Name

212 - Analyse rétinophotographique automatisée par réseau de neurones à convolution appliqué à la rétinopathie et maculopathie diabétique : diagnostic et décision thérapeutique

Les réseaux de neurones à convolution (CNN) suscitent un fort intérêt pour le dépistage automatisée de la rétinopathie diabétique (RD) sur rétinophotographies. Cependant, ils souffrent d’une limitation majeure : une interprétation pour chaque image est nécessaire pour entrainer un CNN, alors qu’une conclusion globale est classiquement donnée pour un ensemble de clichés, l’interprétation étant réalisée pour chaque œil voire parfois pour les deux à la fois. L’objectif de notre algorithme est d’entrainer un CNN à partir de clichés multiples à interprétation unique (CNN multi-image). Deux nouvelles problématiques sont explorées : la détection d’un œdème maculaire diabétique (OMD) et la décision de référer à un praticien. Les patients sont référés si l’image est de qualité insuffisante ou si une pathologie rétinienne est détectée ou suspectée.

Une nouvelle stratégie d’apprentissage par transfert est proposée. Un CNN est initialement entrainé à détecter une RD sur des images uniques, à partir de la base de donnée de RD de Kaggle. Ce CNN est ensuite modifié pour réaliser une analyse de clichés multiples à interprétation unique (habituellement quatre images) : toutes ces images sont analysées en parallèle et les prédictions qui y sont associées sont combinés. Enfin, le CNN entrainé est affiné en le soumettant à l’analyse de la base de données parisienne OPHDIAT, contenant 25702 patients, pour les deux problématiques sus-cités.

Avec ce CNN multi-image, la présence d’OMD a été détecté avec une aire sous la courbe (AUC) de A = 0,923 avant affinage et A = 0,978 après affinage. Concernant la décision de référer : A = 0,740 avant affinage, résultat très faible, démontrant que cette décision ne dépend pas uniquement du stade de RD. Cependant, après affinage, A = 0,925, démontrant ainsi la capacité de notre détecteur à rivaliser avec un lecteur humain.

Nous présentons un CNN multi-image entrainable sur toutes les bases de données de RD disponibles, contrairement aux CNN concurrents. L’efficacité des CNN à détecter la RD est suffisamment démontrée dans la littérature, mais nous montrons que l’OMD peut aussi être détecté de façon fiable.

Cependant, détecter la RD ou l’OMD ne suffit pas : il n’est pas envisageable qu’un système automatisé puisse omettre de référer en cas de besoin. Ce système, développé par RetinOpTIC et commercialisé par MESSIDOR, prend en compte cette limite et augmente ainsi la fiabilité du dépistage automatisé.