Des modèles d’intelligence artificielle (IA) ont été validés pour reconnaître les signes de maladies oculaires dans les images rétiniennes, améliorant ainsi le diagnostic et la stratification des risques. Combinant des images naturelles et des données médicales, ces modèles fournissent une prévision fiable des maladies, permettant ainsi une stratification efficace des risques dans des domaines tels que les radiographies pulmonaires et l’imagerie dermatologique.
Dans une étude récente publiée dans Nature, les chercheurs présentent le modèle de fondation d’image rétinienne (RETFound), un modèle de fondation basé sur un auto-encodeur masqué à apprentissage auto-supervisé (SSL) pour les images rétiniennes. RETFound apprend des représentations généralisables à partir d’images rétiniennes non étiquetées, qui ont servi de base à une adaptation de modèle efficace en matière d’étiquetage dans diverses applications.
Étude: Un modèle de base pour la détection généralisable des maladies à partir d’images rétiniennes. Crédit d’image : GeebShot/Shutterstock.com
À propos de l’étude
RETFound est un modèle SSL qui a été formé sur 1,6 million d’images rétiniennes non étiquetées. Une approche améliorée basée sur SSL a été utilisée sur des images naturelles et des images rétiniennes extraites de l’ensemble de données d’images diabétiques de Moorfields (MEH-MIDAS) avec des données de population pour développer deux modèles distincts.
MEH-MIDAS est un ensemble de données rétrospectives contenant les enregistrements complets d’imagerie oculaire de 37 401 patients diabétiques examinés au Moorfields Eye Hospital entre janvier 2000 et mars 2022. RETFound a été affiné avec des étiquettes de tâches avant de vérifier ses performances sur une gamme de tâches difficiles de détection et de prédiction. .
La catégorisation diagnostique des maladies oculaires, le pronostic et les problèmes oculomiques, y compris l’estimation sur trois ans des troubles cardiovasculaires comme l’infarctus du myocarde, l’insuffisance cardiaque et l’accident vasculaire cérébral ischémique, ainsi que les maladies neurodégénératives comme la maladie de Parkinson, ont été évalués. La capacité de détection de maladies de RETfound a été étudiée à l’aide de tests de contrôle variable et de résultats qualitatifs, tandis que ses performances et sa généralisabilité dans l’adaptation à des activités oculaires variées après un pré-entraînement aux scanners rétiniens ont été examinées.
RETFound a été testé à l’aide des bases de données de rétinopathie diabétique MESSIDOR-2, de l’image indienne de la rétinopathie diabétique (IDRID) et de Kaggle APTOS-2019, qui ont été classées selon l’échelle internationale de gravité de la rétinopathie diabétique clinique. Une évaluation croisée a été réalisée entre les trois bases de données et les modèles ont été affinés en utilisant un seul jeu de données avant d’être testés sur les autres.
Les performances internes des données AlzEye ont été déterminées pour le pronostic à un an d’un autre œil en transition vers une dégénérescence maculaire humide. Quatre défis oculomiques ont été conçus pour évaluer l’efficacité du modèle dans la prévision de l’apparition de troubles systémiques à l’aide d’analyses rétiniennes.
RETFound a été formé pour détecter les anomalies structurelles générales pour le diagnostic des troubles systémiques.
Résultats de l’étude
Avec moins de données étiquetées, le modèle Adapted RETFound a régulièrement surpassé de nombreux modèles de comparaison dans le diagnostic et le pronostic des maladies oculaires menaçant la vue, ainsi que dans la prédiction des incidents de maladies systémiques complexes, notamment l’insuffisance cardiaque et l’infarctus du myocarde. Par rapport aux modèles concurrents de pointe, y compris ceux pré-entraînés sur ImageNet-21k à l’aide de l’apprentissage par transfert classique, RETFound a systématiquement surpassé ces modèles en termes de performances et d’efficacité d’étiquetage.
Les zones imagées les plus importantes reflétaient les informations existantes issues de la littérature oculaire et oculomique. Dans la plupart des ensembles de données, RETFound a obtenu les meilleurs résultats, suivi de SL-ImageNet.
Sur les ensembles de données MESSIDOR-2, IDRID et Kaggle APTOS-2019, RETFound a obtenu des valeurs d’aire sous la courbe de fonctionnement du récepteur (AUROC) de 0,9, 0,8 et 0,9, respectivement, qui ont largement dépassé SL-ImageNet.
Des performances supérieures ont également été observées dans la catégorisation de plusieurs maladies telles que le glaucome. Les résultats de RETFound AUPR étaient également considérablement supérieurs à ceux des groupes comparables.
En termes de pronostic des maladies oculaires, RETFound a considérablement surperformé les groupes de comparaison, avec une valeur AUROC de 0,9. RETFound avait la plus grande valeur AUROC de 0,8 en utilisant la photographie couleur du fond d’œil (CFP) comme modalité d’entrée, ce qui était significativement plus élevé que SSL-Retinal. De plus, les scores RETFound AUPR étaient les plus élevés avec les photographies couleur du fond d’œil et équivalents au modèle SSL-Retinal utilisant la tomographie par cohérence optique (OCT).
RETFound avait une valeur AUROC de 0,7 pour prédire les infarctus du myocarde à l’aide de photographies couleur du fond d’œil, tandis que SSL-Retinal se classait deuxième mais était considérablement inférieur à RETFound. RETFound a également surpassé les autres modèles d’IA en considérant les images OCT comme modalité d’imagerie d’entrée.
RETFound a démontré une efficacité améliorée des étiquettes dans de nombreuses tâches, soulignant ainsi l’utilité potentielle de cette approche pour atténuer les pénuries de données. Une bonne efficacité d’adaptation constante a également été observée, ce qui implique que RETFound a nécessité moins de temps pour s’adapter aux tâches en aval. RETFound a découvert et déduit la représentation des régions liées à la maladie en utilisant SSL pour la détection des maladies oculaires, contribuant ainsi aux performances et à l’efficacité des étiquettes dans les opérations en aval.
Les structures anatomiques liées aux troubles systémiques ont été mises en évidence comme régions contribuant à la prédiction des incidences de troubles systémiques dans les tâches oculomiques. RETFound a maintenu des performances constantes, même lorsque la différence d’âge était réduite, démontrant ainsi que ce modèle a détecté des changements structurels anatomiques liés à la maladie et a utilisé les données pour prévoir les troubles systémiques.
Conclusions
RETFound est une méthode généralisable permettant d’augmenter les performances d’imagerie rétinienne et de renforcer les capacités de diagnostic et de pronostic des applications d’IA. Ce modèle utilise SSL sur des images rétiniennes naturelles et non étiquetées, dépassant ainsi le puissant SL-ImageNet et améliorant les performances globales des modèles de base médicale.