Name

Dépistage du glaucome par intelligence artificielle et analyse multimodale : apport de la rétinophotographie grand champ

Le glaucome est une neuropathie optique chronique progressive irréversible à l’origine de 15% des cécités dans le monde. L’intelligence artificielle offre la possibilité d’accroitre les capacités de dépistage au travers de rétinophotographies couleurs (RPC). Plusieurs algorithmes existent grâce à des RPC 45° classiques. L’objectif de notre étude est d’améliorer les performances de dépistage du glaucome grâce au deep-learning (DL) en utilisant des RPC grand champ. Nous avons par ailleurs évalué le bénéfice de l’ajout de données complémentaires (pression intraoculaire, tomographie par cohérence optique et champ visuel).

En partenariat avec le LaTIM (Laboratoire de Traitement de l’Information Médicale - UMR1101) nous avons développé un algorithme d’intelligence artificielle au travers d’un réseau de neurones à convolution (convolutional neural network – CNN) capable de classer chaque RPC comme étant suspecte de glaucome ou non. Nous avons entrainé et validé notre algorithme sur des RPC 45° issues de la base OPHDIAT (France). Nous avons ensuite testé notre algorithme sur 803 RPC grand champ réalisées avec le Clarus (Zeiss) entre décembre 2020 et juillet 2022 au CHRU de Brest (France). Nous avons également testé notre algorithme sur 1 200 RPC 45° issues de la base REFUGE (Chine) et 101 172 RPC 45° de la base AIROGS (Hollande). Les données complémentaires de la base CHRU Brest pour l’analyse secondaire ont été recueillies rétrospectivement dans les dossiers médicaux des patients. Les résultats sont exprimés en aire sous la courbe ROC.

L’AUC pour les RPC grand champ du CHRU Brest est de 0,522 contre 0,936 pour REFUGE et 0,917 pour AIROGS. L’ajout des données complémentaires aux RPC grand champ du CHRU Brest améliore les performances de dépistage avec une AUC de 0,789.

Nos résultats peuvent s'expliquer en partie par la taille de notre base d'image qui était assez faible comparée à celle de REFUGE et AIROGS. Or on sait que les performances d'un algorithme sont proportionnelles aux nombres d'images analysées. Par ailleurs, nous avons inclus diverses pathologies rétiniennes comme la myopie forte. Cependant, dans certaines séries, elle est responsable jusqu'à 42% des faux-négatifs. De plus, près de la moitié des glaucomes de notre base d'images était à un stade débutant où les modifications structurelles sont plus difficiles à identifier par l'algorithme contrairement aux stades plus sévères. Par ailleurs, la labellisation dans notre dataset était réalisée par un seul investigateur entrainé grâce aux RPC et aux données complémentaires issues du dossier médical du patient, sans relecture. Or, il est admis que qu'une labellisation par plusieurs spécialistes, en aveugle du diagnosic initial augmente sensiblement les performances de l'algorithme. Enfin, l'ajout des données complémentaires améliore les capacités de dépistage en offrant davantage de données à exploiter par l'algorithme.

Notre algorithme de DL n’a pas permis de démontrer le bénéfice apporté par le grand champ par rapport aux 45° classiques pour la détection automatisée du glaucome sur des rétinophotographies couleurs. Cependant l’ajout de données complémentaires cliniques et paracliniques améliore sensiblement les performances de dépistage comparé aux rétinophotographies seules.