Feasibility of Electroencephalography-Based Detection of Single-Flash Microperimetry Stimuli: A Proof-of-Concept Study

Cette étude de concept démontre la faisabilité de détecter, à l'aide d'un modèle d'apprentissage profond (BiLSTM) appliqué à des signaux EEG occipitaux, les réponses corticales à des stimuli de micropérimétrie à flash unique, même en l'absence de synchronisation matérielle et sans dépendre des réponses subjectives du patient.

L'essentiel

🧠 Le Défi : Lire dans les pensées de l'œil sans qu'il parle

Imaginez que vous faites passer un examen de la vue à un patient. Le médecin projette de petits points lumineux sur un écran (c'est ce qu'on appelle la micropérimétrie). Normalement, le patient doit appuyer sur un bouton chaque fois qu'il voit un point.

Le problème ?
Certains patients ne peuvent pas bien répondre :

• Les enfants qui ne comprennent pas la consigne.
• Les personnes âgées très fatiguées.
• Les patients dont le cerveau a du mal à traiter l'information.
• Les gens qui ont peur de faire des erreurs.

Si le patient ne répond pas, le médecin ne sait pas si le point a été vu ou non. C'est comme jouer à un jeu vidéo où le joueur ne peut pas appuyer sur le bouton "Action".

💡 L'Idée Géniale : Écouter le "bruit" du cerveau

Cette étude se pose une question audacieuse : Et si nous n'avions pas besoin que le patient appuie sur le bouton ?

Et si nous pouvions simplement écouter les ondes électriques de son cerveau pour savoir s'il a vu le point ? C'est comme essayer d'entendre le murmure d'une personne dans une pièce bruyante.

🔬 Comment ils ont fait l'expérience ?

1. Le Casque de Super-Héros : Les chercheurs ont équipé deux volontaires (une jeune femme et un jeune homme) d'un casque d'EEG (électroencéphalogramme) portable. C'est un peu comme un casque de réalité virtuelle, mais avec des capteurs qui écoutent l'activité électrique du cerveau, surtout à l'arrière de la tête (là où on "voit").
2. Le Jeu de Lumière : Ils ont utilisé un appareil médical standard pour projeter des points lumineux. Parfois, les points étaient très brillants (faciles à voir), parfois très faibles (difficiles à voir).
3. Le Problème de l'Horloge : Normalement, pour écouter le cerveau, il faut que l'ordinateur sache exactement à la milliseconde près quand la lumière s'allume. Ici, les appareils ne parlaient pas le même langage. C'était comme essayer de synchroniser deux montres sans les avoir jamais mises à l'heure ensemble. Il y avait un décalage d'environ un quart de seconde.
4. Le Détective Numérique (L'Intelligence Artificielle) : Comme le signal était flou et désynchronisé, les chercheurs n'ont pas utilisé de méthodes classiques. Ils ont créé un "détective" numérique, une intelligence artificielle appelée BiLSTM.
   • Imaginez ce détective comme un expert en lecture de lèvres. Même si le son est mauvais et qu'il ne voit pas bien les lèvres bouger, il peut deviner ce qui a été dit en regardant le contexte global.
   • Cette IA a analysé les ondes cérébrales pour dire : "Tiens, il y a eu un point lumineux ici !" ou "Non, c'était juste du bruit."

🏆 Les Résultats : Ce qui a fonctionné et ce qui a échoué

• Les points brillants : Quand la lumière était forte, le détective IA a eu raison environ 80 % du temps. C'est un très bon début ! Le cerveau réagissait clairement, et l'IA a pu le capter.
• Les points faibles : Quand la lumière était très faible, c'était beaucoup plus difficile. L'IA se trompait souvent. C'est comme essayer d'entendre un chuchotement dans un stade de foot : le signal est trop faible par rapport au bruit.
• L'endroit où écouter : Ils ont découvert que les capteurs placés juste derrière les oreilles (sur la zone visuelle du cerveau) étaient les meilleurs. Ajouter d'autres capteurs ailleurs n'aider pas, au contraire, cela ajoutait du "bruit" à la conversation.

🚀 Pourquoi c'est important ? (La Vision du Futur)

Pour l'instant, cette technologie n'est pas prête à être utilisée dans tous les cabinets médicaux. C'est une preuve de concept, comme un prototype de voiture volante qui vole encore un peu mal.

