👁️ ophthalmology

RetFit: A Novel Deep Learning-Based Biomarker of Cardiorespiratory Fitness Derived From the Retina

Cette étude introduit RetFit, un nouveau biomarqueur basé sur l'apprentissage profond qui estime la capacité cardiorespiratoire à partir d'images du fond de l'œil, démontrant une forte valeur pronostique pour les événements cardiovasculaires et la mortalité tout en offrant une alternative évolutive et non invasive aux tests d'effort traditionnels.

Auteurs originaux : Quintas, I., Bontempi, D., Bors, S., Trofimova, O., Boettger, L., Iuliani, I., Ortin Vela, S., Liefers, B., Vargas-Quiros, J., Klaver, C. C. W., Meloni, I., Elwakil, A., Bergin, C., Tomasoni, M., Berg

Publié 2026-01-26

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Quintas, I., Bontempi, D., Bors, S., Trofimova, O., Boettger, L., Iuliani, I., Ortin Vela, S., Liefers, B., Vargas-Quiros, J., Klaver, C. C. W., Meloni, I., Elwakil, A., Bergin, C., Tomasoni, M., Bergmann, S., Presby, D. M.

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

L'idée centrale : Un score de forme à partir d'un instantané

Imaginez que vous vouliez savoir si une personne est en forme. Habituellement, vous lui demanderiez de courir sur un tapis roulant jusqu'à être essoufflée, tout en portant un masque pour mesurer son oxygène. C'est la « référence », mais c'est coûteux, cela prend beaucoup de temps et nécessite un équipement spécial ainsi qu'un coach.

Ce document présente un nouvel outil appelé RetFit. Considérez RetFit comme un « détective de la forme physique » qui observe une simple photo non invasive du fond de votre œil (une image rétinienne) et utilise un cerveau informatique super intelligent (l'Intelligence Artificielle) pour deviner votre niveau de capacité cardiorespiratoire.

Les auteurs appellent cela un « biomarqueur », ce qui est juste un mot savant pour un indice biologique. Ils disent : Vos yeux détiennent une carte secrète de la santé de votre cœur et de vos poumons, et nous avons trouvé un moyen de la lire.

Comment ils ont construit le « scanner oculaire »

Les chercheurs ont utilisé une base de données massive appelée l'UK Biobank, qui contient des données de santé de plus de 57 000 personnes.

L'entraînement : Ils ont pris des photos des yeux de ces personnes et les ont associées à leurs véritables scores de forme physique (qui ont été estimés à l'aide d'un test d'effort submaximal, une version légèrement plus facile du test sur tapis roulant).
L'IA : Ils ont enseigné à un modèle d'IA de pointe (un « Vision Transformer ») à regarder les photos des yeux et à apprendre les motifs qui correspondent à une forme physique élevée ou faible.
Le résultat : L'IA a créé un nouveau score appelé RetFit. Ce n'est pas une copie parfaite du test d'effort (ils ne correspondent qu'environ 20 % du temps), mais il capture un signal unique et puissant.

Ce que RetFit nous dit (L'effet « boule de cristal »)

La partie la plus excitante de l'article est ce que RetFit prédit pour l'avenir. Les chercheurs ont testé si RetFit pouvait prédire qui tomberait malade ou décéderait, et cela a fonctionné de manière étonnante.

Le prédicteur de crises cardiaques : Si vous avez un score RetFit faible, vous courez un risque plus élevé de subir une crise cardiaque ou un accident vasculaire cérébral dans le futur. L'article a constaté que RetFit était en fait meilleur pour prédire ces événements que le score du test d'effort traditionnel, même après avoir pris en compte d'autres risques comme l'hypertension ou le tabagisme.
Le prédicteur de longévité : Un score RetFit faible était également lié à un risque de décès de toute cause plus élevé.
L'information « supplémentaire » : L'article affirme que RetFit et le score du test d'effort (SETCRF) regardent le corps à travers des lentilles différentes. Ils sont seulement modérément liés (comme deux amis qui connaissent certains des mêmes secrets, mais ont des secrets différents). RetFit semble capter un signal de santé vasculaire « infraclinique » — ce qui signifie qu'il voit de minuscules changements dans vos vaisseaux sanguins que les tests standards ne voient pas.

Le « mystère génétique »

Pour comprendre pourquoi RetFit fonctionne, les chercheurs ont examiné l'ADN des participants.

Des gènes différents : Ils ont découvert que les gènes liés à RetFit étaient complètement différents de ceux liés au test d'effort.
L'analogie : Imaginez que le test d'effort est comme vérifier le moteur d'une voiture (comment le muscle cardiaque fonctionne). RetFit, cependant, semble vérifier la route sur laquelle la voiture roule (les vaisseaux sanguins et le système nerveux).
Connexion cérébrale : Curieusement, RetFit était lié à des gènes impliqués dans le développement du cerveau et de la vision, suggérant qu'il pourrait être une fenêtre sur la façon dont le système nerveux et les vaisseaux sanguins travaillent ensemble, et pas seulement sur le cœur.

