Un système d’apprentissage profond d’intelligence artificielle pour assurer le diagnostic de la rétinopathie diabétique

Un système d’apprentissage profond est une machine d’intelligence artificielle capable d’apprendre de chaque image qu’elle reçoit et progressivement d’améliorer ses performances. Le dépistage de la rétinopathie diabétique et des pathologies ophtalmologiques en rapport avec le diabète est un bon exemple de ce que peut apporter cette technologie à la médecine.

Afin d’évaluer la performance d’un système d’apprentissage profond dans la détection d’une rétinopathie diabétique justifiant un avis spécialisé ou bien dans celle d’une rétinopathie diabétique mettant en jeu le pronostic visuel ou encore d’un possible glaucome ou d’une dégénération maculaire liée à l’âge, une étude a été mise en place à partir de l’évaluation de 494 661 images rétiniennes. Le système d’apprentissage profond s’est "entraîné" pour détecter la rétinopathie diabétique (à partir de 76 370 images), pour suspecter un glaucome possible (à partir de 125 189 images), pour détecter la DMLA (72 610 images). Puis les performances de ce système d’apprentissage profond ont été évaluées pour la détection de la rétinopathie diabétique (sur la base de 112 648 images), d’un possible glaucome (71 886 images) et de la DMLA (à partir de 35 948 images). C’est la base de données du programme de rétinopathie diabétique national de Singapour qui a servi de base de validation principale pour l’apprentissage profond du système et 10 cohortes diabétiques, multi-ethniques ont aussi été utilisées. Dans la base de données de validation principale (portant sur 14 880 patients, 71 896 images, d’âge moyen 60 ± 2.2 ans dont 54.6 % étaient des hommes), la prévalence d’une rétinopathie diabétique justifiant une consultation était de 3 %, celle d’une rétinopathie diabétique mettant en jeu la vision était de 0.6 %, celle d’un possible glaucome de 0.1 % et celle d’une DMLA de 2.5 %. L’aire sous la courbe du système d’apprentissage profond pour la rétinopathie diabétique justifiant une consultation était de 0.936 (IC 95 % = 0.925-0.943), la sensibilité en comparaison de professionnels (ophtalmologistes et spécialistes de la rétine ou ophtalmologistes généraux ou professionnels habitués à grader ou optométristes) était de 90.5 % (87.3-93 %) et la spécificité de 91.6 % (91-92.2 %). Pour la rétinopathie diabétique mettant la vision en jeu, l’aire sous la courbe était de 0.958 (0.956-0.961), la sensibilité était de 100 % (94.1 %-100 %) et la spécificité de 91.1 % (90.7-91.4 %). Pour un possible glaucome, l’aire sous la courbe était de 0.942 (0.929-0.954), la sensibilité de 96.4 % (81.7-99.9 %) et la spécificité de 87.2 % (86.8-87.5 %). Pour la DMLA, l’aire sous la courbe était de 0.931 (0.928-0.935), la sensibilité de 93.2 % (91.1-99.8 %) et la spécificité de 88.7 % (88.3-89 %).  Pour la rétinopathie diabétique justifiant une consultation dans les 10 bases de données complémentaires, l’aire sous la courbe allait de 0.889 à 0.983 (n = 40 752 images). En conclusion, cette évaluation des images rétiniennes à partir de cohortes multi-ethniques de patients diabétiques par un système d’apprentissage profond a une sensibilité et une spécificité élevées pour identifier la rétinopathie diabétique et les pathologies ophtalmologiques liées au diabète. Reste maintenant à évaluer l’applicabilité de ces systèmes d’apprentissage profond dans les contextes de soins et l’utilité de ce système pour améliorer la prise en charge des complications oculaires du diabète.