Photos externes d’yeux pour la détection de la rétinopathie diabétique avec le Deep Learning

Méthode

Étant donné que des photos d’yeux peuvent être prises par des téléphones, les auteurs essayent de créer un modèle de deep learning pour détecter la rétinopathie diabétique (RD) et améliorer le dépistage de la RD à grande échelle, sans que les patients aient besoin de se rendre dans un lieu de consultation avec rétinographes ou des OCT.
Dans cette étude, ils ont utilisé 7 845 photos de regard provenant de 6 451 patients (âge : 58,5 ± 20,3 ans) du Massachusetts Eye and Ear avec les informations démographiques correspondantes et le niveau de RD provenant des dossiers médicaux électroniques.

Ils ont séparé :

• Les RD « menaçantes » (rétinopathie diabétique non proliférative modérée à sévère [RDNP M et S] et proliférante RDP) : 4 570 échantillons provenant de 3 951 patients
• Les RD « non menaçantes » (RDNP légère) : 3 275 échantillons provenant de 2 500 patients
• Et développé un modèle EfficientNet pour prédire le risque lié à la RD

L’aire sous la courbe a été utilisée pour évaluer les performances globales du système, et les performances entre différents groupes démographiques, et Grad-CAM a été utilisé pour évaluer l’interprétabilité du modèle.

Résultats

Les informations démographiques autodéclarées des patients sont les suivantes :

• Sexe : femme : 53,8 % et homme : 46,2 %
• Race : Blanc : 87,6 %, Noir : 7,3 %, Asiatique : 5,1 %
• Origine ethnique : hispanique : 6,7 %, non hispanique : 87,4 %
• 4,2 % des patients présentent une RD menaçant la vision.

Les disparités de performance selon les races et les ethnies étaient substantielles : Blancs : 0,85 (Hispaniques : 0,86 ; Non-hispaniques : 0,91) ; Noirs : 0,81, Asiatiques : 0,77.

Il y avait également une petite disparité de 0,02 entre les hommes et les femmes. La valeur « p » entre les différentes races était < 0,001, ce qui indique que la disparité entre les groupes raciaux est significative.

Ces résultats indiquent que le développement d’algorithmes de deep learning équitables pour améliorer la précision des groupes minoritaires est crucial.

Conclusion #takehomemessage

Un modèle de deep learning peut repérer avec précision la RD menaçant la vision en utilisant uniquement les photos de l’œil, et non du fond d’œil. En tous cas pour les blancs et les méditerranéens. En discutant, les auteurs m’expliquent qu’ils peuvent améliorer leur performance avec un échantillon plus grand de noirs et d’asiatiques.

Ils vont étudier maintenant la détection de la DMLA et du glaucome, mais les piliers du système sont là !

Référence

External Eye Photos for Diabetic Retinopathy Detection with Deep Learning / Auteurs : Yu Tian , Min Shi , Yan Luo , et al. / Poster  9 mai  N° : B0041 / Numéro du résumé : 5635 – B0041