La « carte » que l'IA a observée

Comment l'IA savait-elle quoi chercher dans la photo de l'œil ?

La carte d'attention : Les chercheurs ont demandé à l'IA de montrer où elle « regardait » sur la photo de l'œil. L'IA s'est concentrée intensément sur les vaisseaux sanguins de la rétine.
La caractéristique clé : La caractéristique la plus importante utilisée par l'IA est le nombre de fois où les artères se ramifient (les bifurcations). Pensez à un arbre : un arbre sain et complexe avec de nombreuses branches suggère un système sain et efficace. Un arbre clairsemé suggère un système en difficulté.

Test dans d'autres villes (Validation)

Pour s'assurer qu'il ne s'agissait pas d'un simple coup de chance spécifique au Royaume-Uni, les chercheurs ont testé leur IA sur deux autres groupes de personnes, aux Pays-Bas et en Suisse.

Le résultat : Même si ces nouveaux groupes ne disposaient pas de données de test d'effort, les scores RetFit ont tout de même prédit avec succès les maladies cardiaques et le décès. Cela prouve que l'outil fonctionne dans différentes populations, et pas seulement dans celle pour laquelle il a été entraîné.

L'essentiel à retenir

L'article conclut que RetFit est un moyen puissant, évolutif et accessible d'estimer la forme physique et le risque pour la santé.

Pourquoi cela importe : Cela transforme un examen ophtalmologique de routine (que beaucoup de gens effectuent déjà) en un contrôle de santé puissant.
La limite : Les auteurs précisent avec prudence qu'il s'agit d'un nouvel outil, et non d'un remplacement de l'exercice. Ils soulignent que RetFit capture un type spécifique d'information sur la santé (la santé vasculaire et du système nerveux) qui est distinct, mais complémentaire, aux tests de forme physique traditionnels.

En bref : Vos yeux sont une fenêtre sur votre cœur, et ce nouvel outil d'IA apprend à lire cette fenêtre pour nous dire à quel point nous sommes réellement en bonne santé.

Résumé Technique : RetFit – Un biomarqueur de la capacité cardiorespiratoire dérivé de la rétine basé sur l'apprentissage profond

Énoncé du problème
La capacité cardiorespiratoire (CCR) est un prédicteur robuste et indépendant des événements cardiovasculaires et de la mortalité toutes causes confondues, surpassant souvent les facteurs de risque traditionnels. Cependant, son utilité clinique est limitée par la nature gourmande en ressources des méthodes de mesure de référence, telles que l'épreuve d'effort cardiopulmonaire maximale (CPET), qui nécessite un équipement spécialisé, du personnel formé et un effort physique maximal de la part des sujets. Bien que les tests d'effort submaximaux (SETCRF) et les estimations non liées à l'exercice offrent des alternatives, il existe un besoin pour des indicateurs indirects, scalables et non invasifs capables de capturer la santé vasculaire. Les images de fond de l'œil (CFI) fournissent une fenêtre non invasive sur la santé vasculaire systémique et ont montré un potentiel pour prédire les facteurs de risque cardiovasculaire, pourtant leur potentiel pour estimer la CCR reste inexploré.

Méthodologie
L'étude présente RetFit, un nouvel estimateur de la CCR dérivé des CFI à l'aide de l'apprentissage profond de pointe. La méthodologie comprenait trois phases principales :

Développement et entraînement du modèle :
- Source de données : Les auteurs ont utilisé la cohorte de l'UK Biobank (UKBB), sélectionnant 57 588 participants génotypés ayant subi des tests d'effort submaximaux (fournissant des valeurs SETCRF) et possédant des CFI de haute qualité. Cela a généré 102 826 images.
- Architecture : Un modèle de Vision Transformer (ViT), spécifiquement le modèle de fondation pré-entraîné RETFound, a été affiné pour prédire le SETCRF à partir des CFI.
- Stratégie d'entraînement : Le modèle a été entraîné sur 50 époques avec une phase de "warm-up" suivie d'un recuit de type cosinus (cosine annealing). Une stratégie de validation croisée en 5 plis avec un design "leave-one-out" a été employée. Des modèles distincts ont été affinés pour l'œil gauche et l'œil droit, et les prédictions ont été moyennées pour les sujets présentant des images bilatérales.
- Contrôle de la qualité : Un contrôle de qualité basé sur un CNN, entraîné sur des examinateurs humains, a été utilisé pour sélectionner les 75 % d'images supérieures.
Validation et étalonnage (Benchmarking) :
- Étalonnage interne : RetFit a été comparé au SETCRF de référence au sein de l'UKBB.
- Validation externe : La généralisabilité du modèle a été testée dans deux cohortes indépendantes où la CCR n'était pas mesurée : l'étude de Rotterdam (N=8 885) et l'étude CoLaus (N=2 260).
- Associations : Des analyses de régression (linéaire et logistique) ont été effectuées pour évaluer les associations entre RetFit et 21 résultats pathologiques binaires ainsi que 15 facteurs de risque continus, en ajustant selon le sexe, l'âge, l'IMC et le statut socio-économique.
- Analyse pronostique : Des modèles de Cox (proportional hazards) ont été utilisés pour évaluer la capacité de RetFit à prédire les événements cardiovasculaires et la mortalité toutes causes confondues, en comparant ses performances à celles du SETCRF dans des modèles non ajustés et pleinement ajustés (incluant des facteurs de risque de type Framingham).
Analyse génétique et interprétabilité :
- Génétique : Des études d'association pangénomique (GWAS) ont été menées pour RetFit et le SETCRF en utilisant REGENIE. Des analyses d'enrichissement de gènes et de voies ont été réalisées avec PascalX, et l'héritabilité a été estimée via GCTA.
- Interprétabilité : Des cartes d'attention ont été générées à partir du Vision Transformer pour identifier les régions de l'image pilotant les prédictions. De plus, 18 caractéristiques vasculaires rétiniennes quantitatives (Tangible Image Features ou TIFs) ont été extraites via le pipeline VascX pour évaluer leur corrélation avec RetFit et le SETCRF.

