La rétinopathie des prématurés (RDP) est l'une des principales causes de cécité chez les enfants dans le monde entier, mais elle peut être une maladie rétinienne traitable si elle est diagnostiquée de manière appropriée et opportune.

Cette étude a été réalisée afin de développer un système intelligent robuste basé sur du deep learning pour classer automatiquement la gravité de la RDP à partir d'images du fond d'œil et détecter le stade de la RDP et la présence d'une maladie plus afin de permettre un diagnostic automatisé et un traitement ultérieur.

Méthodes

Au total, 36 231 images de fond d'œil ont été étiquetées par 13 experts rétiniens agréés. Un réseau neuronal convolutif à 101 couches (ResNet) et un réseau neuronal convolutif régional plus rapide (Faster-RCNN) ont été formés à la classification et à l'identification des images. Nous avons appliqué une méthode de validation croisée décuplée pour former et optimiser nos algorithmes. La précision, la sensibilité et la spécificité ont été évaluées dans le cadre d'une tâche de classification à quatre degrés pour évaluer les performances du système intelligent. La performance du système a été comparée aux résultats obtenus par deux experts de la rétine. De plus, le système a été conçu pour détecter le stade de la RDP et la présence de la maladie de plus ainsi que pour mettre en évidence les régions de lésions en se basant sur un réseau de détection d'objets utilisant Faster-RCNN.

Résultats

Le système a atteint une précision de 0,903 pour la classification de la gravité de la POR. Plus précisément, les précisions dans la discrimination entre normal, léger, semi-urgent et urgent étaient respectivement de 0,883, 0,900, 0,957 et 0,870 ; les précisions correspondantes des deux experts étaient de 0,902 et 0,898. En outre, notre modèle a atteint une précision de 0,957 pour la détection du stade de la POR et de 0,896 pour la détection de la maladie plus ; les précisions dans la discrimination du stade I au stade V étaient de 0,876, 0,942, 0,968, 0,998 et 0,999, respectivement.

Conclusions

Notre système a pu détecter le ROP et différencier les images du fond de classification à quatre niveaux avec une grande précision et spécificité. Les performances du système étaient comparables ou supérieures à celles des experts humains, ce qui démontre que ce système peut être utilisé pour soutenir les décisions cliniques.

Lire l'intégralité de l'étude en anglais.

Ce site internet met des documents à votre disposition seulement et uniquement à titre d'information. Ils ne peuvent en aucun cas remplacer la consultation d'un médecin ou les soins prodigués par un praticien qualifié et ne doivent par conséquent jamais être interprétés comme pouvant le faire.

Connexion