L’intelligence artificielle (IA) devrait avoir un impact considérable sur la médecine en améliorant notre capacité à diagnostiquer la maladie et à sélectionner les meilleurs traitements pour les patients individuels.
Dans une étude de preuve de concept publiée en mars dans la revue Investigative Ophthalmology & Visual Sciences, nous avons montré comment cette technologie pourrait révolutionner la façon dont les ophtalmologues diagnostiquent l’œdème maculaire diabétique (OMD), une complication du diabète qui provoque un épaississement de la rétine pouvant entraîner une cécité irréversible si elle n’est pas traitée.
De manière tragique, de nombreuses personnes perdent la vue en raison de l’OMD alors qu’elles sont dans la fleur de l’âge, ce qui gêne leur travail et leur autonomie. La prévalence croissante du diabète a une corrélation directe avec les nouveaux cas d’OMD. D’ici 2045, on prévoit que le nombre de personnes atteintes de diabète atteindra 629 millions de personnes dans le monde, et environ 10 % d’entre elles auront une maladie oculaire menaçant la vue.
La meilleure façon de prévenir l’OMD est par le biais d’examens oculaires réguliers, mais on estime que 60 % des personnes atteintes de diabète n’en bénéficient pas. Les examens utilisent une technique appelée photographie couleur du fond de l’œil [colour fundus photography] (CFP), qui prend une image bidimensionnelle de la rétine.
Bien que la CFP apporte des informations précieuses, la référence pour le diagnostic de l’OMD et la détermination de la nécessité d’un traitement est la tomographie par cohérence optique (TCO), qui prend une mesure tridimensionnelle de la macula, la partie centrale de la rétine qui augmente en épaisseur avec la progression de l’OMD. Cependant, la TCO est souvent indisponible dans les programmes de dépistage en raison des limitations financières et techniques. Une épaisseur de 250 microns est considérée comme le seuil de la maladie, alors que 400 microns est le stade auquel de nombreux ophtalmologues recommandent de commencer le traitement.
Notre équipe a décidé d’étudier si nous pouvions utiliser l’apprentissage profond pour enseigner aux ordinateurs comment estimer l’épaisseur maculaire à partir des images de CFP, ce qui rend le diagnostic d’OMD plus facile pour les patients et les ophtalmologues. Actuellement, les images de CFP sont interprétées par des spécialistes qui développent la capacité sur des années à évaluer l’épaisseur de la rétine à partir des caractéristiques qu’ils voient sur sa surface, mais dépendent toujours de la TCO pour confirmation et mesure. Notre équipe souhaitait générer des capacités similaires dans un système automatisé.
Dans l’apprentissage profond, un ordinateur se forme pour détecter les modèles et les relations dans un ensemble de données de formation, en utilisant des centaines de couches d’analyse qui recueillent chacune différentes caractéristiques pertinentes dans une image sans l’intervention d’un utilisateur. Le système applique ensuite ses connaissances à de nouvelles données d’entrée du même type. Dans ce cas, nous avons donné à nos ordinateurs un large ensemble de données de CFP et TCO provenant de participants à deux grands essais cliniques sur l’OMD à des fins de formation.
Le système d’apprentissage profond a examiné un total de 17 997 images de CFP provenant d’environ 700 patients et les a comparées avec les mesures d’épaisseur de TCO correspondantes. Le meilleur modèle que nous avons développé à l’aide de cet ensemble de formation a été capable de prédire une épaisseur maculaire supérieure au seuil de 250 microns avec une précision de 97 %, un niveau de performance impressionnant. L’apprentissage profond pourrait même assurer un travail fiable de prédiction de la mesure de TCO réelle de l’épaisseur maculaire à partir d’une image de CFP si elle était de qualité suffisante.
Ce résultat initial a dépassé nos attentes et nous voulions en savoir plus sur la manière dont cela s’est produit. Lorsque nous nous sommes penchés là-dessus, nous avons été ravis de constater que l’ordinateur se concentrait sur les mêmes parties des images que les spécialistes depuis des années, comme les contours et le calibre des vaisseaux sanguins.
Pour tester ce résultat, nous devons encore valider notre système en le testant sur d’autres ensembles de données. Mais en supposant qu’il fonctionne correctement, cet outil pourrait avoir une valeur considérable pour les ophtalmologues lorsqu’ils traitent des patients atteints de diabète et d’OMD. Une fois que les patients atteints d’OMD commencent le traitement, par exemple, beaucoup d’entre eux doivent être examinés toutes les quatre semaines pour effectuer un examen de TCO afin de s’assurer que leur affection ne progresse pas. L’IA pourrait permettre aux personnes d’utiliser une caméra de téléphone cellulaire pour contrôler leur tissu rétinien en temps réel, ce qui permet aux médecins de suivre beaucoup plus facilement les besoins et la réponse de leurs patients au traitement. Nous pourrions même imaginer une application pour évaluer si le traitement fonctionne. Une telle innovation serait non seulement plus pratique pour les patients, mais elle en ferait également des participants beaucoup plus actifs leurs propres soins. Pour les ophtalmologues, la capacité d’estimer l’épaisseur maculaire par CFP faciliterait l’identification des cas les plus urgents et leur traitement rapide et approprié.
Une leçon importante de cette expérience a été la valeur d’avoir un large ensemble de données d’essais cliniques sur lequel former notre système. L’apprentissage automatique, qui englobe l’apprentissage profond ainsi que d’autres techniques que les ordinateurs utilisent pour développer des bases de connaissances pour l’analyse des données, dépend de données d’entraînement solides, de haute qualité et représentatives pour réussir. C’est un atout qu’une organisation comme la nôtre possède en abondance, sous forme de mesures de laboratoire, de données d’essais cliniques et d’informations de vie réelle.
Et l’utilisation de ces données pour étayer le diagnostic n’est que le début : il peut y avoir des indices dans les images de CFP pour aider l’IA à personnaliser la prise en charge de l’OMD en prédisant quelles personnes progresseront le plus rapidement ou qui répondra bien au traitement. D’autres sources de données associées aux essais pourraient également être exploitées, y compris les antécédents médicaux, la génomique et d’autres informations. En fin de compte, nous espérons que cette approche axée sur les données produira une bien meilleure compréhension de l’OMD, des améliorations diagnostiques permettant d’offrir plus rapidement les traitements nécessaires, et finalement une vue préservée pour les personnes atteintes de diabète.
Il s’agit du premier manuscrit publié dans le cadre de l’initiative Ophthalmology Personalized Healthcare de Roche/Genentech, qui vise à combiner des données significatives à grande échelle et la technologie IA pour prédire et prévenir les affections oculaires et préserver la vue. L’étude vient s’ajouter à la littérature croissante sur l’utilisation de l’IA en ophtalmologie. Elle met également en lumière la façon dont Roche/Genentech peut utiliser sa vaste base de données d’essais cliniques pour développer des algorithmes d’IA afin de prédire la présence d’une maladie, le risque de progression de la maladie et la réponse au traitement ; tous ces algorithmes pourraient être fournis aux ophtalmologistes pour fournir des soins de santé personnalisés de meilleure qualité.