Mais imaginez le futur :

• Un enfant avec une maladie génétique de la rétine peut passer un test de vue sans avoir besoin de comprendre les instructions ou d'appuyer sur un bouton.
• Le médecin regarde simplement l'écran de l'ordinateur : "Ah, le cerveau a réagi à ce point, donc la vision est là."
• Cela rendrait les tests de vue objectifs (basés sur la réalité biologique) plutôt que subjectifs (basés sur ce que le patient dit).

📝 En résumé

Cette étude dit : "C'est possible !"
Même avec des appareils imparfaits et sans synchronisation parfaite, on peut utiliser l'intelligence artificielle pour "lire" si le cerveau d'un patient a vu une lumière, simplement en écoutant ses ondes électriques. C'est une première étape prometteuse vers des examens de la vue plus justes et plus inclusifs pour tous.

Résumé technique

1. Problématique et Contexte

La microperimétrie (MP) est une méthode clinique standard pour évaluer la fonction maculaire et la stabilité de la fixation, notamment dans le suivi de pathologies comme la dégénérescence maculaire liée à l'âge (DMLA) ou l'œdème maculaire diabétique. Cependant, cette technique repose entièrement sur la réponse subjective du patient (appuyer sur un bouton lors de la détection d'un stimulus lumineux).

Cette dépendance pose plusieurs problèmes majeurs :

• Fiabilité limitée : La performance est affectée par la fatigue, l'inattention, le déclin cognitif ou l'incapacité à coopérer (fréquent chez les enfants, les personnes âgées ou les patients cognitivement altérés).
• Absence de validation objective : Il n'existe pas de moyen direct de vérifier si le stimulus a été réellement perçu par le cortex visuel sans la réponse comportementale du patient.
• Limites des méthodes existantes : Les méthodes objectives actuelles (comme la potentiels évoqués visuels multifocaux - mfVEP) nécessitent souvent un matériel spécialisé, des stimuli clignotants ou des designs expérimentaux incompatibles avec les appareils de MP cliniques standards (comme le Nidek MP-1).

L'objectif de cette étude était de déterminer s'il est possible de détecter les réponses corticales à des stimuli de MP à flash unique (non clignotants, de longue durée) en utilisant l'EEG et l'apprentissage profond, même dans des conditions de synchronisation non idéales.

2. Méthodologie

Participants et Acquisition de Données

• Sujets : Deux participants sains (un homme de 30 ans, une femme de 20 ans) avec une acuité visuelle normale.
• Protocole : 12 essais au total (5 à haute intensité, 7 à basse intensité).
• Stimuli : Utilisant un appareil Nidek MP-1, des stimuli Goldmann IV ont été présentés à l'œil droit.
  • Haute intensité : 0 dB (127 cd/m²) ou 4 dB (50,6 cd/m²).
  • Basse intensité : 16 dB (3,2 cd/m²), légèrement au-dessus du seuil de sensibilité maculaire.
• Enregistrement EEG : Un casque OpenBCI Ultracortex à 8 canaux (échantillonnage à 250 Hz) a été utilisé. Les électrodes étaient positionnées sur les régions pariétales, parieto-occipitales et occipitales (P3, P4, PO3, PO4, POz, O1, O2, Oz) pour cibler le cortex visuel.

Synchronisation et Prétraitement

• Défi de synchronisation : L'appareil MP ne permet pas de synchronisation matérielle directe avec l'EEG. Les auteurs ont utilisé une synchronisation logicielle post-hoc en enregistrant l'écran du MP et en analysant la vidéo en ralenti (DataVyu) pour estimer les timestamps des stimuli. L'erreur temporelle estimée est d'environ 250 ms.
• Traitement du signal :
  • Référencement par la médiane commune (CMR) pour réduire le bruit global.
  • Filtrage passe-bande de 4 à 49 Hz (Butterworth d'ordre 4) pour éliminer les dérives lentes et le bruit musculaire/électrique.
  • Normalisation Z-score.
  • Segmentation : Création de fenêtres de 600 ms autour de l'offset du stimulus (pour capturer la réponse VEP complète malgré le décalage temporel). Les segments sans stimulus servent de classe de contrôle.

