Name

Modèle de Deep Learning pour la détection et l’orientation clinique de la rétinopathie de la prématurité à l’aide de l’imagerie du pôle postérieur et du fond d’œil périphérique : résultats préliminaires

Évaluer la faisabilité et la précision d’un modèle de Deep learning visant à la détection de la rétinopathie de la prématurité sur les images de la rétine périphérique et des pôles postérieurs obtenues à l’aide d’un appareil d’imagerie largement utilisé en pratique clinique

Etude rétrospective de patients prématurés suivi au sein du réseau de dépistage de l'hôpital Sud Francilien entre 2021 et 2022. Nous avons collecté les séquences de fonds d’yeux RetCam obtenues pour 239 visites, de 139 yeux de 77 enfants nés prématurés. Pour chaque visite d’un œil, un expert ophtalmologue a sélectionné une image du pole postérieur et une image pour chaque quadrant (supérieur, nasal, temporal et inferieur) pour formuler le diagnostic et annoter la présence de ROP. Tous les fonds d’yeux sont prétraités pour faciliter la convergence de l’entraînement : amélioration du contraste par CLAHE, extraction du canal vert et débruitage par filtre Wiener. Chacun des 5 fonds d’yeux d’une visite passe par un modèle ResNet-18 pour construire un vecteur de caractéristiques et les 5 vecteurs obtenus sont compressés et fusionnées via une couche entièrement connectée avec dropout. De la totalité des cas annotés, nous avons sélectionné de manière aléatoire 80% des visites pour l’entraînement (188), 10% pour la validation (22) et 10% pour le test (29), en s’assurant qu’aucun patient ne soit présent dans deux sets. Pour l’entraînement du modèle, nous avons utilisé le modèle ResNet-18 pré-entrainé sur ImageNet, la fonction de coût CrossEntropy et l’optimiseur Adam. Lors de l’entraînement, le modèle avec la plus faible valeur de coût sur la validation a été retenu comme meilleur.

Nous observons la capacité de déterminer la présence d’une ROP à partir d’un groupe de 5 fonds d’yeux d’une même visite et d’un même oeil. Le meilleur modèle obtenu présente une aire sous la courbe ROC de 0.83, une exactitude de 0.83, une sensibilité de 0.83 et une spécificité de 0.82. Le nombre de faux positifs est de 2/29 et de faux négatifs 3/29.

Selon les premiers résultats, le modèle proposé est capable de déterminer la présence d’une rétinopathie du prématuré avec une précision d’environ 80%

Des premiers résultats encourageants soulignent la possibilité d’identifier les prématurés avec une ROP et soutiennent la nécessité de poursuivre la collecte et l’annotation de visites supplémentaires.