Détecter la rétinopathie diabétique grâce à l’intelligence artificielle

Stéphanie Lavaud

Auteurs et déclarations

15 décembre 2016

Sensibilité et spécificité élevées

Dans l’étude de Varun Gulshan, chercheur (Google Inc) et de ses collègues, le « deep learning » (ou apprentissage profond) a servi à « former » un algorithme pour le rendre capable de détecter une rétinopathie diabétique.

La technique a ensuite été évaluée sur deux grandes séries d’images cliniques : EyesPCSA (banque de données américaines des centres de dépistage) et Messidor-2 (série française). Toutes les images, que ce soit pour la phase de développement ou de validation, ont été gradées par des ophtalmologistes pour la présence de rétinopathie diabétique, d’œdème maculaire et de qualité des images. 54 ophtalmologistes ou internes en ophtalmologie en dernière année d’internat pour la phase de développement, 8 pour EyesPCSA et 7 pour Messidor-2, choisis parmi les plus qualifiés et les plus cohérents dans leur gradation des images rétiniennes.

Pour la phase développement, 118 419 images ont été considérées comme étant de qualité suffisante pour être évaluées, dont 33 246 (28,1%) présentaient une rétinopathie diabétique, définie comme modérée et pire (moderate or worse) ou un œdème maculaire, et ce, à la décision de la majorité du panel de 7 ophtalmologistes experts.

L’algorithme a ensuite été testé sur les deux séries de données : 128 175 images provenant de 4997 patients de EyePACS et 9963 images issues des 874 patients français de Messidor-2. Une prévalence de la rétinopathie diabétique était de 7,8% et 14,6% dans chacune des séries, respectivement.

En utilisant un seuil restrictif (proche de celui des ophtalmologistes), la sensibilité et la spécificité de détection de la rétinopathie diabétique de l’algorithme a été de 90,3% et 98,1%, respectivement, pour la série EyePACS-1, et de 87,0% et 98,5%, respectivement, pour la série Messidor-2.

Avec un seuil plus tolérant (plus adapté à un programme de dépistage automatisé), la sensibilité et la spécificité ont été 97,5% et 93,4% pour EyePACS-1 et de 96,1% et 93,9% pour Messidor-2.

« Ces résultats montrent qu’un réseau de neurones artificiels peut tout à fait être entrainé, en utilisant de grandes séries de données et sans avoir besoin de préciser les caractéristiques des lésions, à identifier la rétinopathie diabétique ou l’œdème maculaire diabétique sur les images de fond d’œil rétinien avec une sensibilité et spécificité forte » concluent les chercheurs.

Faire confiance à la machine ?

En dépit des nombreux avantages qu’offre un système informatisé en termes de cohérence de l’interprétation, de récupération immédiate des données et de possibilité de moduler le niveau de spécificité et de sensibilité, le recours à l’intelligence artificielle pose un certain nombre de questions sur son intégration dans le domaine du soin. Questions qui concernent la machine d’une part, l’humain de l’autre.

Par exemple, dans quelle mesure un logiciel peut-il « remplacer » en toute sécurité un œil humain ? s’interrogent les Drs Tien Yin Wong et Neil M Bressler dans leur éditorial [2]. En effet, si le logiciel a été programmé pour détecter la rétinopathie diabétique modérée, comment va-t-il « réagir » face à des lésions plus sévères, les prendre en compte comme le ferait un ophtalmologiste, ou pas ? Risque-t-il de la même façon de passer à côté d’autres types de lésions, glaucome ou DMLA sachant que la plupart des programmes de dépistage prennent aussi en compte ces autres pathologies ophtalmiques.

Autre question : peut-on faire confiance à la machine surtout quand on ne comprend pas exactement comment elle fonctionne ? Quel changement de mentalité cela suppose-t-il de la part des praticiens et des patients ?

« Comme le logiciel utilise les caractéristiques les plus prédictives de rétinopathie diabétique à partir de l’observation de millions d’images plutôt que de détecter explicitement les lésions cliniques auxquelles les praticiens sont habitués, cela implique que médecins et patients doivent faire confiance à une « boîte noire » pour déterminer le stade d’une pathologie. D’autant qu’il n’est pas évident de savoir ce que la machine « voit ». Les éditorialistes se demandent ainsi si la machine est plus susceptible de reconnaitre une rétinopathie diabétique dans une pupille peu dilatée et dotée d’une cataracte plus sévère (des lésions souvent associées à la RD) qu’en s’appuyant sur le critère de sévérité de la RD ? Pour convaincre médecins et patients d’adopter un tel système, il sera nécessaire de comprendre ce que « pense » et ce que « voit » l’ordinateur, commentent les Drs Yin Wong et Neil M Bressler .

Commenter

3090D553-9492-4563-8681-AD288FA52ACE
Les commentaires peuvent être sujets à modération. Veuillez consulter les Conditions d'utilisation du forum.

Traitement....