Intelligence artificielle dans la classification des dystrophies de cornée
Calcul d’implant guidé par l’intelligence artificielle
SESSION RECHERCHE CLINIQUE : Intelligence Artificielle
Compte-rendu du Dr Myriam CASSAGNE (Toulouse)
Intelligence artificielle dans la classification des dystrophies de cornée
Artificial intelligence for classification of corneal dystrophies including Fuch’s
D’après Jodhbir S. MEHTA
SESSION RECHERCHE CLINIQUE : INTELLIGENCE ARTIFICIELLE
Compte-rendu du Dr Myriam CASSAGNE (Toulouse)
• Le dépôt de protéines dans la cornée est une maladie cumulative.
Mais elle peut se présenter sous différents phénotypes pour un même génotype ou différents génotypes pour un même phénotype
• Récidive après greffe
• Nouvelles thérapies: thérapies géniques/ molécules chaperonnes
IA dans les dystrophies de cornée ?
IA peut apporter une aide dans la surveillance, le monitoring de ces
dépôts
IA dans les dystrophies de cornée: comment?
Photo originale d’une dystrophie granulaire de type 2 chez une patiente de 63 ans
Description de chaque type de dépôts: triangles gris = lésions granulaires
Flèches jaunes = lésions linéaires
Masque généré semi-
automatiquement –
image idéale
IA dans les dystrophies de cornée: Mesures pour la Segmentation
Superposition de A et B:
- En orange = région commune aux 2
- En bleu clair = région venant uniquement de A
- En bleu foncé = région venant uniquement de B
A B
Evaluation de la précision de la segmentation par 2 opérateurs
Figure A représente le masque de la région d’intérêt généré par une 1ère personne
Figure B représente le masque de la région d’intérêt généré par une 2ème personne
IA dans les dystrophies de cornée - Amélioration entrainement et validation
Photo originale Réel Segmentation Photo originale Réel prédite
Segmentation prédite
Texte ou image
IA dans les dystrophies de cornée - Reproductibilité
Qualité des images originales variables en vie réelle:
Images A: lésions identifiées malgré grossissement modéré
Images B: Identification du reflet de lumière malgré présence au milieu des lésions
Images C: lésions dans l’aire pupillaire identifiées malgré cataracte sous jacente
IA dans les dystrophies de cornée – en vie réelle
IA dans la guttata
Image en rétro-
illumination optimisée.
Cadre 1x1
Comptage manuel Contourage du comptage Comptage automatisé de guttata
• Comparaison du comptage de 2349 guttata en automatisé vs 2057 en manuel
• Moyenne par cadre = 78 (23-171) pour automatisé, et 69 (4-145) en manuel
• L’automatisé surestime légèrement le comptage et la taille (difficultés à différencier de multiples petites gouttes d’une seule mais large)
• Puis validation sur zones de 7 mm, reproductibilité (différence de 3% en moyenne pour le comptage et la taille) en utilisant le « machine learning »
• Analyse de 86 553 gouttes de 40 yeux
• Établissement de cartes colorées de répartition
• Localisation typique en inféro-temporal de la plus forte densité de gouttes
=> même logiciel peut être utilisé pour le suivi des dystrophies de Fuchs
IA dans la guttata
Calcul d’implant guidé par l’intelligence artificielle
IOL power calculation driven by artificial intelligence
D’après Warren HILL
SESSION RECHERCHE CLINIQUE : INTELLIGENCE ARTIFICIELLE
Compte-rendu du Dr Myriam CASSAGNE (Toulouse)
• Chirurgiens antérieurs sont jugés par les patients et leurs confrères, sur leurs résultats réfractifs
• Anciennes méthodes de calcul sont basées sur la position effective de l’implant (ELP)
• Adaptative learning
capacité à optimiser les résultats de manière sophistiquée, basée uniquement sur des données la méthode actuelle limite principalement les possibilités à des situations déjà comprises les méthodes d'optimisation manuelles limitent considérablement le nombre de solutions
• Auto-organisation
la possibilité de créer une représentation indépendante des données
sensibilité améliorée pour identifier et démêler des relations non linéaires complexes
Pourquoi pas pour le calcul d’implant?
Développer un calculateur de puissance d’implant à partir de l’intelligence artificielle du monde réél
IA et calcul d’implant – Pourquoi ?
• 1ère étape: avoir des big data
• 44 participants – 22 pays. Parmi les meilleurs chirurgiens pour chaque pays participant
Projet RBF de calculateur d'intelligence artificielle - effort collaboratif mondial
• Formule Hill – RBF (Radial Basis Function) version 1
• 459 cas – 3 centres
• Pourcentage d’yeux à ± 0.50 D
1ere étude prospective – mai 2016
Tous normaux myopes hypermétropes
La version 2 a inclus davantage d’yeux pour avoir suffisamment de data permettant le calcul de puissance même pour des yeux atypiques (Km élevée, ACD faible, …)
Formule Hill - RBF version 2
Version 3 étendue et « raffinée »
Hill-RBF - version 3
• RBF version 3 atteint 91,2% des yeux à ± 0.50 D
• RBF 3 Meilleure que les autres formules : RBF version 2, Barrett, Holladay I ou SRK/T
IOL YEUX RBF 3 RBF 2 Barrett Holladay I SRK/T
SN60WF 301 89,6 89,5 89,1 86,6 82,0
SN60WF 668 88,7 88,6 88,1 86,4 84,9
Hoya 230 576 98,0 97,9 97 96,7 92,0
SN60WF 385 87,7 86,3 85,7 83,7 83,1
SN60WF 187 85,6 84,0 84,3 81,3 78,7
SN60WF 428 92,8 91,3 91,9 89,1 86,5
ZCB00 157 96,5 95,3 93,0 82,6 82,6
SN60WF 3 445 92,0 91,6 90,8 89,4 87,7
SN60WF 88 89,1 87,1 84,8 76,6 80,9
SN60WF 214 93,1 92,8 92,7 90,0 90,0
SN60WF 440 92,2 92,5 90,9 93,3 90,3
SN60WF 300 87,5 87,5 87,1 83,9 82,9
SN60WF 2751 86,5 84,2 84,5 83,8 81,5