L'œil humain est une fenêtre sur le corps, mais regarder à travers lui nécessite une main stable et un œil exercé. Depuis des décennies, les médecins s'appuient sur une technologie de balayage appelée tomographie par cohérence optique, ou OCT, pour scruter l'intérieur de la rétine, la couche sensible à la lumière située à l'arrière de l'œil. Cette machine prend des milliers d'images en coupe transversale, les empilant pour créer une carte tridimensionnelle détaillée de la structure interne de l'œil. Elle a révolutionné la façon dont les médecins détectent des maladies comme la rétinopathie diabétique ou la dégénérescence maculaire, leur permettant de voir les problèmes bien avant qu'un patient ne perde la vue. Pourtant, malgré la capacité de la machine à capturer ces données riches, le processus de transformation de ces images en un diagnostic reste une tâche manuelle et lente. Un spécialiste doit d'abord vérifier si le balayage est assez net pour être utilisé, puis passer au crible des centaines de coupes individuelles pour trouver les quelques-unes qui présentent des signes de trouble, et enfin assembler ces fragments pour former une image complète de la santé du patient. Ce flux de travail laborieux crée un goulot d'étranglement, rendant difficile le dépistage de larges populations ou la fourniture de soins cohérents dans les endroits où les médecins experts sont rares.

Les chercheurs ont longtemps tenté de construire une intelligence artificielle pour aider à cette tâche, mais la plupart des tentatives précédentes étaient comparables à une équipe de spécialistes qui ne savent accomplir qu'une seule petite tâche. Un programme informatique peut être doué pour repérer les images floues, tandis qu'un autre excelle dans l'identification d'une maladie spécifique sur une seule coupe du balayage. Aucun de ces systèmes ne pouvait gérer l'ensemble du parcours, de l'image brute au diagnostic final, de manière autonome. Ils se heurtaient souvent au fait que les maladies oculaires sont tridimensionnelles, se cachant dans l'espace entre les coupes, et ils faiblissaient face à la réalité désordonnée et variée des données hospitalières du monde réel. Une nouvelle étude présente un système conçu pour changer la donne en automatisant l'ensemble du processus, imitant la façon dont un expert humain réfléchit à un cas du début à la fin.

L'équipe derrière ce travail, dirigée par des chercheurs de plusieurs grands centres médicaux en Chine, a développé un système qu'elle appelle FOCUS. Ce cadre repose sur un modèle de fondation, un type d'intelligence artificielle qui a été pré-entraîné sur une vaste quantité de données visuelles générales, lui donnant une compréhension large des formes et des motifs avant même qu'il ne voie un scanner oculaire. Les chercheurs ont affiné ce cerveau puissant pour qu'il comprenne les images rétiniennes, mais la véritable innovation réside dans l'organisation du système. Au lieu de simplement regarder une image à la fois, FOCUS agit comme un flux de travail complet. D'abord, il vérifie automatiquement la qualité du balayage, décidant si l'image est assez nette pour être fiable. Si l'image est bonne, il passe à l'étape suivante : le balayage de tout le volume de l'œil pour détecter toute anomalie. Enfin, il synthétise toutes les informations provenant des milliers de coupes pour établir un diagnostic unique et complet pour le patient.

Pour tester l'efficacité de cette approche, les chercheurs ont entraîné le système sur les données de 3 300 patients, une collection massive de plus de 40 000 coupes d'images individuelles. Ils ont ensuite mis le système à l'épreuve sur un groupe distinct de 1 345 patients provenant de quatre hôpitaux différents, utilisant différents types de machines OCT pour garantir qu'il puisse gérer la variété du monde réel. Les résultats ont été frappants. Le système a identifié correctement les images de haute qualité dans près de 99 % des cas. En cherchant des signes de maladie, il a détecté les anomalies avec une précision de plus de 97 %. Plus important encore, lorsqu'il s'agissait de poser un diagnostic final pour le patient, il a atteint une précision de près de 94 %. Ces chiffres se sont maintenus même lorsque le système a été testé sur des données provenant de différentes villes et de différents hôpitaux, montrant qu'il pouvait s'adapter à de nouveaux environnements sans avoir besoin d'être réentraîné de zéro.

