce qui justifie des recherches supplémentaires pour améliorer le pouvoir diagnostique de la rétine.
À cette fin, les algorithmes d’intelligence artificielle (IA), notamment les modèles d’apprentissage profond et les algorithmes d’apprentissage automatique conventionnels, sont devenus des outils de diagnostic efficaces.
À propos de l’étude
Développer une compréhension approfondie des biomarqueurs rétiniens de la MP nécessite une connaissance approfondie de la dégénérescence structurelle du système vasculaire rétinien. Bien que cela soit souvent difficile à réaliser cliniquement, l’IA pourrait aider à élucider les relations complexes aux niveaux spatiaux locaux et globaux de la rétine. La présente étude propose l’utilisation d’algorithmes d’IA pour relever le défi susmentionné et constitue l’une des premières études approfondies sur l’IA sur le diagnostic de la MP à partir de l’imagerie du fond d’œil.
L’objectif principal de l’étude était de profiler systématiquement les performances de classification à travers différentes phases de progression de la MP, y compris la MP incidente et prévalente. En négligeant les méthodes de sélection de caractéristiques ou les mesures quantitatives externes, les chercheurs ont maximisé la capacité de diagnostic des algorithmes d’IA. La robustesse a été établie grâce à l’apprentissage profond et aux méthodes conventionnelles d’apprentissage automatique.
Résultats de l’étude
Les réseaux neuronaux profonds ont surpassé les modèles d’apprentissage automatique conventionnels et ont présenté des performances notables dans la détection de la MP dans les images du fond de la rétine. Le modèle a prédit avec succès l’incidence de la MP avant le diagnostic formel avec un niveau de sensibilité de 80 % de zéro à 5,07 ans.
Entre 5,07 et 5,57 ans, la sensibilité monte à 93,33 % puis diminue à 81,67 % entre 5,57 et 7,38 ans. Ces résultats sont prometteurs, car ils montrent le potentiel d’une intervention précoce contre la maladie.
Les réseaux neuronaux profonds automatisés peuvent compléter les ophtalmologistes pour identifier les biomarqueurs de maladies et effectuer l’évaluation à haut débit. À ce jour, l’évaluation de la MP basée sur l’IA et utilisant la rétine est rare. Il est important de noter que les recherches antérieures n’ont pas comparé les méthodes d’apprentissage profond et d’apprentissage automatique classiques.
En revanche, la présente étude a évalué un large éventail de méthodes d’apprentissage profond et d’apprentissage automatique classiques pour considérer l’image entière du fond d’œil comme support de diagnostic. De plus, les patients atteints de MP prévalents et incidents ont été différenciés avec succès des témoins sains appariés de manière appropriée avec une précision de 68 %.
Conclusions
Dans la présente étude, les modèles d’apprentissage automatique conventionnels ont été surpassés par les modèles d’apprentissage profond pour prédire avec précision la maladie de Parkinson à partir d’images du fond d’œil rétinien. Cette méthode était robuste aux perturbations d’image, ce qui est prometteur pour un traitement précoce.
Ce travail devrait fournir la base de recherches futures et servir de référence pour la sélection d’algorithmes, tant pour leur interprétabilité que pour leurs performances.
Une limite fondamentale de cette étude est la taille de l’ensemble de données, qui pourrait être améliorée pour capturer un plus large éventail de présentations de la MP. Deuxièmement, l’étude est basée sur la population du Royaume-Uni, ce qui limite la généralisabilité des résultats.
Une limite supplémentaire de la présente étude est que les chercheurs n’ont pas indiqué comment cette approche pourrait être appliquée à différents niveaux de gravité de la maladie de Parkinson. Bien que l’étude actuelle se soit concentrée sur la MP, on ne sait toujours pas si d’autres maladies neurogénératives comme la maladie d’Alzheimer, ainsi que certaines maladies oculaires, partagent des schémas de dégénérescence ou des biomarqueurs similaires.
Les recherches futures devraient également déterminer si les prédictions du modèle peuvent éclairer la notation des ophtalmologistes. Cependant, cela pourrait être compliqué dans la mesure où les biomarqueurs visuels des maladies oculaires courantes sont mieux compris que ceux de la MP.
Prises ensemble, ces limites nécessitent des recherches supplémentaires utilisant divers échantillons pour établir la fiabilité des modèles d’IA en milieu clinique.
