Name

Classification de l'atrophie rétinienne basée sur l'apprentissage profond à l'aide de l'imagerie par autofluorescence du fond d'œil

Classer automatiquement l'atrophie rétinienne selon son étiologie, en utilisant des images d'autofluorescence du fond d'œil (FAF), à partir d’un modèle d'apprentissage en profondeur.

Dans cette étude, des images FAF de patients atteints de dégénérescence maculaire liée à l'âge (DMLA) sèche avancée, également appelée atrophie géographique (AG), et de maladies rétiniennes héréditaires (IRD) génétiquement confirmées aux stades atrophiques tardifs de la maladie de Stargardt (STGD1) et de pattern dystrophie pseudo-Stargardt (PSPD) ont été inclus. Les images FAF ont été utilisées pour former un réseau neuronal  convolutionnel multicouche (CNN) pour différencier sur FAF entre l'atrophie dans le contexte de la DMLA (GA) et l'atrophie secondaire aux IRD. Trois cent quatorze images FAF ont été incluses, dont 110 images étaient des yeux GA et 204 étaient des yeux avec STGD1 ou PSPD génétiquement confirmé. Dans la première approche, le CNN a été formé et validé avec 251 images FAF. Des techniques d'augmentation établies ont été utilisées et un optimiseur Adam a été utilisé pour la formation. Pour les tests ultérieurs, les classificateurs ont ensuite été testés avec 63 images FAF non entraînées. La méthode de visualisation était la visualisation de gradient intégré. Dans la deuxième approche, une validation croisée par 10 a été utilisée pour déterminer les performances du modèle.*

Dans la première approche, les meilleures performances du modèle ont été obtenues en utilisant 10 itérations, avec une précision de 0,92 et une aire sous la courbe pour la caractéristique de fonctionnement du récepteur (AUC-ROC) de 0,981. La précision moyenne était de 87,30 +/- 2,96. Dans la seconde approche, une précision moyenne de 0,79 +/- 0,06 a été obtenue.

Cette étude révèle que l'atrophie secondaire à la DMLA sèche et ses phenocopies (dans ce cas, l'atrophie des causes génétiques dans STGD1 et PSPD), peut être distinguée avec une bonne précision par un modèle d'apprentissage en profondeur. Dans notre étude, nous avons utilisé un ResNet101 pré-formé pour effectuer la tâche de classification, avec des poids pré-entraînés à partir de l'ensemble de données ImageNet.

Cette étude décrit l'utilisation d'un algorithme basé sur l'apprentissage en profondeur pour classer automatiquement l'atrophie sur l'imagerie FAF en fonction de son étiologie. Un diagnostic différentiel précis entre l'AG et les IRD d'apparition tardive se faisant passer pour GA sur FAF peut être effectué avec une bonne précision et des valeurs AUC-ROC.