Sécurité médicale et santé mondiale
Libre accès

Abstrait

Intelligence artificielle en ophtalmologie : une méta-analyse des modèles d'apprentissage profond pour la segmentation des vaisseaux rétiniens

Tahmina Nasrin Poly

Contexte et objectif : La segmentation précise des vaisseaux rétiniens est souvent considérée comme un biomarqueur fiable du diagnostic et du dépistage de diverses maladies, notamment les maladies cardiovasculaires, le diabète et les maladies ophtalmologiques. Récemment, les algorithmes d'apprentissage profond (DL) ont démontré une grande performance dans la segmentation des images rétiniennes qui peuvent permettre des diagnostics rapides et salvateurs. À notre connaissance, il n'existe pas de revue systématique des travaux actuels dans ce domaine de recherche. Par conséquent, nous avons effectué une revue systématique avec une méta-analyse des études pertinentes pour quantifier les performances des algorithmes DL dans la segmentation des vaisseaux rétiniens. Méthodes : Une recherche systématique sur EMBASE, PubMed, Google Scholar, Scopus et Web of Science a été menée pour les études publiées entre le 1er janvier 2000 et le 15 janvier 2020. Nous avons suivi la procédure Preferred Reporting Items for Systematic Reviews and Meta-analyses (PRISMA). La conception de l'étude basée sur l'apprentissage profond était obligatoire pour l'inclusion d'une étude. Deux auteurs ont examiné indépendamment tous les titres et résumés par rapport à des critères d'inclusion et d'exclusion prédéfinis. Français Nous avons utilisé l'outil d'évaluation de la qualité des études de précision diagnostique (QUADAS-2) pour évaluer le risque de biais et l'applicabilité. Résultats : Trente et une études ont été incluses dans la revue systématique ; cependant, seulement 23 études répondaient aux critères d'inclusion pour la méta-analyse. DL a montré une performance élevée pour quatre bases de données accessibles au public, atteignant une aire moyenne sous le ROC de 0,96, 0,97, 0,96 et 0,94 sur les bases de données DRIVE, STARE, CHASE_DB1 et HRF, respectivement. La sensibilité groupée pour les bases de données DRIVE, STARE, CHASE_DB1 et HRF était respectivement de 0,77, 0,79, 0,78 et 0,81. De plus, la spécificité groupée des bases de données DRIVE, STARE, CHASE_DB1 et HRF était respectivement de 0,97, 0,97, 0,97 et 0,92. Conclusion : Les résultats de notre étude ont montré que les algorithmes DL avaient une sensibilité et une spécificité élevées pour la segmentation des vaisseaux rétiniens à partir d'images numériques du fond d'œil. Le rôle futur des algorithmes DL dans la segmentation des vaisseaux rétiniens est prometteur, en particulier pour les pays ayant un accès limité aux soins de santé. Des études plus approfondies et des efforts mondiaux sont nécessaires pour évaluer la rentabilité des outils basés sur DL pour le dépistage des maladies rétiniennes dans le monde entier.