Development of a Multimodal Large Language Model for Early Warning and Diagnosis of Dry Eye Disease

Imaginez une paire d'yeux qui ressentent des sensations de grain de sable, qui brûlent sous le soleil ou qui se troublent lorsque vous essayez de lire sur un écran. Il s'agit de la sécheresse oculaire, une affection courante et souvent frustrante où la surface de l'œil manque d'une humidité suffisante ou du type d'huile approprié pour rester en bonne santé. Ce n'est pas seulement un désagrément mineur ; cela peut endommager la vision et rendre la vie quotidienne difficile. Le diagnostic est toutefois complexe. Un médecin ne peut pas se fier à un test unique. Au lieu de cela, il doit reconstituer un puzzle composé de nombreux indices différents : la façon dont le patient décrit sa douleur, ses antécédents médicaux, ses habitudes de vie comme le temps passé devant les ordinateurs, et ce que le médecin voit en regardant la surface de l'œil à travers un microscope. Pendant des années, l'intelligence artificielle a été douée pour examiner des images ou lire des chiffres, mais elle a eu du mal à faire les deux à la fois d'une manière qui imite le raisonnement minutieux d'un médecin humain.

Une équipe de chercheurs issus d'hôpitaux et d'instituts de recherche de toute la Chine a conçu un nouveau type de programme informatique conçu pour résoudre exactement ce problème. Ils ont créé un système qui agit comme un expert numérique, capable de lire les réponses écrites des patients à des questionnaires, de comprendre leurs antécédents médicaux et d'examiner des photos haute résolution de leurs yeux simultanément. Ce système, qu'ils appellent un modèle de langage étendu multimodal, a été entraîné pour reconnaître les schémas complexes qui signalent la sécheresse oculaire. En combinant ces différents types d'informations, le modèle vise à détecter la maladie tôt, avant même qu'elle ne devienne grave, et à confirmer un diagnostic avec une grande précision. Les chercheurs ont testé cet outil sur des centaines de patients et ont constaté qu'il pouvait distinguer efficacement les yeux sains de ceux souffrant de sécheresse oculaire, obtenant de bons résultats même lorsqu'il était testé sur des données provenant de différents hôpitaux avec des équipements différents.

L'étude a commencé par la collecte d'une vaste collection de données réelles provenant de quatre hôpitaux différents. L'équipe a recruté 874 participants, les divisant en deux groupes. Le premier groupe, composé de 743 patients provenant d'un seul hôpital de Pékin, a été utilisé pour apprendre à l'ordinateur à reconnaître la maladie. Le second groupe, comprenant 131 patients provenant de trois autres hôpitaux dans différentes villes, a été tenu séparément pour tester si l'ordinateur pouvait appliquer ce qu'il avait appris à de nouvelles situations inconnues. Chaque participant a subi un examen approfondi. Ils ont rempli des enquêtes détaillées sur leurs symptômes, tels que la fréquence à laquelle leurs yeux semblaient secs ou l'ampleur des fluctuations de leur vision. Ils ont également fourni leurs antécédents médicaux, incluant des informations sur leur âge, d'autres problèmes de santé et leurs habitudes quotidiennes, comme le temps passé devant des écrans électroniques.

Outre ces réponses écrites, les médecins ont pris des photographies détaillées des yeux des patients. Ces images montraient la surface de l'œil, les minuscules glandes sébacées des paupières et les vaisseaux sanguins. Dans certains cas, les médecins ont utilisé un colorant spécial pour mettre en évidence les zones endommagées de la surface de l'œil. Les chercheurs ont injecté toutes ces informations — les réponses aux sondages, les antécédents médicaux et les images oculaires — dans leur nouveau modèle informatique. Le modèle repose sur une base puissante de technologies d'intelligence artificielle existantes, mais a été spécialement adapté pour comprendre le langage médical et les images. Un élément clé de la conception était une méthode permettant de traduire les données structurées des dossiers médicaux, comme les scores des sondages, en langage naturel que l'ordinateur pourrait traiter aux côtés des images. Cela a permis au modèle d'établir les liens entre le fait qu'un patient dise que ses yeux brûlent et la rougeur spécifique visible sur une photographie.

