La sévérité de l’œdème papillaire de stase est un facteur pronostique important chez les patients présentant une hypertension intracranienne. Le but de cette étude était d’évaluer la performance d’un algorithme d’intelligence artificielle utilisant la technique du Deep Learning pour classifier la sévérité de l’oedème papillaire de stase sur des rétinophotographies mydriatiques.
Name
Classification de la Sévérité de l’Oedème Papillaire de Stase sur Rétinophotographies par Deep Learning
Introduction
Patients et Methodes
Nous avons entrainé un algorithme de Deep Learning à classifier automatiquement la sévérité de l'oedème papillaire de stase chez 965 patients avec hypertension intracranienne prouvée, faisant partie d’une cohorte multicentrique internationale (BONSAI- Brain and Optic Nerve Study with Artificial Intelligence). L’algorithme de Deep Learning a été entrainé avec 1052 rétinophotographies d’oedème papillaire minime à modéré (grades 1-3 Frisén, pas d’obscuration des vaisseaux sur la papille), et 1051 rétinophotographies d’oedème papillaire sévère (grades 4-5 Frisén, obscuration d’un ou plusieurs vaisseaux sur la papille), préalablement classifiées par un panel d’experts. La performance du Deep Learning et de 3 neuro-ophtalmologues a ensuite été évaluée sur 111 patients (214 rétinophotographies, 92 avec oedème papillaire minime à modéré, 122 avec oedème papillaire sévère), en mesurant l’aire sous la courbe ROC (AUC), la précision, sensibilité, et spécificité. Les coefficients Kappa entre d’une part le Deep Learning et chacun des 3 neuro-ophtalmologues, et d’autre part les 3 neuro-ophtalmologues, ont été calculés.
Résultats
L'algorithme du Deep Learning était capable de différencier un oedème papillaire minime à modéré d’un oedème papillaire sévère avec une aire sous la courbe ROC de 0,93 (95% CI : 0,89-0,96), une précision, sensibilité et spécificité de 87,9%, 91,8% et 86,2%, respectivement. Cette performance était comparable à celle du groupe de 3 neuro-ophtalmologues (précision 84,1%, sensibilité 91,8%, spécificité 73,9%, P=0,19, P=1, P=0,09, respectivement). Le coefficient Kappa entre le Deep Learning et les 3 neuro-ophtalmologues était de 0,62 (CI 95% 0,57-0,68), et entre les 3 neuro-ophtalmologues de 0,54 (CI 95% 0,47-0,62).
Discussion
Les patients avec oedème papillaire de stase sévère sont à risque de perte visuelle secondaire par atrophie optique. La reconnaissance automatique d’un oedème papillaire de stase sévère par un algorithme de Deep Learning pourrait aider les neurologues, neurochirurgiens et urgentistes à dépister précocément ces patients et adapter leur prise en charge thérapeutique.
Conclusion
Notre algorithme de Deep Learning était capable de classifier la sévérité de l’oedème papillaire de stase de patients avec hypertension intracranienne sur des rétinophotographies mydriatiques, avec une performance comparable à celle de 3 neuro-ophtalmologues.