Interpretable Fundus Image Classification via Ring-Based Retinal Vasculature Features
Cette étude présente un cadre d'interprétabilité pour la classification d'images de fond d'œil qui utilise des descripteurs de vascularisation rétinienne basés sur des anneaux afin d'atteindre des performances comparables aux modèles préentraînés à grande échelle, tout en offrant une transparence accrue et nécessitant un minimum de données d'entraînement spécifiques à la tâche.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Chaque jour, des millions de personnes comptent sur la photographie du fond d'œil, une technique de photographie spécialisée qui capture l'arrière de l'œil, pour le dépistage de maladies menaçant la vue. Cette simple image recèle une mine d'informations sur la santé du corps, particulièrement en ce qui concerne des pathologies comme la rétinopathie diabétique et le glaucome, qui sont des causes majeures de cécité dans le monde. Pendant des décennies, les médecins ont examiné ces photographies à l'œil nu, cherchant des changements subtils dans le réseau délicat de vaisseaux sanguins qui alimentent la rétine. Ils vérifient si les vaisseaux sont devenus trop larges, trop tortueux ou ont changé de couleur, utilisant ces indices visuels pour diagnostiquer la maladie. Cependant, ce jugement humain peut varier d'un médecin à l'autre, et le volume considérable d'images rend un dépistage rapide et cohérent difficile. Ces dernières années, de puissants programmes informatiques appelés modèles d'apprentissage profond (deep learning) ont été entraînés pour lire ces images automatiquement, égalant ou dépassant souvent la précision humaine. Pourtant, ces programmes fonctionnent comme des boîtes noires ; ils établissent un diagnostic basé sur des motifs complexes et cachés qu'il est impossible pour un humain de voir ou de comprendre, laissant les médecins perplexes quant au pourquoi l'ordinateur est parvenu à sa conclusion.
Une nouvelle étude menée par des chercheurs de l'Université de Toronto, de l'Université Duke Kunshan et de l'Université York propose une voie différente. Au lieu de s'appuyer sur des motifs cachés, ils ont développé une méthode qui décompose l'image de l'œil en une série d'anneaux concentriques, semblables aux cernes d'un arbre, centrés sur la papille optique où les principaux vaisseaux sanguins pénètrent dans l'œil. En mesurant des caractéristiques spécifiques et compréhensibles des vaisseaux sanguins au sein de chaque anneau — telles que leur épaisseur, leur façon de bifurquer, leur couleur et leur contraste avec le tissu environnant — l'équipe a créé une carte claire et transparente de la santé vasculaire de l'œil. Cette approche ne se contente pas de dire à un médecin si un patient est atteint d'une maladie ; elle explique exactement quelles parties du réseau vasculaire et quels traits physiques spécifiques ont conduit à cette conclusion. Les chercheurs ont découvert que cette méthode, qui repose sur des mesures directes plutôt que sur des algorithmes cachés, peut classer les maladies oculaires avec une grande précision, égalant les performances des modèles informatiques les plus avancés et complexes, tout en restant entièrement compréhensible pour un observateur humain.
Le cœur de ce travail réside dans la manière dont les chercheurs ont organisé l'information. Ils ont divisé l'image du fond d'œil en zones circulaires rayonnant vers l'extérieur à partir de la papille optique. Dans chaque zone, ils ont calculé quatre types distincts d'informations. Premièrement, ils ont mesuré la géométrie des vaisseaux, comptant le nombre de ramifications et la surface couverte par les vaisseaux sanguins. Deuxièmement, ils ont analysé la couleur des vaisseaux, observant l'équilibre entre la lumière rouge et la lumière verte, ce qui peut indiquer la quantité d'oxygène transportée par le sang. Troisièmement, ils ont examiné la texture de la zone immédiatement entourant les vaisseaux, vérifiant les changements subtils de l'arrière-plan qui pourraient signaler une maladie. Enfin, ils ont combiné ces mesures en un ensemble compact de chiffres pour chaque image. Ce processus transforme une photographie colorée et complexe en une liste structurée de faits qu'un simple classificateur informatique peut lire. Le résultat est un système qui est non seulement précis, mais aussi interprétable, permettant à un médecin de voir exactement quel anneau ou quelle caractéristique a le plus contribué au diagnostic.