Résultats clés

Performance de prédiction : RetFit a démontré une corrélation positive modérée avec le SETCRF ( $r=0,45$ , $R^2=0,20$ ), indiquant qu'il capture un signal distinct mais lié.
Associations avec les maladies et les facteurs de risque : Dans l'UKBB, RetFit était significativement associé à 20 des 21 résultats de santé binaires et à tous les 15 facteurs de risque continus. Dans de nombreux cas, RetFit fournissait des informations uniques non capturées par le SETCRF (ex: cataracte, athérosclérose, mémoire prospective). Ces associations ont été largement reproduites dans les cohortes de Rotterdam et de CoLaus.
Pouvoir pronostique :
- Événements cardiovasculaires : RetFit était pronostique pour les événements cardiovasculaires dans l'UKBB (HR=0,936 par augmentation de 1 écart-type, ajusté) et dans l'étude de Rotterdam (HR=0,813, ajusté). Notamment, dans les modèles pleinement ajustés, RetFit est resté un prédicteur significatif alors que le SETCRF ne l'était plus ( $p=0,065$ ). L'ajout de RetFit à un modèle contenant le SETCRF améliorait significativement l'ajustement du modèle, contrairement à l'inverse.
- Mortalité : Tant RetFit que le SETCRF prédisaient la mortalité globale, bien que la performance de RetFit se soit davantage dégradée après un ajustement complet dans l'UKBB.
Architecture génétique : Les GWAS ont révélé que RetFit et le SETCRF possèdent des architectures génétiques disjointes. RetFit était associé à 41 gènes (enrichis dans les anomalies oculaires, le développement cellulaire et les voies du système nerveux), tandis que le SETCR ich était associé à 25 gènes (enrichis dans les voies cardiovasculaires). La corrélation génétique entre les deux était faible ( $r_g=0,09$ ).
Interprétabilité : Les cartes d'attention ont mis en évidence les lits vasculaires supérieurs. Parmi les caractéristiques vasculaires, le nombre de bifurcations artérielles présentait la plus forte association avec RetFit ( $\beta=0,287$ ), tandis que le ratio de densité vasculaire était le plus fortement associé au SETCRF.

Signification et affirmations
L'article affirme que RetFit représente un biomarqueur de la CCR novateur, scalable et accessible pour estimer la capacité cardiorespiratoire et évaluer la santé systémique. Sa principale importance réside dans :

Scalabilité : Il offre une méthode pour estimer la CCR dans de larges populations où les tests d'effort ne sont pas disponibles, en utilisant l'imagerie rétinienne de routine.
Aperçu biologique distinct : L'étude postule que RetFit n'est pas simplement un substitut de la performance physique, mais capture une dimension unique de la santé systémique liée à la microvascularisation rétinienne et au développement du système nerveux, comme en témoignent son architecture génétique distincte et son pouvoir pronostique supérieur pour les événements cardiovasculaires dans les modèles ajustés.
Utilité clinique : En démontrant des associations constantes avec les états pathologiques et un fort pouvoir pronostique dans des cohortes externes sans mesures de la CCR, RetFit soutient l'utilisation de l'imagerie rétinienne pour la stratification du risque, tant dans des contextes cliniques que de santé publique, particulièrement pour les populations fragiles ou âgées qui ne peuvent subir de tests d'effort maximaux.

Les auteurs concluent que, bien que RetFit ne reproduise pas totalement la mesure physiologique de la VO2max, il sert d'indicateur puissant, dérivé de l'image, de la santé vasculaire et du risque de maladie, complétant ainsi les mesures traditionnelles de la condition physique.