L’IA peut-elle prédire la progression de la maladie oculaire diabétique ?

Dans une étude récente publiée dans Médecine naturelle, Des chercheurs chinois ont développé un système d’apprentissage profond (DL) appelé « DeepDR Plus » pour prédire la progression de la rétinopathie diabétique (DR) à l’aide d’images du fond d’œil de patients. Ils ont découvert que le système pouvait prédire avec succès le risque et le délai de progression de la RD dans un délai de cinq ans, ouvrant ainsi la voie à des systèmes de dépistage individualisés.

Étude: Un système d’apprentissage profond pour prédire le délai de progression de la rétinopathie diabétique. Crédit photo : Anukool Manoton / Shutterstock

arrière-plan

La RD se développe souvent comme une complication asymptomatique chez les adultes diabétiques, mais avec le temps, elle peut conduire à une cécité évitable. Le risque de progression de la RD varie d’une personne à l’autre et est influencé par plusieurs facteurs. Il est donc difficile de prédire le risque et la vitesse de progression de la RD chez les patients. Il est donc recommandé aux patients de se soumettre à un dépistage de la RD chaque année. L’absence d’un modèle de risque personnalisé et d’un système de prédiction précis empêche les médecins de recommander un allongement de l’intervalle de dépistage, même si l’approche est très rentable.

L’intelligence artificielle (en particulier DL) s’est révélée prometteuse dans l’automatisation de la détection de RD à partir d’images rétiniennes. Cependant, les recherches actuelles manquent de prévisions prospectives des risques d’apparition et de progression de la RD au-delà de deux ans, et des études supplémentaires sont nécessaires pour évaluer l’impact sur les résultats pour les patients et l’intégration dans les flux de travail cliniques.

Pour combler ces lacunes, les chercheurs de la présente étude se sont appuyés sur leurs travaux antérieurs et ont développé, validé et testé DeepDR Plus en tant qu’outil permettant de prédire les trajectoires de progression de la RD jusqu’à cinq ans à l’avance. De plus, ils ont démontré les résultats de l’outil à l’aide d’une étude réelle menée sur des patients diabétiques.

À propos de l’étude

DeepDR Plus a été pré-entraîné sur 717 308 images du fond d’œil de 179 327 diabétiques participant au système intégré de prévention et de soins du diabète de Shanghai et au programme de prévention du diabète de Shanghai. Le développement interne et la validation ont été réalisés à l’aide d’un ensemble de données de 76 400 images du fond d’œil de la cohorte DRPS (Diabetic Retinopathy Progression Study), divisées en ensembles de développement et de tests internes. L’indice de concordance (C-index) et l’Integrated Brier Score (IBS) ont été utilisés pour évaluer les performances du modèle de fond d’œil. La généralisabilité du modèle a été évaluée par des validations externes utilisant huit cohortes longitudinales indépendantes avec des données démographiques, anthropométriques et biochimiques de base complètes. Les scores DR ont été distribués sur la base de l’échelle internationale de gravité de la rétinopathie diabétique clinique. Pour une analyse plus approfondie, trois sous-groupes de patients ont été créés : (1) diabète sans rétinopathie à RD, (2) RD non transmissible à RD transmissible et (3) RD non menaçant la vision à RD menaçant la vision. l’utilisation de tests de log-rank, une analyse de régression de Cox et la détermination de l’aire sous la courbe, de l’erreur absolue moyenne et du coefficient de détermination.

Pour appliquer DeepDR Plus dans un contexte réel, une étude de cohorte prospective communautaire a été menée. Elle comprenait 2 185 adultes chinois répartis en groupes de gestion intégrée (IM) et non-IM. Les modèles de fond d’œil et de métadonnées ont été utilisés pour évaluer le risque de progression de la RD. En outre, une étude réelle a été menée auprès d’une cohorte prospective indienne de 992 patients diabétiques suivis pendant quatre ans.

UNComparaisons de photographies couleur du fond d’œil au départ et au suivi à l’aide de cartes d’attention. bCartes d’attention moyennes et images de fond de pile correspondantes pour chaque progression DR et sous-groupes 1 à 3. C, Graphique à barres (à gauche) du score du fond d’œil et des caractéristiques cliniques et leur contribution au modèle de prédiction de la progression de la RD. Les fonctionnalités sont classées par ordre décroissant de contribution (également appelée importance) dans le modèle. Les détails sur les associations sont affichés dans un diagramme d’essaim d’abeilles (à droite), où chaque point représente un participant. La couleur indique la valeur du trait, le rouge représentant une valeur plus élevée et le bleu une valeur inférieure. Une valeur SHAP négative indique une association de traits négative pour prédire la progression de la DR ; Une valeur SHAP positive indique une association de caractéristiques positive pour prédire la progression de la DR.

Résultats et discussion

Lors de la validation interne, le modèle du fond d’œil s’est avéré plus performant que le modèle de métadonnées mesuré par les indices C malgré l’utilisation d’images à faible résolution. Au cours des années 1 à 5, le modèle du fond d’œil a maintenu des performances robustes sur huit ensembles de données externes et a démontré une précision dans la prévision du temps spécifique jusqu’à la progression de la RD, comme le démontrent les indices C et l’IBS élevés.

L’analyse des sous-groupes a montré que DeepDR Plus pouvait prédire efficacement différents types d’aggravation du grade de DR sur une période de cinq ans dans les trois sous-groupes, et a permis d’améliorer les indices C et le syndrome du côlon irritable par rapport au modèle de métadonnées.

Dans l’étude réelle basée sur une cohorte chinoise, le modèle du fond d’œil avec des interventions globales pourrait relativement empêcher une incidence de progression de la RD de 46,8 %. L’étude réelle basée sur une cohorte indienne a montré que le modèle du fond d’œil pourrait aider à prévenir 88,74 % de l’incidence de la progression de la RD par rapport au modèle de métadonnées grâce à des interventions globales. Si les participants des groupes IM et non IM adhéraient aux intervalles de dépistage personnalisés recommandés par le modèle de fond d’œil, l’intervalle de dépistage moyen pourrait être prolongé de 12 mois à 31,97 mois. Dans l’ensemble, le modèle du fond d’œil pourrait catégoriser les participants plus précisément, permettant des interventions personnalisées et réduisant la fréquence du dépistage de la rétinopathie diabétique tout en minimisant les retards dans la détection de la progression.

Une analyse plus approfondie a montré que les prédictions de l’outil se concentrent sur les vaisseaux rétiniens et la fovéa, étayées par des cartes d’attention et des mesures quantitatives au-delà de la géométrie vasculaire rétinienne.

Cependant, l’étude est limitée par la formation de DeepDR Plus sur une population chinoise, d’éventuels biais intrinsèques, la variation des performances avec différents schémas thérapeutiques et le manque d’application clinique réelle. Cela met en évidence la nécessité de futurs tests et études pour valider les dépistages et les interventions de RD basés sur l’IA.

Diplôme

En résumé, DeepDR Plus peut prédire de manière fiable le risque individuel et le délai de progression de la RD à l’aide d’images de référence du fond d’œil. L’application pratique suggère une extension possible des intervalles de dépistage à environ 32 mois. Les résultats montrent une intégration prometteuse de l’outil dans les flux de travail cliniques pour les stratégies individuelles de gestion de la RD afin d’améliorer les résultats pour les patients.