Identifying Intraoperative Floppy Iris Syndrome (IFIS) Using AI

Résumé Technique : Identification du Syndrome de l'Iris Flasque Intraopératoire (SIFI) par l'IA

Énoncé du Problème
Le Syndrome de l'Iris Flasque Intraopératoire (SIFI) est une pathologie caractérisée par une dilatation pupillaire médiocre et un iris élastique qui résiste à l'étirement mécanique lors de la chirurgie de la cataracte. Elle augmente considérablement le risque de complications peropératoires, notamment les lésions de l'iris, la déhiscence de la plaie, la rupture de la capsule postérieure et la perte de vitré, pouvant entraîner une déficience visuelle à long terme. Actuellement, la prédiction préopératoire du SIFI repose principalement sur les facteurs de risque cliniques, notamment l'utilisation de médicaments antagonistes des récepteurs alpha-1. Cependant, un nombre important de cas de SIFI survient chez des patients sans antécédents de prise de tels médicaments, et l'évaluation clinique seule peut omettre des indicateurs anatomiques subtils. L'étude vise à évaluer si les algorithmes d'Intelligence Artificielle (IA) peuvent utiliser l'imagerie du segment antérieur préopératoire de routine pour identifier plus efficacement les patients à risque de SIFI que les méthodes actuelles.

Méthodologie
L'étude a utilisé une cohorte rétrospective de 2 220 patients (3 239 yeux) ayant subi une chirurgie de la cataracte au Centre Médical Rabin entre avril 2016 et novembre 2022. Le jeu de données a été divisé en ensembles d'entraînement (60 %), de validation (20 %) et de test (20 %), en veillant à ce que les images provenant du même identifiant de patient n'apparaissent pas dans différents ensembles afin d'éviter la fuite de données.

• Acquisition des Données : Les images préopératoires ont été acquises à l'aide du biomètre optique Tomey OA-2000, qui capture à la fois des images infrarouges (IR) et des images de tomographie en cohérence optique à source balayée (SS-OCT). Le diagnostic de SIFI a été confirmé sur la base du rapport chirurgical où le chirurgien a explicitement noté la présence du syndrome.
• Traitement d'Image : Les images infrarouges (initialement en niveaux de gris 360×330) ont été redimensionnées en 224×224 pixels, centrées sur la pupille et converties en tenseurs RGB. Des techniques d'augmentation de données, incluant des retournements horizontaux/verticaux et le « Pizza-Slicing » (découpage des images en 4 ou 8 tranches), ont été appliquées à l'ensemble d'entraînement pour traiter le déséquilibre des classes.
• Architectures de Modèles :
  • Classification Infrarouge : Quatre architectures de réseaux de neurones convolutifs (CNN) ont été évaluées : ConvNeXt-large-224, ResNet-50, EfficientNet-b7 et MobileNet. Toutes ont été pré-entraînées sur ImageNet-1K et affinées pendant 20 époques.
  • Classification OCT : Un modèle ResNet-50 a été entraîné sur des images de la tomographie du segment antérieur.
  • Détection d'Anomalies : Un modèle EfficientAd (architecture étudiant-enseignant) a été employé pour détecter le SIFI comme une anomalie au sein du jeu de données.
  • Stratégie d'Ensemble : Pour les images OCT, un vote majoritaire a été appliqué sur plusieurs images du même œil pour déterminer la classification finale.
• Base de Référence Humaine : Deux chirurgiens spécialisés en cataracte, en aveugle de toutes les données cliniques, ont évalué manuellement un sous-ensemble de 100 images infrarouges pour établir une base de référence de la performance humaine.
• Analyse Statistique : La performance a été évaluée à l'aide de l'aire sous la courbe ROC (AUC), de la sensibilité, de la spécificité et de la précision. Une régression logistique multivariée a également été réalisée pour corréler les variables cliniques (ex: utilisation d'antagonistes alpha-1, taille de la pupille, profondeur de la chambre antérieure) avec l'occurrence du SIFI.

