Dans une étude récente publiée dans Scientific Reports, les chercheurs ont utilisé un réseau neuronal convolutif (CNN) pour automatiser le diagnostic de lagophtalmie.
Étude: Diagnostiquer la lagophtalmie grâce à l’intelligence artificielle. Crédit d’image : Joyseulay/Shutterstock.com
Sommaire
Arrière-plan
La lagophtalmie se caractérise par une fermeture inadéquate ou aberrante des paupières, ce qui augmente le risque d’ulcères cornéens et de cécité.
C’est un symptôme fréquent de nombreuses maladies et est de trois types : cicatricielle (CL), lagophtalmie paralytique (PL) et nocturne (NL). La fermeture complète des paupières est nécessaire pour maintenir des films lacrymaux stables et une surface oculaire hydratée.
Cependant, chez les personnes atteintes de CL, PL et NL, le liquide auriculaire ne mouille pas suffisamment les yeux, ce qui entraîne un dessèchement pouvant provoquer une kératite et une kératopathie, entraînant des ulcères cornéens, une diminution de la vision ou la cécité. Une détection précoce et un traitement adapté sont essentiels pour éviter les complications.
Les outils basés sur des algorithmes avec diagnostics automatisés présentent divers avantages, notamment le manque de connaissances spécialisées requises, la capacité d’établir ou de rejeter des diagnostics cliniques suspectés dans des situations de patients ambiguës et la capacité de justifier ou de réfuter des diagnostics cliniques suspectés dans des cas de patients ambigus.
À propos de l’étude
Dans la présente étude, les chercheurs ont démontré une nouvelle approche utilisant le traitement d’images fixes pour découvrir des modèles visuels et, éventuellement, diagnostiquer la lagophtalmie à l’aide de la technologie CNN.
L’équipe a étudié 30 patients atteints de lagophtalmie à l’hôpital universitaire de Regensburg en Allemagne entre juin 2019 et mai 2021. Ils ont obtenu des données auprès de 10 adultes indemnes de maladie qui ont servi de groupe témoin, et l’ensemble de données de formation comprenait 826 photos.
Chaque ensemble de données de validation et chaque ensemble de données de test contenait 91 photographies de patients. Après 17 minutes d’entraînement, le modèle présentait des pertes moyennes de 0,3 et 0,4 et des pertes finales de 0,3 et 0,2, respectivement.
Les chercheurs ont obtenu une précision des tests de 93 % avec une perte de 0,2 point. L’étude a inclus des patients de 18 ans présentant des signes de lagophtalmie qui ont accepté le traitement et la participation à l’étude. Les chercheurs ont exclu les patients qui ne pouvaient pas fournir une autorisation éclairée car ils ne parlaient pas allemand ou étaient analphabètes.
Les chercheurs ont utilisé Python 3.7 et des modules standard d’apprentissage automatique et de science des données pour former et évaluer un réseau neuronal convolutif (CNN) à l’aide de 1 008 photos de patients.
Le CNN a été développé comme un CNN léger avec trois couches convolutives pour réduire le nombre de paramètres dans le réseau. Les chercheurs ont inclus une couche d’abandon comme stratégie de régularisation pour éviter le surapprentissage.
Ils ont formé CNN sur 64 époques, en évitant davantage d’époques pour éviter le surapprentissage. Ils ont utilisé l’ensemble de tests pour évaluer le modèle avec la meilleure précision de validation tout au long de la formation.
Les chercheurs ont construit le modèle en utilisant des unités linéaires rectifiées (ReLU) avec chacune des trois couches convolutives, une couche de pool maximum entre chaque couche convolutive, une couche aplatie et deux couches denses pour corréler l’association entre les caractéristiques d’image distinctes avec une sortie spécifique. .
Ils ont entraîné les poids du modèle sur aucune donnée de test sans utiliser d’images d’entraînement créées de manière synthétique afin de conserver la complexité liée au traitement de véritables photos de patients et d’éviter un surajustement du modèle.
Résultats
Le modèle a fonctionné admirablement en ce qui concerne les précisions de formation, de validation et de test, avec des précisions moyennes et finales de 86 % et 91 % dans l’ensemble de données de formation, respectivement, et des précisions moyennes et absolues de 88 % et 98 % dans l’ensemble de données de validation, respectivement, sur 64 époques.
Des pertes moyennes de 0,3 et 0,4 et des pertes finales de 0,3 et 0,2 ont été observées respectivement lors de la formation et de la validation. Les valeurs de précision de validation et de rappel étaient de 1,0 et 0,9, donnant des scores F1 de 0,97. La spécificité du modèle dans l’ensemble de données de validation était de 1,0, avec une valeur d’aire sous la courbe caractéristique de fonctionnement du récepteur (AUROC) de 0,998.
Lors de la catégorisation de l’ensemble de tests, l’architecture finale du modèle a obtenu une précision de 93 % avec une perte de 0,20 point. La valeur AUROC pour les tests sur modèle était de 0,96 avec une spécificité de 0,98 ; de plus, le rappel était de 0,8 avec une précision de 0,96 points.
Les chercheurs ont entraîné le modèle pendant 17 minutes, au cours desquelles les mesures de précision ont constamment augmenté tandis que les pertes associées ont diminué. Les résultats indiquent que la précision du modèle dans la catégorisation des exemples d’ensembles de données d’entraînement et de tests s’est améliorée avec le temps.
La précision de l’ensemble de données de validation a culminé à l’époque 42, tandis que la précision de la formation a culminé à l’époque 56, indiquant que le modèle continue d’apprendre et de s’affiner à chaque époque.
Il est intéressant de noter que, avec les paupières entrouvertes, le modèle a démontré de solides compétences de diagnostic, indiquant sa capacité à identifier et catégoriser efficacement les aspects essentiels malgré les différences potentielles dans la présentation des données d’entrée.
La précision du modèle dans l’ensemble de données de formation est restée quelque peu inférieure à la précision de l’ensemble de données de validation pendant la plupart des époques, démontrant que le modèle CNN s’est généralisé efficacement aux données inconnues. Une exception a été notée à l’époque 39, lorsque la précision de l’ensemble de données d’entraînement a atteint 83 %.
Conclusions
Dans l’ensemble, les résultats de l’étude révèlent une utilisation unique de l’intelligence artificielle (CNN) pour un diagnostic rapide et précis de la lagophtalmie.
La stratégie basée sur CNN combine des tactiques anti-surapprentissage, des délais de formation rapides et des niveaux de précision élevés avec le potentiel d’améliorer l’efficacité médicale et les soins aux patients. La précision de l’ensemble de données de validation (98 %) a surpassé la précision de l’ensemble de données de formation (91 %).
La profondeur modeste de trois couches CNN a contribué à la généralisabilité du modèle. Dans la majorité des cas, le modèle a prédit correctement, mais certains résultats étaient erronés, ce qui indique que des améliorations supplémentaires sont nécessaires.
Au cours de 64 époques, le lien entre l’exactitude de l’ensemble de données de formation et l’exactitude de l’ensemble de données de validation a été noté, la précision de l’entraînement atteignant 87 % et l’exactitude de l’ensemble de données de validation atteignant 87 %. Le modèle a obtenu des résultats légèrement moins bons, avec une valeur de perte plus élevée de 0,2 dans l’ensemble de données de test.
