La gradation de la hyalite est un acte clinique difficile et subjectif, rendant complexe sa standardisation. L'objectif était d'évaluer les performances d’un algorithme de deep learning pour grader de manière automatisée la hyalite en imagerie ultra grand champ (UGC).
Name
Gradation automatisée de la hyalite par le « deep learning » en imagerie ultra grand champ
Name
Gradation automatisée de la hyalite par le « deep learning » en imagerie ultra grand champ
Résumé
Introduction
Matériels et Méthodes
Il s’agit d’une étude transversale non interventionnelle. Les imageries rétiniennes ultra grand champ (Optos®, Dunfermline, Ecosse, Royaume Uni) de patients suivis pour une uvéite intermédiaire ou postérieure ou pan uvéite ont étés analysées. Le flou vitréen a été évalué en aveugle par 2 ophtalmologistes experts en uvéite et classé selon l’échelle modifiée de Nussenblatt. Les images inclues ont été classées de manière automatisée à l'aide d’un réseau neuronal convolutif dérivé du modèle Inception V3 de Google (Mountain View, Californie, États-Unis). Les images ont été introduites dans le modèle comme suit : entrainement (70 %), validation (15 %) et test (15 %). La performance du modèle a été évaluée sur les images test.
Résultats
Un total de 1181 images provenant de 443 patients a été inclus. Il y avait 55 % de femmes (N=273) et l'âge moyen était de 51.9 ans (range: 9-92, écart-type : 18). Soixante pourcent (N=708) des patients étaient d’origine Caucasienne. Il y avait 21% (N=248) de Nord Africains, 13% (N=154) d’Africains Subsahariens et 6% (N=71) d’Asiatiques. Les principales étiologies des uvéites étaient : idiopathique 45% (N=532), sarcoïdose 13% (N=154), rétinite virale 9% (N=106), toxocarose et toxoplasmose 7% chacune (N=83), sclérose en plaques 3% (N=35), tuberculose 3% (N=35), fongique 3% (N=35), et rétinochoroïdopathie de birdshot 3% (N=35). 7% (N=83) des images provenaient de patients sains sélectionnés au hasard.
La performance du modèle pour la détection de la hyalite était bonne avec une sensibilité de 96 % (IC 95 % : 0.89-0.98) et une spécificité de 87 % (IC 95 % : 0.78-0.89). L'aire sous la courbe ROC était de 0.92 (IC 95 % : 0.78-0.99). Pour la classification en 6 classes, la précision globale du modèle était de 64 %, augmentant à 85 % en acceptant une marge d'erreur maximale d'une classe (IC 95 % : 0.76-0.94).
Discussion
Nous décrivons un nouveau modèle d'apprentissage profond basé sur l'imagerie du fond d'œil UGC qui produit un outil automatisé pour l’évaluation du haze vitréen avec de bonnes performances.
Conclusion
Ce modèle pourrait contribuer à la mise en œuvre de la télémédecine et l'évaluation automatisée de la hyalite dans les essais cliniques en limitant les biais de reproductibilité entre les observateurs.