Keratoconus severity detection using LSTM and machine learning techniques
Cette étude emploie deux modèles d'apprentissage automatique basés sur la mémoire à long et court terme (LSTM) pour détecter la sévérité du kératocône en analysant les paramètres oculaires des patients à partir d'images OCT, surveillant efficacement la progression de la maladie en considérant les données oculaires unilatérales et bilatérales.
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
L'œil humain repose sur une fenêtre transparente et bombée à l'avant appelée cornée pour focaliser la lumière et créer des images nettes. Lorsque cette fenêtre est saine, elle maintient une courbe lisse et régulière. Cependant, une affection appelée kératocône provoque un amincissement de la cornée et un bombement vers l'extérieur en forme de cône, un peu comme un ballon qui serait poussé de l'intérieur. Cette déformation disperse la lumière, entraînant une vision floue, de l'éblouissement et des difficultés de vision, commençant souvent à l'adolescence ou dans la vingtaine de l'individu. Bien que la maladie puisse être gérée avec des lunettes ou des lentilles de contact aux stades précoces, elle peut progresser jusqu'à un point où des traitements plus invasifs deviennent nécessaires. Le défi pour les médecins est que la maladie commence souvent de manière subtile, avec des changements si légers qu'ils sont difficiles à repérer lors d'examens standards, pourtant le dépister tôt est vital pour préserver la vue.
Pour remédier à cela, les chercheurs se sont tournés vers un outil d'imagerie puissant appelé tomographie en cohérence optique, qui agit comme une échographie haute résolution pour l'œil, créant des cartes tridimensionnelles détaillées de la surface et de l'épaisseur de la cornée. En analysant ces cartes au fil du temps, les médecins peuvent suivre l'évolution de la cornée. Une nouvelle étude est allée plus loin en apprenant à un ordinateur à reconnaître les schémas de cette progression. Les chercheurs ont utilisé un type d'intelligence artificielle appelé réseau de mémoire à long et court terme (LSTM), un système conçu pour apprendre à partir de séquences d'événements, de la même manière qu'une personne pourrait se souvenir d'une histoire en se rappelant l'ordre dans lequel les événements se sont produits. Au lieu d'examiner un instantané unique d'un œil, l'ordinateur a été entraîné à passer en revue l'historique des scanners oculaires d'un patient, apprenant à prédire la gravité de la pathologie en fonction de la chronologie des mesures.
L'étude s'est concentrée sur une vaste collection de données contenant des milliers de scanners oculaires provenant de patients au Japon. Ces scans comprenaient des centaines de mesures différentes, telles que la courbure de l'avant et de l'arrière de la cornée ainsi que l'épaisseur de ses diverses couches. Les chercheurs ont organisé ces données selon deux approches distinctes pour voir quelle méthode fonctionnait le mieux. La première approche traitait chaque œil comme une histoire séparée, fournissant à l'ordinateur l'historique d'un seul œil à la fois pour prédire sa gravité. La seconde approche était plus complète ; elle examinait simultanément les deux yeux du même patient, reconnaissant que bien que la maladie puisse affecter chaque œil différemment, les deux sont souvent liés dans leur progression. L'ordinateur devait classer les yeux en trois catégories : sains, présentant un stade léger ou précoce de la maladie où les symptômes sont à peine perceptibles, et un stade plus avancé où la forme conique est clairement établie.
Les résultats ont montré que l'ordinateur est devenu très habile dans cette tâche. En examinant les yeux individuellement, le système a correctement identifié les yeux sains et les cas avancés avec une précision quasi parfaite, les distinguant l'un de l'autre presque sans erreur. Il était légèrement plus difficile pour l'ordinateur d'identifier le stade précoce et léger de la maladie, qui est souvent le plus difficile à repérer pour les médecins humains, mais il a donné la bonne réponse dans la grande majorité des cas. Lorsque les chercheurs ont permis à l'ordinateur d'examiner les deux yeux d'un patient ensemble, la précision est restée très élevée, suggérant que la prise en compte de la relation entre les deux yeux fournit des indices précieux. Le système a été capable de prédire le score de sévérité de la maladie avec un haut degré de précision, correspondant aux évaluations médicales réelles dans la plupart des cas.
Ce travail démontre que l'intelligence artificielle peut agir efficacement comme une seconde paire d'yeux pour les médecins, aidant à surveiller les changements lents et souvent invisibles du kératocône au fil du temps. En apprenant de la séquence des scanners passés, l'ordinateur peut repérer des tendances qui pourraient être manquées lors d'un examen unique. L'étude a révélé que l'examen des deux yeux ensemble peut révéler des schémas cachés dans la façon dont la maladie progresse dans le corps d'une personne, offrant une image plus complète que l'examen d'un seul œil de manière isolée. Bien que cette technologie ne soit pas encore un remplacement du jugement d'un médecin, elle offre un outil prometteur pour détecter la maladie plus tôt et suivre sa progression de manière plus fiable, permettant potentiellement de meilleures décisions de traitement avant que la vision ne soit significativement endommagée. Les chercheurs ont noté que les travaux futurs devront tester ces méthodes sur des données provenant de différents hôpitaux et populations afin de s'assurer que le système fonctionne pour tout le monde, mais les conclusions initiales suggèrent une nouvelle façon puissante de protéger la vue.
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.