Les progrès récents de la technologie d'imagerie et de l'intelligence artificielle (IA), notamment l'apprentissage automatique (ML), ont facilité l'utilisation de la tomographie par cohérence optique (OCT), qui est souvent associée à l'ophtalmoscopie laser à balayage par réflectance infrarouge (IR-SLO), pour automatiser le diagnostic et la classification de la sclérose en plaques (SEP). Une étude récente publiée dans la revue Vision translationnelle, science et technologie détermine l'utilisation indépendante potentielle des images IR-SLO pour automatiser le diagnostic de la SEP.
Étude: SLO-Net : améliorer le diagnostic de la sclérose en plaques au-delà de la tomographie par cohérence optique en utilisant des images d'ophtalmoscopie laser à balayage par réflectance infrarouge. Crédit photo : Ground Picture / Shutterstock.com
Automatiser le diagnostic de la SEP
La sclérose en plaques (SEP) est une maladie auto-immune qui résulte de la démyélinisation et de la dégradation du système nerveux central (SNC) et des axones neuronaux. Actuellement, le diagnostic de la SEP repose sur la présence de symptômes cliniques, d'examens de laboratoire, tels que la détection de bandes oligoclonales dues à la présence d'anticorps immunoglobulines anormaux dans le liquide céphalorachidien (LCR), et d'une imagerie par résonance magnétique (IRM).
L'OCT reflète les changements précoces de l'épaisseur des couches rétiniennes, ce qui peut indiquer une atrophie progressive des fibres nerveuses rétiniennes (RNF) dans les couches RNF (RNFL) et le nerf optique en raison d'une inflammation aiguë antérieure. Des couches rétiniennes plus fines sont généralement corrélées à des résultats visuels moins bons.
L'OCT, souvent corrélée aux résultats de l'IRM, est utile pour identifier les sous-types de SEP et est associée à la fois à un handicap physique et cognitif. C'est également un biomarqueur de la progression de la neurodégénérescence, ce qui permet aux cliniciens de surveiller l'évolution du handicap et l'efficacité des traitements.
Récemment, l’IA a été utilisée pour automatiser le diagnostic de la SEP en intégrant les résultats de l’IRM, du sérum, du LCR et de l’OCT. Malgré leur utilisation généralisée dans l’imagerie rétinienne, on ne sait toujours pas comment l’IR-SLO ou l’imagerie monochromatique du fond d’œil peuvent fonctionner comme outils de diagnostic.
L'IR-SLO compense les mouvements oculaires et augmente l'alignement du B-scan OCT, réduisant ainsi le bruit et garantissant une variabilité minimale sur l'imagerie de suivi. Les images IR-SLO montrent certaines structures qui sont mal visibles sur l'imagerie du fond d'œil en raison des différentes longueurs d'onde utilisées dans ces tests.
Comparativement aux patients sains, l'angiographie OCT des patients atteints de SEP présente des variations significatives de la densité vasculaire rétinienne. À ce jour, ces différences n'ont pas été rapportées par l'évaluation humaine des images IR-SLO.
Actuellement, les outils de diagnostic de la sclérose en plaques basés sur l'apprentissage automatique n'ont été formés que sur des mesures d'épaisseur OCT. L'étude actuelle examine la possibilité d'améliorer la capacité discriminante des modèles ML en appliquant l'apprentissage profond (DL) aux images IR-SLO et à l'OCT pour identifier les changements vasculaires ou structurels subtils présents dans la sclérose en plaques.
À notre connaissance, il s’agit d’une étude pionnière intégrant l’IR-SLO dans le diagnostic automatisé de la SEP… parmi les rares études qui ont appliqué la DL aux données d’imagerie rétinienne pour détecter la SEP.”
À propos de l'étude
Des images OCT et IR-SLO supplémentaires ont été obtenues auprès de 32 personnes atteintes de SEP et de 70 personnes en bonne santé servant de témoins. Deux bases de données distinctes ont été créées à l'aide de plusieurs réseaux neuronaux convolutionnels (CNN) formés à la fois sur des données OCT et IR-SLO. Cela comprenait 132 images IR-SLO et 124 images OCT provenant de témoins sains et 133 images IR-SLO et 60 images OCT provenant de patients atteints de SEP.
Cela a produit un modèle bimodal capable d’atteindre des performances supérieures par rapport à chaque modèle formé avec des images IR-SLO ou une carte d’épaisseur OCT seule.
Des ensembles de formation, de validation et de test ont été créés de manière rigoureuse pour éviter toute fuite de données. L'ensemble de test comprenait respectivement 27 et 29 images IR-SLO et OCT provenant de témoins sains, ainsi que 24 images IR-SLO et 14 images OCT provenant de patients atteints de SEP.
Le prototype bimodal a été associé à une précision de 92 %, une sensibilité de 95 % et une spécificité de 92 % respectivement. Le test a montré une capacité discriminante de 97 %, comme le démontre la courbe AUROC (aire sous la caractéristique de fonctionnement du récepteur).
L'aire sous la courbe précision-rappel (AUPRC) était de 97 %, indiquant ainsi un excellent équilibre entre les faux positifs et les faux négatifs.
L'applicabilité générale de ce modèle a été examinée en remplaçant l'ensemble de données internes par un ensemble de données externes pour les tests. Cela a conduit à une précision de 85 %, une sensibilité de 97 % et une spécificité de 85 %, ainsi qu'à 99,7 % pour les courbes AUROC et AUPRC.
Conclusions
Bien que le modèle formé uniquement avec IR-SLO n'ait pas obtenu d'aussi bons résultats que celui formé uniquement avec des données d'épaisseur OCT, l'utilisation de cartes OCT et d'IR-SLO dans un modèle fusionné a conduit à une précision et une sensibilité 3 % supérieures dans le diagnostic de la SEP par rapport aux modèles basés uniquement sur l'OCT. Cela est obtenu en utilisant des modèles complexes avec beaucoup plus de paramètres pour assurer l'extraction de plusieurs caractéristiques des deux images afin de faire une distinction efficace entre les patients atteints de SEP et les patients sains.
Nous avons montré qu'un CNN hybride recevant des données d'entrée des deux modalités peut détecter la SEP avec des ACC étonnants proches de 100 %”, “présentant le potentiel de l'utilisation de l'IR-SLO comme outil complémentaire à l'OCT.”
Un système basé sur l’IA peut identifier des modifications mineures qui sont significatives pour une maladie du nerf optique et qui peuvent échapper à l’observation humaine. En fait, la névrite optique caractéristique de la SEP n’est généralement observée par les médecins qu’après la perte de plus de la moitié de la RNFL.
L'OCT est beaucoup moins coûteuse et invasive que l'IRM. Avec le même appareil capable de fournir des images IR-SLO, des modèles ML similaires pourraient être intégrés à la pratique clinique courante pour le diagnostic automatisé de la SEP à l'avenir.
À l’avenir, des études de validation plus vastes et plus diversifiées sont nécessaires, car l’étude actuelle a utilisé un ensemble de données obtenu à partir d’un seul centre avec des échantillons limités.