Les chercheurs ont également comparé les performances de leur IA à celles des médecins pour voir comment elles se positionnaient. Lors de tests impliquant la détection d'anomalies, le système a performé aussi bien, et dans certains cas mieux, qu'un groupe de techniciens ophtalmiques expérimentés. Lorsqu'il s'agissait de diagnostiquer des maladies spécifiques, le système égalait la performance d'un panel de neuf cliniciens aux niveaux d'expérience variés. En fait, l'IA était plus constante que les humains. L'étude a noté que même les médecins experts éprouvaient parfois des difficultés à distinguer certaines conditions en regardant uniquement les images OCT, ayant souvent besoin de s'appuyer sur d'autres tests ou sur l'historique du patient pour en être sûrs. L'IA, cependant, était capable de repérer des différences structurelles subtiles à travers l'ensemble du volume 3D de l'œil que les humains pourraient manquer, menant à des décisions plus uniformes.

Une partie clé de la réussite de ce système est la façon dont il gère la nature tridimensionnelle de l'œil. Les outils d'IA précédents traitaient souvent chaque coupe du balayage comme un événement isolé, manquant le contexte qui les relie. FOCUS utilise une méthode qui lui permet de pondérer l'importance de chaque coupe de manière dynamique. Il apprend à se concentrer sur les coupes spécifiques qui contiennent les preuves les plus fortes de la maladie tout en ignorant celles qui sont ambiguës ou non pertinentes. Cela ressemble à la façon dont un expert humain pourrait parcourir une pile de documents, jetant un coup d'œil rapide sur les pages ennuyeuses et ne s'arrêtant pour lire attentivement que les pages contenant les informations critiques. En agrégeant ces découvertes intelligemment, le système construit un diagnostic fiable sans avoir besoin de traiter l'intégralité du volume 3D de manière coûteuse en termes de calcul.

L'étude reconnaît que, bien que les résultats soient prometteurs, le système n'est pas encore un produit fini prêt pour chaque clinique. Les données utilisées pour entraîner et tester le système provenaient principalement de centres médicaux en Chine, ce qui signifie que le système pourrait nécessiter une validation supplémentaire pour garantir qu'il fonctionne aussi bien pour des personnes d'origines ethniques différentes ou dans des systèmes de santé différents. De plus, les tests ont été effectués sur des données collectées dans des hôpitaux où les patients présentaient déjà des problèmes oculaires connus, ce qui est un scénario différent d'un dépistage d'une population saine où les maladies sont plus rares. Les chercheurs soulignent également que la version actuelle du système ne comprend pas encore la capacité de générer des rapports écrits ou de tenir une conversation avec un médecin, des fonctionnalités que les futures versions pourraient ajouter à l'aide d'outils de langage avancés.

Malgré ces limites, ce travail représente une étape significative dans le domaine de l'imagerie médicale. Il dépasse l'ère des outils isolés qui exécutent des tâches uniques et démontre qu'un système unifié peut automatiser un flux de travail clinique complexe et multi-étapes. En comblant avec succès le fossé entre les données d'image brutes et un diagnostic final pour le patient, les chercheurs ont montré qu'il est possible de construire une IA qui imite le raisonnement d'un spécialiste humain. Cette approche offre un modèle pour un avenir où des soins oculaires de haute qualité peuvent être dispensés plus efficacement et plus systématiquement, apportant potentiellement un dépistage de niveau expert aux communautés qui manquent actuellement d'accès à des médecins spécialisés. Le système ne remplace pas le médecin, mais plutôt élimine les barrières fastidieuses et répétitives qui empêchent le dépistage à grande échelle de devenir une réalité, ouvant la voie à une nouvelle ère de santé oculaire automatisée et accessible.