- La rétinopathie du prématuré est une affection oculaire qui affecte les bébés prématurés et peut entraîner une déficience visuelle ou la cécité à moins qu’elle ne soit détectée et traitée au cours des premiers stades de la maladie.
- Le dépistage régulier des bébés prématurés peut aider à prévenir ces effets indésirables, mais il y a une pénurie d’ophtalmologistes pédiatriques, en particulier dans les pays à revenu faible et intermédiaire.
- Une étude récente a montré qu’un modèle d’intelligence artificielle (IA) pouvait analyser des images de la rétine et diagnostiquer avec précision la rétinopathie du prématuré chez les bébés prématurés.
- Le modèle d’IA utilisé dans l’étude ne nécessitait pas d’expérience en codage et pouvait potentiellement être déployé dans des environnements à ressources limitées.
Grave
Bien que les programmes de dépistage puissent aider à prévenir la progression de la rétinopathie du prématuré, on s’inquiète de la rareté des ophtalmologistes pédiatriques pour effectuer ces dépistages, en particulier dans les milieux à ressources limitées.
Des études ont
UN
Les chercheurs ont déclaré que ce modèle d’IA pouvait diagnostiquer une rétinopathie sévère du prématuré à l’aide d’images obtenues avec un appareil autre que celui utilisé pour développer le modèle, mais avec une précision réduite.
Bien qu’une validation supplémentaire soit nécessaire, les chercheurs ont déclaré que leurs résultats indiquent que les modèles d’IA sans code peuvent avoir le potentiel de diagnostiquer avec précision la rétinopathie du prématuré dans des contextes à ressources limitées.
« Jusqu’à 30 % des nouveau-nés en Afrique subsaharienne souffrent d’un certain degré de rétinopathie du prématuré et, bien que des traitements soient désormais facilement disponibles, ils peuvent provoquer la cécité s’ils ne sont pas détectés et traités rapidement », a déclaré Dr Konstantinos Balaskas, auteur de l’étude et professeur associé à l’University College London. « Cela est souvent dû à un manque de spécialistes des soins oculaires, mais, étant donné qu’il est détectable et traitable, aucun enfant ne devrait devenir aveugle à cause de la rétinopathie du prématuré. »
« Comme cela devient plus courant, de nombreuses régions n’ont pas suffisamment d’ophtalmologistes formés pour dépister tous les enfants à risque », a déclaré Balaskas. Nouvelles médicales aujourd’hui. « Nous espérons que notre technique d’automatisation du diagnostic de la rétinopathie du prématuré améliorera l’accès aux soins dans les zones mal desservies et préviendra la cécité chez des milliers de nouveau-nés dans le monde.
La rétinopathie du prématuré est une maladie oculaire qui affecte rétinequi forme la couche interne de l’œil et est responsable de la conversion de la lumière en influx nerveux.
La rétinopathie du prématuré est généralement observée chez les nourrissons nés avant 31 semaines de grossesse ou avec un poids corporel inférieur à 3 livres.
Cette affection oculaire est causée par la croissance anormale de vaisseaux sanguins dans la rétine. Dans la rétinopathie légère du prématuré, les modifications des vaisseaux sanguins de la rétine disparaissent d’elles-mêmes. En revanche, la croissance anormale des vaisseaux sanguins dans la rétinopathie sévère du prématuré peut provoquer le décollement de la rétine, entraînant la cécité.
La rétinopathie sévère du prématuré se caractérise par des changements structurels impliquant l’élargissement et la torsion des vaisseaux sanguins de la rétine, appelés ainsi que la maladie. La présence de la maladie plus est considérée comme un marqueur de rétinopathie nécessitant un traitement.
Actuel des lignes directrices recommandent un dépistage périodique des nourrissons prématurés ou de faible poids à la naissance par des ophtalmologistes pédiatriques. Bien qu’il y ait eu des améliorations considérables dans la survie des prématurés grâce aux progrès technologiques et à l’augmentation du dépistage, le manque d’un nombre suffisant d’ophtalmologistes pédiatriques est un obstacle à la durabilité de cet effort.
La pénurie d’ophtalmologistes pédiatriques est encore plus aiguë dans les pays à revenu faible et intermédiaire. Au cours de la dernière décennie, les applications d’intelligence artificielle se sont révélées prometteuses pour résoudre ce problème, mais il existe quelques obstacles à l’utilisation de cette approche innovante du dépistage.
Les ophtalmologistes utilisent des images de la rétine pour visualiser les vaisseaux sanguins et diagnostiquer la maladie. Au cours de la dernière décennie, les applications de l’intelligence artificielle ont été
Plus précisément, ces applications sont basées sur l’apprentissage en profondeur, une forme d’intelligence artificielle qui simule le processus d’apprentissage qui se produit dans le cerveau. Avant d’être déployés pour diagnostiquer des maladies, les modèles d’apprentissage en profondeur sont entraînés à l’aide d’un ensemble de données d’imagerie annotées ou étiquetées par des experts médicaux. Pour la rétinopathie du prématuré, cela impliquerait d’utiliser des images que les ophtalmologistes ont précédemment identifiées comme saines ou avec une maladie plus.
Cependant, il existe plusieurs obstacles au déploiement direct de ces modèles pour le diagnostic de la maladie plus en clinique, en particulier dans les pays à revenu faible et intermédiaire. Par exemple, la plupart de ces modèles d’apprentissage en profondeur ont été optimisés à l’aide de données d’Amérique du Nord et d’Asie.
