Le glaucome est la deuxième cause de cécité dans le monde, touchant environ 2,7 millions de personnes aux États-Unis seulement. C'est un ensemble complexe de maladies et, si laissé non traité, peut conduire à la cécité. C'est un problème particulièrement important en Australie, où seulement 50 pour cent de toutes les personnes atteintes sont effectivement diagnostiquées et reçoivent le traitement dont elles ont besoin.

Au sein d'une équipe de scientifiques d'IBM et de l'Université de New York, mes collègues et moi cherchons de nouvelles façons d'utiliser l'IA pour aider les ophtalmologistes et les optométristes à utiliser davantage les images oculaires, et potentiellement aider à accélérer le processus de détection du glaucome dans les images. Dans un article récent, nous détaillons un nouveau cadre d'apprentissage en profondeur qui détecte le glaucome directement à partir de l'imagerie tomographique à cohérence optique (OCT) brute, une méthode qui utilise des ondes lumineuses pour prendre des photos en coupe de la rétine. Cette méthode a atteint un taux de précision de 94 pour cent, sans aucune segmentation ou nettoyage supplémentaire des données, ce qui prend généralement du temps.

Actuellement, le glaucome est diagnostiqué à l'aide d'une variété de tests, telles que les mesures de la pression intraoculaire et les tests du champ visuel, ainsi que l'imagerie du fond d'œil et OCT. L'OCT fournit un moyen efficace de visualiser et de quantifier les structures dans l'œil, à savoir la couche de fibres nerveuses rétiniennes (RNFL), qui évolue avec la progression de la maladie.

Bien que cette approche fonctionne bien, il nécessite un processus supplémentaire pour quantifier le RNFL dans les images OCT. Ces techniques nettoient également généralement les données d'entrée de diverses manières, comme le basculement de tous les yeux dans la même orientation (gauche ou droite) afin de réduire la variabilité des données pour améliorer les performances des classificateurs. Notre approche supprime ces étapes supplémentaires, indiquant que ces étapes potentiellement longues ne sont pas nécessaires pour la détection du glaucome.

Finalement, lorsqu'il est normalisé par un taux de faux positifs, dans une cohorte de 624 sujets (217 sains et 432 patients glaucomateux), notre nouvelle approche, fondée sur l'apprentissage profond, détecte correctement les yeux glaucomateux dans 94% des cas, alors que les techniques mentionnées précédemment n'ont trouvé cela que dans 86 pour cent des cas. Nous pensons que cette précision améliorée est le résultat de l'élimination des erreurs dans la segmentation automatisée des structures dans les images ainsi que de l'inclusion de régions de l'image qui ne sont actuellement pas utilisées cliniquement à cette fin.

En outre, contrairement à la tendance actuelle de la recherche en IA qui utilise des réseaux plus vastes et plus profonds, le réseau que nous avons utilisé était un petit réseau à 5 couches car les données médicales ne sont pas aussi facilement accessibles en raison de leur nature confidentielle. Cette rareté des données rend l'utilisation de grands réseaux peu pratique dans de nombreuses applications médicales. Même dans la recherche, nous voyons parfois que "moins c'est plus, " et la formation de ces algorithmes sur des réseaux plus petits leur permet de fonctionner avec une plus grande efficacité.

Ce n'est qu'une facette de nos recherches sur l'application de l'IA pour l'œil. Dans une nouvelle collaboration récemment annoncée, IBM Research et George &Matilda (G&M) s'appuieront sur l'ensemble de données robuste de G&M de données cliniques anonymes et d'études d'imagerie pour explorer des méthodes permettant d'utiliser des modèles d'apprentissage en profondeur et des analyses d'imagerie pour aider les cliniciens à identifier et à détecter les maladies oculaires, y compris le glaucome, dans les images. . Les chercheurs chercheront également à étudier les biomarqueurs potentiels du glaucome, ce qui pourrait aider à mieux comprendre la progression de la maladie.

Cette histoire est republiée avec l'aimable autorisation d'IBM Research. Lisez l'histoire originale ici.