Visual Foundation Models with Adapter Learning for Parkinson’s Disease Recognition based on OCT Images

La maladie de Parkinson est une affection progressive qui érode lentement la capacité du corps à bouger, affectant des millions de personnes à travers le monde. Pendant des décennies, les médecins se sont appuyés sur l'observation des symptômes physiques pour la diagnostiquer, mais au moment où ces signes apparaissent, des dommages importants se sont souvent déjà produits dans le cerveau. Ces dernières années, les scientifiques ont découvert que la maladie laisse des traces subtiles non seulement dans le cerveau, mais aussi dans la rétine, la couche sensible à la lumière située à l'arrière de l'œil. En utilisant une technique d'imagerie spécialisée appelée tomographie par cohérence optique, qui crée des coupes transversales détaillées de l'œil, les chercheurs peuvent désormais voir ces changements microscopiques. Le défi résidait dans le fait que les images sont complexes, et apprendre aux ordinateurs à faire la différence entre un œil sain et un œil présentant des signes précoces de Parkinson nécessite de vastes quantités de données et une puissance de calcul immense, des ressources qui sont souvent rares dans les milieux médicaux.

Une équipe de chercheurs de l'Université médicale de Wenzhou en Chine a développé une nouvelle approche pour résoudre ce problème, visant à rendre le diagnostic automatisé plus accessible et efficace. Au lieu de construire un modèle informatique massif à partir de zéro, ce qui exigerait d'énormes ensembles de données et un matériel coûteux, ils ont adapté un système d'intelligence artificielle puissant et préexistant conçu pour la reconnaissance d'images générales. Ce système, connu sous le nom de modèle de fondation visuelle, comprend déjà les éléments de base des images. L'innovation des chercheurs réside dans la manière dont ils ont connecté ce système généraliste à la tâche spécifique de l'identification de Parkinson. Ils n'ont pas forcé l'ensemble du système à tout réapprendre ; au lieu de cela, ils ont inséré trois composants de petite taille et légers, ou adaptateurs, dans le modèle. Ces adaptateurs agissent comme des lentilles spécialisées, permettant au système de se concentrer sur les détails spécifiques des scans oculaires qui comptent pour Parkinson, tels que de minuscules lésions ou de subtils changements dans les couches de tissus, sans avoir besoin de réécrire la connaissance fondamentale du modèle.

L'équipe a testé cette méthode sur une collection de 1 440 images oculaires recueillies auprès de patients de leur hôpital. L'ensemble de données comprenait des scans de 40 individus sains et de 40 patients diagnostiqués avec la maladie de Parkinson, chaque personne ayant contribué avec 18 images. Pour garantir la fiabilité des résultats, ils ont divisé les données en groupes, entraînant le système sur la plupart des images et le testant sur le reste, répétant ce processus cinq fois pour obtenir une image claire de la performance. Les résultats ont montré que leur système adapté pouvait identifier Parkinson avec une précision d'environ 77,66 pour cent. Cette performance était compétitive avec, et dans certains cas meilleure que, d'autres modèles informatiques avancés actuellement utilisés pour des tâches similaires. Crucialement, la nouvelle méthode a obtenu ces résultats en n'ajustant qu'une infime fraction des paramètres totaux du modèle, ce qui la rend beaucoup moins exigeante en ressources informatiques que les approches traditionnelles qui nécessitent la mise à jour de chaque partie du système.

Les chercheurs ont également comparé leur méthode à un large éventail de réseaux d'apprentissage profond existants, incluant des conceptions plus anciennes et bien connues ainsi que des architectures plus récentes et plus complexes. Leur système a surpassé bon nombre de ces modèles établis, démontrant qu'un ajout léger et soigneusement ajusté à un modèle de fondation puissant peut être plus efficace que l'entraînement d'un nouveau réseau à partir de zéro. En figeant les parties principales du modèle pré-entraîné et en n'entraînant que les petits adaptateurs, l'équipe a prouvé qu'il est possible de transférer des connaissances visuelles générales vers une application médicale hautement spécifique sans nécessiter une quantité énorme de données d'entraînement. Cela est particulièrement important pour des conditions médicales comme Parkinson, où la collecte de milliers d'images étiquetées est difficile et coûteuse.

Pour comprendre comment le système prenait ses décisions, les chercheurs ont utilisé une technique de visualisation qui met en évidence les zones du scan oculaire sur lesquelles l'ordinateur se concentrait. Les images ont révélé que leur modèle prêtait une attention particulière aux lésions subtiles et aux changements structurels spécifiques associés à la maladie, alors que d'autres modèles se concentraient parfois sur des zones moins pertinentes. Cela suggère que les trois adaptateurs ont réussi à guider le système pour qu'il apprenne les bonnes caractéristiques. L'étude conclut que cette approche offre une voie prometteuse pour la détection automatisée des maladies, équilibrant une haute précision avec une efficacité computationnelle. Bien que ce travail soit une étape significative, les chercheurs notent que les études futures devront tester la méthode sur des données provenant d'autres centres médicaux pour confirmer qu'elle fonctionne de manière cohérente à travers différentes populations et conditions d'imagerie.