Ces données devraient sous-représenter les groupes ethniques et ceux issus d’un milieu socio-économique défavorisé. Le développement de la rétinopathie du prématuré est influencé par l’origine ethnique, ce qui suggère que ces modèles ne sont peut-être pas généralisables.
De plus, des groupes de recherche ont formé la plupart de ces modèles d’IA pour la détection de la maladie plus en utilisant des données obtenues avec un appareil d’imagerie spécifique appelé Retcam. Les appareils d’imagerie tels que Retcam ont tendance à être coûteux et d’autres appareils sont souvent utilisés dans les pays à revenu faible et intermédiaire.
Cependant, la précision de ces modèles doit encore être évaluée sur des ensembles de données obtenus à l’aide d’autres appareils d’imagerie. Les algorithmes d’IA montrent souvent une baisse de précision lorsqu’ils sont déployés pour analyser les données d’imagerie obtenues à l’aide d’un appareil différent de celui utilisé pour le développement de modèles, soulignant la nécessité de valider ces modèles sur des ensembles de données externes avant le déploiement dans le monde réel.
Le déploiement de ces modèles d’IA est également limité par le besoin de matériel informatique coûteux et l’expertise des data scientists. Ces ressources peuvent ne pas être accessibles aux cliniciens individuels et même aux groupes de recherche, en particulier dans les pays à revenu faible et intermédiaire.
Ces obstacles associés aux modèles d’apprentissage en profondeur personnalisés peuvent être contournés par l’utilisation d’applications d’apprentissage en profondeur sans code qui ne nécessitent pas d’expertise en codage et disposent d’une interface facile à utiliser. De plus, les programmes d’apprentissage en profondeur sans code sont souvent basés sur le cloud, ce qui élimine le besoin de matériel coûteux. Ces plates-formes d’apprentissage en profondeur sans code nécessitent toujours un ensemble de données annotées, mais peuvent être utilisées par un clinicien sans expérience de codage.
Dans la présente étude, les chercheurs ont comparé les performances d’un modèle d’apprentissage en profondeur sur mesure et sans code avec des cliniciens expérimentés dans le diagnostic et la maladie sur la base de l’analyse des données d’imagerie de différents pays obtenues à l’aide de Retcam.
De plus, ils ont examiné la capacité de ces modèles développés à l’aide de Retcam à identifier avec précision plus la maladie à l’aide d’images obtenues avec un appareil différent.
Les chercheurs ont d’abord développé un modèle d’apprentissage en profondeur sur mesure et sans code à l’aide d’images Retcam obtenues de nouveau-nés issus de milieux ethniques et socio-économiques divers dans un hôpital du Royaume-Uni. Plus précisément, les modèles d’apprentissage en profondeur sur mesure et sans code ont d’abord été formés sur un sous-ensemble d’images de ces nouveau-nés, puis leur précision a été évaluée sur les images restantes de cet ensemble de données.
Les modèles d’apprentissage en profondeur sur mesure et sans code ont montré une précision similaire à celle des ophtalmologistes seniors dans la détection des nourrissons sans ou avec plus de maladie ou maladie pré-plus. La maladie pré-plus décrit des anomalies des vaisseaux sanguins similaires à celles observées dans la maladie plus mais qui ne sont pas suffisamment graves pour être diagnostiquées comme une maladie plus. La détection de la maladie pré-plus peut aider à initier un traitement précoce de la rétinopathie du prématuré.
Les deux modèles ont également montré une précision de diagnostic élevée similaire lors de l’analyse des ensembles de données d’images Retcam des États-Unis et de deux pays à revenu faible et intermédiaire – le Brésil et l’Égypte. Cependant, le modèle d’apprentissage en profondeur sans code a montré une précision moindre dans la détection des cas de maladie pré-plus que le modèle sur mesure.
Les chercheurs ont également évalué les performances des modèles à l’aide d’un ensemble de données distinct d’Égypte obtenu avec un appareil d’imagerie différent appelé 3nethra. Les deux modèles ont montré une baisse de la précision du diagnostic lors de l’analyse de cet ensemble de données obtenu à l’aide de 3nethra par rapport aux ensembles de données d’entraînement ou de validation.
Ces résultats mettent en évidence le potentiel du modèle d’apprentissage en profondeur sans code pour le diagnostic de la maladie plus dans les pays à revenu faible et intermédiaire où la rareté des ophtalmologistes pédiatriques et les ressources limitées peuvent entraver le dépistage régulier des prématurés.
« Il s’agit d’une étude intelligente qui montre une application potentiellement très utile de l’intelligence artificielle. Les auteurs ont montré que leur programme d’IA fonctionnait aussi bien que les ophtalmologistes expérimentés pour identifier une des principales causes de cécité chez les enfants en examinant des images rétiniennes », a déclaré Dr Deepak BhattMPH, le directeur de Mount Sinai Heart à New York.
« L’apprentissage automatique et l’IA sont passés de la science-fiction à une éventuelle utilité dans la pratique clinique », a déclaré Bhatt. Nouvelles médicales aujourd’hui. « Cette étude en est un bel exemple. D’autres études comme celle-ci sont nécessaires dans diverses populations.
