Les progrès de l’IA et de l’imagerie révolutionnent le diagnostic de la sclérose en plaques

Les progrès récents en matière de technologie d’imagerie et d’intelligence artificielle (IA), y compris l’apprentissage automatique (ML), ont facilité l’utilisation de la tomographie par cohérence optique (OCT), souvent associée à l’ophtalmoscopie laser à réflectance infrarouge (IR-SLO), pour automatiser le diagnostic et la classification. de la sclérose en plaques (SEP). Une étude récente dans la revue Science et technologie de la vision translationnelle détermine l’utilisation indépendante possible des images IR-SLO pour automatiser le diagnostic de la SEP.

Étude: SLO-Net : Améliorer le diagnostic de la sclérose en plaques au-delà de la tomographie par cohérence optique à l’aide d’images d’ophtalmoscopie laser à réflectance infrarouge. Source de l’image : Photo au sol / Shutterstock.com

Automatiser le diagnostic de la SEP

La SEP est une maladie auto-immune causée par une démyélinisation et une dégradation du système nerveux central (SNC) et des axones neuronaux. Actuellement, le diagnostic de SEP dépend de la présence de symptômes cliniques et d’analyses de laboratoire telles que : B. bandes oligoclonales dues à la présence d’anticorps immunoglobulines anormaux dans le liquide céphalo-rachidien (LCR) et à l’imagerie par résonance magnétique (IRM).

L’OCT reflète des changements précoces dans l’épaisseur des couches rétiniennes, qui peuvent indiquer une atrophie progressive des fibres nerveuses rétiniennes (RNF) dans les couches RNF (RNFL) et du nerf optique en raison d’une inflammation aiguë antérieure. Des couches rétiniennes plus fines sont généralement associées à de moins bons résultats visuels.

L’OCT, qui est souvent en corrélation avec les résultats de l’IRM, est utile pour identifier les sous-types de SEP et est associée à des déficiences physiques et cognitives. C’est également un biomarqueur de la progression de la neurodégénérescence, permettant aux médecins de suivre l’évolution du handicap et l’efficacité de Traitements.

Récemment, l’IA a été utilisée pour automatiser le diagnostic de la SEP en intégrant les résultats d’IRM, de sérum, de LCR et d’OCT. Malgré leur utilisation répandue en imagerie rétinienne, on ne sait toujours pas comment l’imagerie IR-SLO ou monochromatique du fond d’œil pourrait fonctionner comme outil de diagnostic.

IR-SLO compense les mouvements oculaires et améliore l’alignement du B-scan OCT, réduisant ainsi le bruit et garantissant une variabilité minimale dans l’imagerie de suivi. Les images IR-SLO montrent certaines structures difficiles à voir sur l’imagerie du fond d’œil en raison des différentes longueurs d’onde utilisées dans ces tests.

Par rapport aux patients sains, l’angiographie OCT montre des différences significatives dans la densité vasculaire rétinienne chez les patients atteints de SEP. À ce jour, ces différences n’ont pas été observées dans l’interprétation humaine des images IR-SLO.

Actuellement, les outils de diagnostic MS basés sur ML ne sont formés que sur les mesures d’épaisseur OCT. La présente étude examine la possibilité d’améliorer la capacité discriminatoire des modèles ML en appliquant l’apprentissage profond (DL) aux images IR-SLO et à l’OCT pour identifier les changements vasculaires ou structurels subtils dans la SEP.

À notre connaissance, il s’agit d’une étude révolutionnaire qui intègre l’IR-SLO dans le diagnostic automatisé de la SEP… l’une des rares études à avoir appliqué la DL aux données d’imagerie rétinienne pour la détection de la SEP..»

À propos de l’étude

Des images OCT et IR-SLO supplémentaires ont été acquises auprès de 32 personnes atteintes de SEP et de 70 personnes en bonne santé comme témoins. Deux bases de données distinctes ont été créées à l’aide de plusieurs réseaux de neurones convolutifs (CNN) formés sur les données OCT et IR-SLO. Celles-ci comprenaient 132 images IR-SLO et 124 OCT provenant de témoins sains et 133 images IR-SLO et 60 OCT de patients atteints de SEP.

Cela a créé un modèle bimodal capable d’atteindre des performances supérieures par rapport à tout modèle formé en utilisant uniquement des images IR-SLO ou une carte d’épaisseur OCT.

Les ensembles de formation, de validation et de tests ont été rigoureusement créés pour éviter les fuites de données. L’ensemble de tests comprenait respectivement 27 et 29 images IR-SLO et OCT provenant de témoins sains et 24 images IR-SLO et 14 OCT provenant de patients atteints de SEP.

Le prototype bimodal était associé respectivement à une précision de 92 %, une sensibilité de 95 % et une spécificité de 92 %. Le test a démontré une capacité discriminatoire de 97 %, comme le démontre l’aire sous la courbe AUROC (Receiver Operating Characteristic).

L’aire sous la courbe précision-rappel (AUPRC) était de 97 %, indiquant un excellent équilibre entre faux positifs et faux négatifs.

La large applicabilité de ce modèle a été étudiée en remplaçant l’ensemble de données internes par un ensemble de données externes à des fins de test. Il en résulte une précision de 85 %, une sensibilité de 97 % et une spécificité de 85 % et 99,7 % pour les courbes AUROC et AUPRC.

Conclusions

Bien que le modèle formé avec uniquement IR-SLO n’ait pas fonctionné aussi bien que le modèle formé avec uniquement des données d’épaisseur OCT, l’utilisation de cartes OCT et d’IR-SLO dans un modèle fusionné a entraîné une précision et une sensibilité 3 % plus élevées dans le diagnostic de la SEP que l’OCT- modèles basés seuls. Ceci est réalisé en utilisant des modèles complexes avec beaucoup plus de paramètres pour garantir l’extraction de multiples caractéristiques des deux images afin de distinguer efficacement les patients atteints de SEP des patients en bonne santé.

Nous avons montré qu’un CNN hybride qui reçoit des données d’entrée des deux modalités peut détecter la SEP avec des ACC étonnants approchant les 100 %.“, “Il montre le potentiel de l’utilisation d’IR-SLO comme outil complémentaire aux côtés de l’OCT..»

Un système basé sur l’IA peut identifier des changements subtils importants dans la maladie du nerf optique qui pourraient échapper à l’observation humaine. En fait, la névrite optique caractéristique de la SEP n’est généralement observée par les médecins qu’après la perte de plus de la moitié du RNFL.

L’OCT est nettement moins chère et plus invasive que l’IRM. En utilisant le même appareil capable de fournir des images IR-SLO, des modèles ML similaires pourraient être intégrés dans la pratique clinique de routine pour le diagnostic automatisé de la SEP à l’avenir.

Des études de validation plus vastes et plus diversifiées sont nécessaires à l’avenir, car l’étude actuelle a utilisé un ensemble de données obtenu auprès d’un seul centre avec des échantillons limités.