Compte-rendu du congrès WOC 2020

(1)

Applications de l’intelligence artificielle à la rétinopathie des prématurés

Applications of AI to Retinopathy of Prematurity

D’après Michael Chiang (Etats-Unis)

WOC 2020

SESSION « Artificial intelligence in ophthalmology? »

(2)

L’intelligence artificielle en ophtalmologie?

Rétinopathie des prématurés : 1^èrecause de cécité chezl’enfant

L’un des critères importants pour l’indication de traitement : « stade + de la maladie » (dilatation veineuse, tortuosité artériolaire,…)

• Grande disparité de diagnostic de ce stade « + » pour les mêmes cas cliniques parmi des experts

• Il n’y aurait donc pas uniquement 3 catégories « normal », « pré- + » et « + », mais plutôt un spectre continu entre ces catégories

→Intelligence artificielle / deep learning

• Quantification (mesure objective!) des paramètres vasculaires→affine le diagnostic

• 1) segmentation des images du fondd’œil

• 2) établissement de cartes vasculaires du fondd’œil

• 3) identification de paramètres précis dans ces cartographies vasculaires

• 4) analyse des caractéristiques

• 5) classification clinique

WOC 2020

D’après Michael Chiang

Applications de l’intelligence artificielle à la rétinopathie des prématurés

(3)

• Intelligence artificielle aussi – voir même plus – efficace que les experts pour classer en 3 catégories (normal, pré- +, +)(Brown et al.,JAMA Ophtht, 2018)

• Intelligence permetd’augmenter le nombre de catégorie de classement : 3→9

• Intérêt clinique : se rapproche de la notion de continuum de la pathologie entre les différents stades;permet d’affiner l’évaluationclinique (stable, amélioration, détérioration)

• Intérêt pratique : aide à la compréhension du système de classification établi parl’intelligenceartificielle

• Intérêt scientifique : + de catégories permetd’affinerles comparaisons

• Applications

• Dépistage: aide ++ au clinicien(Redd et al. In press)

• Evaluation de la progression de la maladie : prédire le risque, identification fine et précoce del’évolution de la maladie (Taylor et al. In press)

• Evaluation de la régression de la maladie = efficacité du traitement : évaluation fine de la réponse au traitement et recherche du traitement le + adapté à chaque stade de la maladie

WOC 2020

D’après Michael Chiang

Applications de l’intelligence artificielle à la rétinopathie des prématurés

(4)

Compte-rendu du congrès WOC 2020

L’intelligence artificielle pour le dépistage de la rétinopathie diabétique

AI for Diabetic Retinopathy Screening

D’après Srinivas Sadda (Etats-Unis)

WOC 2020

SESSION « Artificial intelligence in ophthalmology? »

(5)

Rétinopathie diabétique : cause principale de cécité de la population active dans de nombreux pays

• 90% de la cécité causée par le diabète est évitable par un diagnostic plus précoce

→Intérêt de la prévention et du dépistage

• Télé-dépistage déjà développé : nécessite souvent l’intervention d’un médecin pour l’analyse des images

→Intérêtd’undépistage automatisé par intelligence artificielle

• Classification « automatique » des patients

• Atteints ou nond’unerétinopathie diabétique qui doit être référée à un médecin (rDR)

• Une RDNP légèren’estpas considérée comme « à référer »

• Atteints ou nond’unerétinopathie diabétique menaçant la vision(œdèmemaculaire diabétique cliniquement significatif)

↳aucun des deux critères→planificationd’unprochain rendez-vous de dépistage

↳un des deux critères ou les deux→référé chez un ophtalmologue

WOC 2020

D’après Srinivas Sadda

L’intelligence artificielle pour le dépistage de la rétinopathie diabétique

(6)

L’intelligence artificielle en ophtalmologie?

WOC 2020

L’intelligence artificielle pour le dépistage de la rétinopathie diabétique

(7)

Etude pivot EyeArt :

• Objectif : détection des rétinopathies diabétiques devant être référée (rDR) ou menaçant la vision

• M&M : Systèmed’intelligenceartificielle EyeArt, basé sur 2 photos non mydriatiques parœil

WOC 2020

L’intelligence artificielle pour le dépistage de la rétinopathie diabétique

Résultats :

• Sur 1194 cas considérés sans rDRpar EyeArt

• 1180/1194= effectivement sans rDR selon l’évaluation habituelle (médecin, ETDRS)

• 14/1194= “auraient dû” être considérés comme rDR (mais ces 14 cas sont des RDNP légères à modérées)

• Sur 480 cas considérés avec rDRpar EyeArt

• 296/480= effectivement avec rRD

• 184/480= “auraient dû” être considérés sans rDR

(mais 119/184 sont des RNDP légères) © Srinivas Sadda

(8)

L’intelligence artificielle en ophtalmologie?

Etude pivot EyeArt :

• « Haute sensibilité et haute spécificité » pour la détection de rétinopathie diabétique à référer ou non en comparaison à une évaluation classique et manuelle selon la classification ETDRS

• Permet de réduire le coût, d’augmenter la performance et d’améliorer l’efficacité du dépistage de la RD

WOC 2020

L’intelligence artificielle pour le dépistage de la rétinopathie diabétique

(9)

L’intelligence artificielle en anatomopathologie oculaire : analyse d’images de mélanome uvéal

Artificial Intelligence in Ophthalmic Pathology: Digital Image Analysis in Uveal Melanoma

D’après Christina Herrspiegel (Suède)

WOC 2020

SESSION « Artificial intelligence in ophthalmology? »

(10)

L’intelligence artificielle en ophtalmologie?

Mélanome uvéal : tumeur intraoculaire primitive la plus fréquente

• Jusqu’àla moitié des patients développeront des métastases, avec une faible survie (1-2 ans)

→Facteurs de risque de métastase

• FR cliniques : épaisseur, extériorisation extra-sclérale, atteinte des corps ciliaires,…

• FR génomiques : monosomie du chromosome 3 et faible expression du gène BAP-1

• Quid del’analysehistopathologique du mélanome uvéal?

• 1) Analyse automatiséed’imagesnumériques

• 2) Intelligence artificielle

WOC 2020

D’après Christina Herrspiegel

L’intelligence artificielle en anatomopathologie oculaire : analyse d’images de mélanome uvéal

(11)

Analysed’imagenumérisée

• Evaluation du nombre de cellules positives pour BAP-1

• 1) Sélectiond’unezoned’intérêt

• 2) Compte automatique du nombre de cellules + pour BAP-1

• 3) Etablissementd’unpourcentage

• →Prédictif de la survie du patient

• Mormphométrie du noyau des cellules tumorales

• Analyse du rapport noyau/cytoplasme dans les cellulesd’unerégiond’intérêt

• Rapport variable entre un type histologique plutôt épithélioïde ou plutôt fusiforme

• Rapide, reproductible et fiable

WOC 2020

L’intelligence artificielle en anatomopathologie oculaire : analyse d’images de mélanome uvéal

(12)

L’intelligence artificielle en ophtalmologie?

Intelligence artificielle

• Analyse automatique d’unelame numérisée

• Détermination automatique de zones où les cellules expriment BAP-1 (P), de zones où elles ne l’expriment pas (N), de zones d’interprétationdifficile (B) et de zone sans intérêt ((E), pas de cellules tumorales)

• Détermination automatique du taux d’expression de BAP-1 dans la tumeur

WOC 2020

L’intelligence artificielle en anatomopathologie oculaire : analyse d’images de mélanome uvéal

Excellente corrélation du taux d’expression de BAP-1 tel qu’estimé par l’intelligence artificielle et la survie du patient