Résultats Clés

• Démographie Clinique : La cohorte comprenait 243 yeux (7,5 %) avec un SIFI confirmé. Des différences significatives ont été trouvées entre les groupes SIFI et non-SIFI concernant l'âge (plus élevé dans le groupe SIFI), l'utilisation d'antagonistes alpha-1 (14,3 % contre 4,7 %), la profondeur de la chambre antérieure (plus superficielle dans le SIFI), l'épaisseur du cristallin (plus large dans le SIFI) et la taille de la pupille (plus petite dans le SIFI).
• Régression Logistique Multivariée : Un modèle basé sur les variables cliniques a atteint une AUC de 70 %. Les prédicteurs clés étaient l'utilisation d'antagonistes alpha-1 (OR 1,14), le genre et la taille de la pupille.
• Grades Humains : Les deux chirurgiens ont obtenu des AUC respectives de 55 % et 49 % lors de l'évaluation des images infrarouges seules, indiquant une capacité limitée à prédire visuellement le SIFI sans données supplémentaires.
• Performance des Modèles d'IA :
  • Classification Infrarouge : Le modèle ConvNeXt-large-224 a obtenu la meilleure performance parmi les CNN avec une AUC de 65,5 %. Les autres modèles (EfficientNet-b7, MobileNet, ResNet-50) ont été moins performants, avec des AUC allant de 39,8 % à 54,6 %. Les modèles ont souffert du déséquilibre des classes, montrant un faible rappel binaire (ex: 4,26 % pour ConvNeXt) malgré un rappel pondéré élevé.
  • Classification OCT : Le modèle ResNet-50 sur les images OCT a atteint une AUC de 57,8 % sur les images individuelles, laquelle s'est améliorée à 61,7 % grâce à l'application du vote majoritaire.
  • Détection d'Anomalies : Le modèle EfficientAd a atteint une AUC de 53,3 % (53,5 % dans la section résultats), avec un rappel parfait (100 %) mais une faible précision (26,8 %) et une faible exactitude (26,9 %).

Contributions Clés et Signification
L'étude démontre que les algorithmes d'IA peuvent aider les ophtalmologistes à identifier les patients à risque de SIFI en utilisant l'imagerie préopératoire de routine, surpassant potentiellement les chirurgiens expérimentés lorsqu'ils se basent uniquement sur l'analyse d'images. Plus précisément :

1. Supériorité de l'Évaluation Visuelle Humaine : Le meilleur modèle d'IA (ConvNeXt-large-224) a atteint une AUC de 65,5 %, dépassant la performance des experts humains (49–55 %) dans la prédiction du SIFI à partir des images infrarouges seules.
2. Intégration des Modalités d'Imagerie : La recherche valide l'utilité des images infrarouges et de l'OCT pour cette tâche, la régression logistique multivariée (données cliniques) ayant atteint l'AUC la plus élevée (70 %), ce qui suggère que l'analyse d'image par l'IA complète plutôt qu'elle ne remplace l'évaluation des facteurs de risque cliniques.
3. Traitement du Déséquilibre des Classes : L'étude souligne la difficulté de détecter le SIFI en raison de sa faible prévalence (~7,5 %) et du déséquilibre des classes qui en résulte, ce qui impacte sévèrement la précision et le rappel des modèles. Les auteurs notent que si la détection d'anomalies a offert un rappel parfait, elle nécessite une optimisation supplémentaire pour équilibrer la précision.

Limites et Orientations Futures
Les auteurs reconnaissent plusieurs limites, notamment le déséquilibre du jeu de données, la variabilité du signalement de la sévérité du SIFI par les chirurgiens, et l'utilisation d'images infrarouges en niveaux de gris qui manquent d'informations de couleur (telles que la couleur de l'iris, précédemment liée au risque de SIFI). L'article conclut que bien que l'IA soit prometteuse, des recherches supplémentaires sont nécessaires sur d'autres modalités d'imagerie et une optimisation des modèles pour améliorer la précision de la prédiction et la généralisation avant toute mise en œuvre clinique. L'étude ne prétend pas que l'IA peut actuellement remplacer le jugement clinique, mais sert plutôt d'outil complémentaire potentiel pour une planification chirurgicale plus sûre.