L'œil humain offre une fenêtre unique sur la santé globale du corps. En examinant la rétine, la couche sensible à la lumière située à l'arrière de l'œil, les médecins peuvent repérer les signes de pathologies telles que le diabète, l'hypertension artérielle et même la maladie d'Alzheimer. Pour ce faire, ils s'appuient souvent sur des photographies du fond d'œil en couleur, qui sont des images détaillées des vaisseaux sanguins et de la tête du nerf optique de la rétine. Ces dernières années, l'intelligence artificielle est devenue un outil puissant pour analyser ces images, aidant à détecter les maladies plus rapidement et plus précisément que jamais auparavant. Cependant, ces systèmes intelligents nécessitent de vastes quantités de données réelles de patients pour apprendre efficacement. Rassembler suffisamment d'images de haute qualité provenant de populations diverses est difficile, coûteux et soulève de graves préoccupations en matière de confidentialité. Cela crée un goulot d'étranglement : plus la technologie devient avancée, plus il est difficile de trouver les exemples du monde réel nécessaires pour l'instruire.

Les chercheurs ont commencé à explorer une solution : la création d'images artificielles, ou synthétiques, qui ressemblent et se comportent comme de véritables photographiques du fond d'œil. Ces images générées par ordinateur ne sont pas des photographies de personnes réelles, mais sont conçues par des algorithmes entraînés sur des données réelles pour imiter les motifs d'yeux sains et malades. L'idée est que ces images synthétiques pourraient compléter les données réelles, permettant aux modèles d'intelligence artificielle d'apprendre davantage sans avoir besoin de collecter des millions de nouvelles photos de patients. Mais une question critique restait sans réponse : l'ajout de simples images truquées rend-il le système plus intelligent, ou existe-t-il un point où les images supplémentaires cessent d'être utiles et ne font que gaspiller la puissance de calcul ? Une équipe de chercheurs s'est donné pour mission de trouver la réponse en testant comment différentes quantités de données synthétiques affectent la performance de ces modèles d'IA médicale.

L'équipe a commencé avec une collection de 28 430 photographies rétiniennes réelles recueillies à partir de trois ensembles de données publics différents. Ces images provenaient de patients de Chine, du Brésil et d'autres régions, couvrant une variété de pathologies oculaires. En utilisant ces données réelles, ils ont entraîné un programme informatique pour générer de nouvelles images rétiniennes synthétiques. Ils ont créé un réservoir massif de 568 600 images synthétiques, ce qui représente vingt fois la taille de leur collection réelle d'origine. Pour tester l'influence de ces images synthétiques sur l'IA, les chercheurs ont conçu six scénarios d'entraînement différents. Le premier scénario utilisait uniquement les images réelles. Le deuxième utilisait uniquement les images synthétiques. Les quatre scénarios restants mélangeaient les images réelles avec des images synthétiques en quantités croissantes : une image synthétique pour chaque image réelle, cinq pour une, dix pour une, et enfin, vingt images synthétiques pour chaque image réelle unique.

Chacun de ces six groupes a été utilisé pour entraîner un modèle d'intelligence artificielle distinct. Ces modèles ont ensuite été mis à l'épreuve lors d'une série de tâches, incluant la détection du glaucome, de la rétinopathie diabétique et de la dégénérescence maculaire liée à l'âge. Les chercheurs ont évalué les modèles de deux manières. Premièrement, ils les ont testés sur des données similaires à celles vues pendant l'entraînement, connues sous le nom de validation interne. Deuxièmement, ils les ont testés sur des ensembles de données complètement différents provenant d'autres hôpitaux et régions, connus sous le nom de validation externe, pour voir si les modèles pouvaient généraliser leurs connaissances à de nouvelles situations. Ils ont également suivi attentivement la puissance de calcul requise pour chaque stratégie, mesurant le nombre total de calculs mathématiques, ou opérations en virgule flottante, nécessaires pour générer les images et entraîner les modèles.

Les résultats ont révélé un tableau nuancé de la manière dont les données synthétiques fonctionnent. Lorsque les modèles étaient testés sur des données familières, la meilleure performance provenait du groupe qui mélangeait les images réelles avec dix fois plus d'images synthétiques. Cette combinaison a atteint les scores de précision les plus élevés parmi tous les groupes. Cependant, lorsque les modèles étaient testés sur des données externes et totalement nouvelles, l'histoire changeait. Le groupe qui utilisait vingt fois plus d'images synthétiques a obtenu les meilleurs résultats, montrant la plus forte capacité à gérer des cas inédits. Curieusement, le groupe qui n'utilisait que des images synthétiques a performé aussi bien que le groupe utilisant uniquement des images réelles lorsque le nombre total d'images était identique. Cela suggère que les images synthétiques peuvent constituer une ressource d'entraînement autonome, du moins pour les tâches testées.

Les chercheurs ont également examiné le coût de ces gains. La génération des images synthétiques a nécessité une quantité phénoménale de puissance de calcul, représentant environ quatre-vingt-dix-neuf pour cent de l'énergie totale utilisée dans l'étude. Le reste a été utilisé pour l'entraînement des modèles. En conséquence, les chercheurs ont constaté que l'utilisation d'une plus petite quantité de données synthétiques offrait un meilleur équilibre entre performance et coût. La stratégie qui mélangeait les images réelles avec seulement une image synthétique pour chaque image réelle a fourni un gain significatif de précision tout en utilisant la plus faible quantité de puissance de calcul parmi les stratégies mixtes. Elle a amélioré les performances des modèles d'une marge notable sans le coût énergétique massif de la génération de milliers d'images supplémentaires.

L'étude conclut qu'il n'existe pas de quantité « parfaite » de données synthétiques à utiliser. Au lieu de cela, la meilleure approche dépend de l'objectif. Si la priorité est de construire un modèle qui performe bien sur de nouvelles données non vues provenant de populations différentes, l'ajout d'un grand volume d'images synthétiques est bénéfique. Si l'objectif est d'améliorer la performance de manière efficace avec des ressources informatiques limitées, ajouter une plus petite quantité de données synthétiques est le choix le plus judicieux. Les conclusions suggèrent que les images synthétiques sont un outil précieux pour l'entraînement de l'IA médicale, soit pour étendre les ensembles de données existants, soit comme ressource autonome lorsque les données réelles de patients sont rares. En adaptant soigneusement la quantité de données synthétiques aux besoins spécifiques du projet et à la puissance de calcul disponible, les chercheurs peuvent construire des outils plus robustes et fiables pour les soins oculaires sans compromettre la confidentialité des patients ni épuiser les ressources numériques.