Modèle d'Apprentissage Profond

• Architecture : Un modèle BiLSTM (Bidirectional Long Short-Term Memory) empilé à deux couches.
• Justification : Les stimuli MP sont isolés et de longue durée, générant un rapport signal-sur-bruit (SNR) faible et dispersé temporellement. Les modèles feedforward classiques sont insuffisants. Le BiLSTM permet de capturer les dépendances temporelles dans les deux sens (passé et futur) au sein de la fenêtre de 600 ms.
• Entraînement : Division des données par essai (70% entraînement, 15% validation, 15% test) avec un optimiseur ADAM et un mini-batch de 8.

3. Résultats

Performance Globale

Le modèle a démontré une capacité à distinguer les segments contenant un stimulus de ceux qui n'en contiennent pas, dépassant le niveau du hasard.

• Stimuli Haute Intensité : La précision de détection a atteint ~80 % (variations entre 70,97 % et 80,00 %). La spécificité était élevée (>80 %), indiquant une bonne détection des périodes sans stimulus.
• Stimuli Basse Intensité : La performance était plus variable et globalement inférieure (précision entre 58 % et 79 %). La sensibilité a chuté dans certains essais (jusqu'à 7 %), montrant la difficulté de détecter les signaux neuronaux faibles liés aux stimuli sombres.

Influence de la Configuration des Électrodes

• Électrodes Occipitales (O1, O2) : Elles ont systématiquement surperformé les autres configurations, confirmant l'activation du cortex visuel primaire.
• Impact de l'électrode Oz : L'ajout de l'électrode centrale Oz a souvent dégradé les performances, probablement en raison d'artefacts oculaires et musculaires plus importants à cet endroit.
• Canaux Pariétaux : Dans certains cas isolés, les canaux pariétaux ont offert de meilleurs résultats, suggérant un rôle dans le traitement spatial et l'attention, mais la configuration occipitale pure reste la plus robuste.
• Tous les canaux : L'utilisation des 8 canaux simultanément n'a pas donné les meilleurs résultats, indiquant que l'inclusion de canaux non pertinents ajoute du bruit au classificateur.

4. Contributions Clés

1. Preuve de concept de détection sans synchronisation matérielle : L'étude démontre qu'il est possible d'extraire des informations neurales significatives d'un stimulus MP unique même avec une synchronisation logicielle imprécise (erreur de ~250 ms).
2. Application de l'IA à des stimuli non standards : Utilisation réussie d'un modèle BiLSTM pour décoder des réponses à des flashs longs et non répétitifs, là où les méthodes VEP traditionnelles (basées sur l'analyse de pics temporels ou l'averaging) échouent.
3. Validation de la faisabilité clinique potentielle : Démonstration que l'EEG peut servir de registre objectif indépendant de la réponse motrice du patient, ouvrant la voie à une microperimétrie augmentée.
4. Optimisation de la configuration : Identification que les électrodes occipitales bilatérales (O1/O2) sont suffisantes pour cette tâche, suggérant que des systèmes EEG portables légers pourraient être utilisés.

5. Signification et Limites

Signification :
Cette recherche ouvre la voie à une microperimétrie objective. En détectant automatiquement si un stimulus a été perçu par le cerveau, on pourrait :

• Réduire la dépendance aux réponses subjectives des patients (crucial pour les populations pédiatriques, gériatriques ou cognitives).
• Améliorer la fiabilité des essais cliniques en réduisant les pertes de fixation et les erreurs de réponse.
• Intégrer des stimuli de contrôle (ex: tache aveugle) sans distraire le patient.

Limites :

• Taille de l'échantillon : Seuls deux sujets ont été testés ; la généralisation à une population plus large n'est pas garantie.
• Synchronisation : L'erreur de 250 ms limite la précision temporelle. Une synchronisation matérielle (photodiodes) est nécessaire pour les futures itérations.
• Performance variable : La détection des stimuli faibles reste difficile et le modèle montre un biais vers la classe majoritaire (non-stimulus).
• Interprétabilité : Le modèle fonctionne comme une "boîte noire" sans identification explicite des composantes VEP canoniques (P100, etc.).

Conclusion :
Bien que cette étude ne propose pas encore une solution clinique prête à l'emploi, elle valide la faisabilité technique de l'utilisation de l'EEG couplé au deep learning pour l'augmentation objective de la microperimétrie. Des améliorations futures (synchronisation matérielle, cohortes plus larges, architectures hybrides CNN-LSTM) sont nécessaires pour transformer ce concept en outil clinique robuste.