Les chercheurs ont demandé au modèle d'accomplir deux tâches principales. La première était l'alerte précoce, où le système tentait de prédire le risque de sécheresse oculaire en se basant uniquement sur les réponses aux questionnaires et les facteurs de mode de vie du patient, avant même que des images oculaires ne soient prises. La seconde tâche était le diagnostic, où le modèle utilisait toutes les informations disponibles, y compris les images oculaires, pour déterminer si un patient souffrait effectivement de la maladie. L'équipe a testé le modèle par rapport à deux ensembles de règles utilisés par les médecins : un ensemble de directives internationales et un autre de directives spécifiques à la Chine. Ces règles définissent précisément quelle combinaison de symptômes et de signes constitue la maladie.

Les résultats ont montré que le modèle était très efficace. Lorsqu'il tentait de prédire le risque de sécheresse oculaire en utilisant uniquement les données du questionnaire, le modèle était correct environ 96 % du temps selon les directives chinoises et environ 82 % du temps selon les directives internationales. Il était particulièrement performant pour détecter la maladie lorsqu'elle était présente, manquant très peu de cas. Lorsque le modèle recevait les images oculaires en plus des réponses au questionnaire pour établir un diagnostic final, sa précision s'améliorait davantage. Il identifiait correctement la maladie dans plus de 92 % des cas selon les règles internationales et plus de 93 % selon les règles chinoises. Le modèle était également très efficace pour identifier correctement les personnes ne souffrant pas de la maladie, évitant ainsi les fausses alertes.

Pour comprendre comment le modèle prenait ses décisions, les chercheurs ont examiné les informations sur lesquelles il s'appuyait le plus. Ils ont découvert que les données structurées issues des questionnaires et des dossiers médicaux étaient le facteur le plus important. Lorsqu'ils ont supprimé cette information et ont demandé au modèle de s'appuyer uniquement sur les images oculaires, ses performances ont chuté de manière significative. Cela suggère que pour la sécheresse oculaire, la propre description des symptômes par le patient et ses antécédents médicaux sont les indicateurs les plus forts. Cependant, les images restaient précieuses. Le modèle les utilisait pour confirmer ses suspicions et pour pointer des signes physiques spécifiques, tels que des glandes sébacées obstruées ou de minuscules points de dommage sur la surface de l'œil. L'ordinateur a appris à focaliser son attention sur les zones exactes de l'œil qu'un médecin humain examinerait, mettant en évidence la rougeur et la texture des glandes des paupières.

L'équipe a également testé le modèle sur le groupe distinct de patients provenant des trois autres hôpitaux pour voir s'il fonctionnerait dans différents contextes réels. Ces hôpitaux utilisaient des caméras et des équipements différents pour prendre les photos oculaires. Malgré ces différences, le modèle a maintenu son haut niveau de précision. Il a diagnostiqué avec succès la maladie dans le nouveau groupe de patients, prouvant qu'il pouvait s'adapter aux variations dans la collecte des données. Cela suggère que l'outil pourrait être utile dans une large gamme de cliniques, et pas seulement dans celle où il a été initialement créé. Les chercheurs ont noté que le modèle était particulièrement performant pour identifier la maladie chez les adultes âgés, un groupe où la condition est la plus fréquente, bien qu'ils aient reconnu que les données comprenaient moins de cas de maladie très légère.

L'étude conclut que cette nouvelle approche offre une voie prometteuse pour améliorer la détection et le diagnostic de la sécheresse oculaire. En combinant la voix du patient avec les preuves visuelles du médecin, le modèle crée une image plus complète de la santé du patient que l'une ou l'autre de ces méthodes ne pourrait le faire seule. Les chercheurs soulignent que, bien que l'outil soit puissant, il est conçu pour assister les médecins, et non pour les remplacer. Il fournit un moyen robuste et évolutif de dépister la maladie et de soutenir les décisions cliniques, aidant potentiellement à détecter la condition plus tôt et à réduire la charge des patients qui souffrent d'un inconfort oculaire chronique. Ce travail démontre que lorsque l'intelligence artificielle est entraînée à comprendre à la fois les chiffres et les images que les médecins utilisent quotidiennement, elle peut devenir un partenaire fiable pour la santé oculaire.