Name

Utilisation d’algortithmes d’intelligence artificielle pour détecter les formes frustes de kératocône (FFKC) avec l’OCT-topographe CASIA 2

L’objectif de notre étude était d’identifier des paramètres discriminants pour différencier un œil sain d’une FFKC en OCT-topographie CASIA 2 (TOMEY, Japon) à l’aide d’algorithmes d’intelligence artificielle « machine learning » pour prévenir le risque d’Ectasie Post-Laser (EPL) après chirurgie réfractive.

Il s’agit d’une étude rétrospective cas/contrôle, monocentrique, réalisée dans le Centre de Référence National du Kératocône (CRNK) au CHU de Bordeaux.  Trois groupes ont été inclus : Groupe KC avéré (n=108), Groupe FFKC (topographie proche de la normale et KC avéré controlatéral) (n=83), Groupe sain (patients issus du screening de chirurgie réfractive ayant été opérés sans évolution anormale post opératoire) (n= 123).

Les données ont été analysées et traitées avec la plateforme de Data Science Dataiku. Nous avons utilisé des modèles de machine learning dans le but de construire un classifieur multiclasse qui automatisera la détection des FFKC.Les modèles sont entraînés sur une base de données d'apprentissage et sont testés sur une base de test pour évaluer leur performance. Afin d'évaluer et de comparer les performances des différents modèles, nous avons choisi l'Area Under the Curve (AUC) qui est l'aire sous la courbe ROC.

Le modèle n'a pas de difficulté à identifier les kératocônes, cependant, il lui est plus difficile de faire la différence entre les yeux normaux et FFKC.

Les modèles les plus performants étaient le Random Forest, la régression logistique et le SVM (Support Vector Machine) avec un AUC de 0,97 pour le random forest et le SVM et de 0,98 pour la regression logistique.

Les paramètres les plus discriminants entre oeil sain et FFKC étaient l’aberration comatique antérieure et postérieure dans les 6 mm, la valeur du point le plus élevé de la face postérieure en BFS et la valeur du point le plus cambré en postérieur en carte axiale.

La majorité des FFKC sont mal classés par l’algorithme du CASIA 2 (76% de faux négatifs) et donc considéré comme des yeux normaux. Cette étude a permis d’identifier les paramètres toporapgiques discriminants à considérer en cas de chirurgie réfractive sur l’OCT CASIA 2 (Tomey,Japon) et d’élaborer un algorithme diagnostic.

Cette étude a permis d’identifier sur le CASIA 2 (Tomey,Japon), les paramètres topographiques discriminants à considérer en screening de chirurgie réfractive.  Nous avons établi un algorithme qui classe les yeux normaux versus les FFKC avec une validité de 97%.