Name

Résultats préliminaires de calcul d'implant intraoculaire par apprentissage profond (deep learning)

L'apprentissage profond (deep learning) est une technologie d'apprentissage automatique utilisant des réseaux neuronaux multi-couches entraînés sur de grands volumes de données. Cette technologie suscite un intérêt majeur en raison des très bon résultats obtenus dans des tâches de classification et de régression. Notre travail consistait à déterminer l'intérêt potentiel de l'apprentissage profond dans le calcul des implants intraoculaires en chirurgie de cataracte.

Les données pré et post-opératoires de 2500 yeux de 1432 patients ont été utilisées pour entraîner un réseau neuronal multi-couche à la prédiction du calcul de l'implant "idéal" pour l'oeil concerné. Le langage Python (bibliothèques Numpy, Scipy, Keras, Matplotlib) a été utilisé. Deux sets de données différents (set d'entraînement et set de test) ont été construits afin d'éviter l'écueil du surapprentissage.

Le calcul de l'implant intra-oculaire effectué par le réseau neuronal différait, en moyenne, de 0.19 dioptries de l'implant idéal (EC +/- 23 D). 6.1 % des calculs différaient de plus d'une dioptrie de l'implant idéal, en raison de caractéristiques préopératoires particulières (kératométries ou longueurs axiales extrêmes).

La précision du réseau neuronal n'était pas significativement supérieure à l'utilisation correcte des formules de calcul habituelles. Le volume de données utilisé était trop faible pour permettre une bonne précision de calcul pour les yeux atypiques.

Les technologies d'apprentissage profond sont prometteuses et porteuses d'améliorations majeures dans de multiples domaines de la médecine où les volumes de données sont abondants. Ce travail doit être poursuivi avec plus de données afin de déterminer si un réseau neuronal peut augmenter la précision de calcul d'implant à un point permettant d'éliminer la majorité des erreurs de calcul, y compris pour les yeux atypiques.