Détection automatisée de la DMLA exsudative avec le SD-OCT

MEDICAL RETINA Muenster – mechentel news – Maximilian Treder et al ont estimé, dans une étude parue dans le magazine scientifique Graefe’s Archive for Clinical and Experimental Ophthalmology en février 2018, qu’avec une approche basée sur l’apprentissage profond utilisant TensorFlow™, il était possible de détecter la DMLA sur les SD-OCT avec des sensibilités et spécificités élevées. 1112 images SD-OCT de patients avec DMLA exsudative et d’un groupe de contrôle ont été utilisées pour cette étude. Dans un premier temps, un réseau de neurones à convolution (DCNN), pré-traité avec 1.2 million images de ImageNet, a été formé et validé avec 1012 images SD-OCT (DMLA : 701; sains : 311). Durant cette procédure, l’exactitude de validation et l’entropie croisée ont été calculées. Le cadre d’apprentissage profond TensorFlow™ (Google Inc., Mountain View, CA, USA) a été utilisé pour accélérer le processus d’apprentissage. Enfin, un classement DCNN, utilisant l’information du processus d’apprentissage profond, a été testé pour détecter 100 coupes SD-OCT (DMLA : 50; sains : 50). Un score de test DMLA a pu être calculé : 0.98 ou plus de DMLA présumées. Après une itération de 550 étapes d’entrainements, la précision de validation était de 100% et l’entropie croisée de 0.005. Les scores moyens de DMLA étaient de 0.997 ± 0.003 dans le groupe DMLA et de 0.9203 ± 0.085 dans le groupe sain. La différence entre les 2 groupes était hautement significative (p < 0.001). Les auteurs ont conclu qu’avec une approche d’apprentissage profond utilisant TensorFlow™, il était possible de détecter la DMLA dans les SD-OCT avec une sensibilité et une spécificité élevées. Ils précisent qu’avec plus d’images, ce classificateur pourrait être possible pour d’autres maladies ou d’autres détails de la DMLA, ce qui pourrait être utilisé dans les décisions cliniques. Une autre application future pourrait, selon les auteurs, impliquer une prédiction individuelle des progrès et du succès de la thérapie pour différentes maladies en détectant automatiquement les informations cachées des images. (sk)

Auteurs : Maximilian Treder, Jost Lennart Lauermann, Nicole Eter,
Correspondance : Department of Ophthalmology, University of Muenster Medical Center, Domagkstraße 15, 48149, Muenster, Germany. maximilian.treder@ukmuenster.de, Etude : Automated detection of exudative age-related macular degeneration in spectral domain optical coherence tomography using deep learning, Source : Graefes Arch Clin Exp Ophthalmol. 2017 Nov 20. doi: 10.1007/s00417-017-3850-3. [Epub ahead of print], Web : https://link.springer.com/article/10.1007%2Fs00417-017-3850-3