Lorsque les chercheurs ont testé ce système basé sur les anneaux sur trois collections différentes d'images oculaires, les résultats ont été frappants. Sur un ensemble de données contenant des images de haute qualité avec des cartes de vaisseaux tracées par des experts, la méthode a atteint une précision parfaite. Sur un autre ensemble de données avec des images plus difficiles et de moindre qualité, elle a tout de même obtenu des performances exceptionnelles, égalant la précision de RETFound, un modèle d'intelligence artificielle de pointe entraîné sur plus de 1,6 million d'images rétiniennes. Cette comparaison est significative car elle suggère que la méthode simple et transparente des chercheurs peut rivaliser avec des modèles de deep learning massifs et complexes sans nécessiter de quantités énormes de données ou de puissance de calcul. En fait, l'étude a révélé que ces modèles de deep learning puissants pourraient s'appuyer sur des raccourcis. Lorsque les chercheurs ont modifié l'arrière-plan des images ou changé la taille du champ de vision visible, les performances des modèles de deep learning ont chuté de manière significative. Cela suggère que ces modèles avancés captaient parfois des indices liés à la manière dont la photo a été prise — tels que les réglages de la caméra ou le cadrage spécifique — plutôt que les signes biologiques de la maladie. La méthode basée sur les anneaux, en revanche, est restée stable car elle se concentre strictement sur les propriétés physiques des vaisseaux sanguins eux-mêmes.
L'étude a également exploré comment la qualité des cartes de vaisseaux initiales affectait le diagnostic final. Dans les cas où l'ordinateur devait deviner l'emplacement des vaisseaux sanguins automatiquement, la précision était légèrement inférieure à celle obtenue lorsque les experts fournissaient les cartes, mais elle restait très solide. Cela indique que, bien qu'une détection précise des vaisseaux soit importante, la méthode est suffisamment robuste pour gérer les variations du monde réel concernant la qualité des images. De plus, les chercheurs ont découvert que différents types de caractéristiques importaient de différentes manières. Par exemple, les mesures liées à la couleur et à l'oxygénation du sang fournissaient des informations uniques que la géométrie seule ne pouvait capturer. Lorsqu'ils ont supprimé ces caractéristiques basées sur la couleur de leur modèle, la précision a nettement chuté, prouvant que la combinaison de la forme, de la couleur et de la texture est essentielle pour obtenir un tableau complet.
Peut-être plus important encore, les chercheurs ont démontré que leur méthode pouvait être comprise. Ils ont créé des cartes thermiques visuelles qui mettaient en évidence exactement quels anneaux de l'œil soutenaient le diagnostic. Pour un œil sain, le système pointait des anneaux spécifiques où les motifs vasculaires correspondaient à une norme saine. Pour un œil malade, il mettait en évidence les anneaux où les vaisseaux étaient trop fins, trop tortueux ou avaient la mauvaise couleur. Ce niveau de transparence est une chose que les modèles de deep learning peinent à fournir. Un modèle de deep learning peut dire « c'est un glaucome », mais il ne peut souvent pas expliquer pourquoi. La méthode basée sur les anneaux, cependant, peut dire « c'est un glaucoma parce que les vaisseaux de l'anneau le plus proche de la papille sont nettement plus fins que la normale ». Cette capacité à lier un diagnostic directement à un changement physique mesurable rend l'outil précieux non seulement pour le dépistage, mais aussi pour la compréhension de la progression de la maladie.
Les chercheurs ont pris soin de noter les limites de leurs travaux. La méthode dépend de la capacité à identifier précisément les vaisseaux sanguins dans un premier temps ; si l'image est trop floue ou si les vaisseaux sont trop ténus, les mesures peuvent être moins fiables. Ils ont également reconnu que leurs mesures de couleur sont relatives et ne sont pas calibrées selon des normes physiologiques absolues, ce qui signifie qu'elles sont plus utiles pour comparer des images que pour mesurer des niveaux d'oxygène exacts. Malgré ces contraintes, l'étude suggère une direction prometteuse pour l'avenir de l'imagerie médicale. En revenant aux propriétés fondamentales et observables de l'œil et en les organisant d'une manière qui reflète la compréhension anatomique humaine, les chercheurs ont créé un outil qui est à la fois puissant et transparent. Il offre un moyen d'exploiter la vitesse des ordinateurs sans perdre la capacité de faire confiance et de comprendre le diagnostic, comblant ainsi le fossé entre les données complexes et l'aperçu clinique. Dans une ère où l'intelligence artificielle devient de plus en plus sophistiquée, ce travail nous rappelle que, parfois, l'outil le plus efficace est celui qui parle la même langue que le médecin qui l'utilise.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.