Une récente Rapports scientifiques L’étude a développé DiaNet v2, une forme mise à jour de DiaNet précédemment développé, qui était le premier modèle basé sur l’apprentissage profond pour diagnostiquer le diabète à l’aide d’images rétiniennes.
Étude: Méthode basée sur l’apprentissage profond DiaNet v2 pour le diagnostic du diabète à l’aide d’images rétiniennes. Crédit d’image : LALAKA/Shutterstock.com
Sommaire
Arrière-plan
Le diabète sucré (DM) est un trouble métabolique associé à une morbidité et une mortalité à long terme.
Il existe deux types de DM, à savoir le DM de type 1 (DM-1) et le DM de type 2 (DM-2). Comparé au DM-1, le DM-2 est plus répandu dans le monde entier.
Des millions de personnes dans le monde sont touchées par le diabète, et ce chiffre devrait atteindre 136 millions d’ici 2045. La détection précoce de cette maladie métabolique a un impact significatif sur le traitement et la prévention.
Plusieurs tests, tels que la glycémie aléatoire (RPG), la glycémie à jeun (FPG), les tests oraux de tolérance au glucose (OGTT) et l’hémoglobine A1c (HbA1c), sont effectués pour détecter le diabète.
Il convient de noter que plusieurs limites ont été identifiées pour chacun des tests susmentionnés. Par exemple, les tests FPG ont une sensibilité plus faible, et un rapport de l’Organisation mondiale de la santé indique que le FPG a manqué environ 30 % des diagnostics de diabète.
Les résultats d’HbA1c sont également affectés par différents types d’anémie ou d’hémoglobinopathie, qui pourraient avoir un impact sur le diagnostic.
Compte tenu des limites des méthodes de détection du diabète disponibles et de leur taux de prévalence élevé, il est important de développer une méthode alternative et rentable avec une précision et une sensibilité plus élevées.
Des études antérieures ont détecté plusieurs méthodes alternatives de détection du diabète, notamment l’utilisation d’images rétiniennes, d’électrocardiographie (ECG) et de tests respiratoires.
Comme mentionné précédemment, DiaNet avait déjà été développé comme méthode alternative pour détecter le diabète.
Ce modèle basé sur l’apprentissage profond a détecté le trouble métabolique à l’aide d’images rétiniennes et a montré une précision de 84 % pour distinguer les individus diabétiques des non-diabétiques.
À propos de l’étude
Cette étude a utilisé de grandes cohortes de la Qatar Biobank (QBB) et de Hamad Medical Corporation (HMC), le plus grand prestataire de soins de santé au Qatar, pour améliorer la capacité de prédiction de DiaNet concernant le diabète.
Le DiaNet v2 a été développé à partir de plus de 5 000 images rétiniennes. Il convient de noter que le modèle DiaNet v2 basé sur VGG-11 proposé présentait des performances supérieures à celles de DenseNet-121, ResNet-50, EfficientNet et MobileNet_v2. Le réseau VGG-11 a été formé avec ImageNet, comprenant une sortie de 1 000 neurones dans sa couche finale.
Une station de travail comprenant un Intel(R) Core (TM) i7-127,00KF de 12e génération, avec 128 Go de RAM et un GPU GeForce RTX 3090, a été utilisée pour toutes les expériences.
Par rapport à DiaNet v1, DiaNet v2 a été formé à l’aide de l’ensemble de données combiné de QBB et HMC.
Résultats de l’étude
Au total, 15 011 images ont été obtenues, parmi lesquelles 7 515 images de diabétiques et 7 496 de non-diabétiques ou de témoins sains.
Le nouveau modèle a atteint une précision de plus de 92 % pour différencier les personnes atteintes de diabète du groupe témoin sain, ce qui constitue une réussite significative par rapport au modèle précédent.
Les performances de DiaNet v2 ont été validées à l’aide de l’ensemble de données à grande échelle HMC et QBB, qui ont en outre confirmé que les images rétiniennes constituent une excellente source pour détecter le diabète.
Les images rétiniennes de l’ensemble de données QBB manquaient d’informations sur les pathologies préexistantes et oculaires. Pour combler cette lacune liée aux données, les données HMC ont été intégrées car elles contenaient des informations pertinentes documentées par les ophtalmologistes.
Les images rétiniennes de personnes atteintes de diabète présentaient diverses pathologies, telles qu’une hémorragie du corps vitré et un microanévrisme, conséquence du diabète.
Un œil diabétique développe également une légère rétinopathie diabétique non proliférative (NPDR), un stade précoce de la rétinopathie diabétique (RD). La cohorte de l’étude comprenait également des images d’yeux non diabétiques atteints de glaucome.
Ces images ont été utilisées pour entraîner la version stratifiée selon le sexe de DiaNet v2. Il est intéressant de noter qu’une plus grande précision dans la détection du diabète a été observée chez les participantes.
Les études futures doivent aborder cette disparité entre les sexes pour obtenir un modèle supérieur de détection du diabète, quelles que soient les différences entre les sexes.
L’analyse stratifiée par âge a révélé une précision supérieure du VGG-11 dans tous les groupes d’âge ; cependant, la précision la plus élevée a été obtenue dans les tranches d’âge comprises entre 18 et 39 ans, suivies par les tranches d’âge 40 et 59 ans.
Les performances du modèle DiaNet v2 ont été entravées dans le groupe d’âge de 60 à 90 ans en raison de la taille plus petite du groupe témoin. Cette découverte reflète l’importance d’un ensemble de données équilibré pour une prévision précise.
Une analyse CAM (Class Activation Map) a indiqué les régions de l’image rétinienne qui influencent les prédictions du modèle DiaNet v2. Ces régions sont associées à la macula, à la disque optique et aux zones liées au développement de la RD.
L’analyse CAM a mis en évidence des pathologies systématiques, telles que les cardiopathies ischémiques, l’hypertension et le diabète.
Conclusions
L’étude actuelle a indiqué le potentiel des modèles d’apprentissage profond basés sur des images rétiniennes dans le diagnostic du diabète.
Le modèle diaNet v2 pourrait être utilisé comme un outil efficace, alternatif, fiable et non invasif pour diagnostiquer le diabète. À l’avenir, des approches multimodales devront être mises en œuvre pour améliorer les performances du modèle, qui devront être validées avant d’être utilisées dans le monde réel.
