Modèles de Deep Learning dans le diagnostic du kératocône : revue systématique et méta-analyse exploratoire

CORNEA / DEEP LEARNING Zurich – La prévalence du kératocône dans la population générale est estimée à 1 sur 84.Au cours des deux dernières décennies, le diagnostic et la prise en charge ont évolué rapidement, mais son dépistage dans la pratique clinique reste difficile. Ainsi l’apprentissage profond (DL «deep learning») est un outil très prometteur en vue d’améliorer la précision et la rapidité de l’interprétation de l’imagerie médicale. Cet examen systématique a été réalisé conformément aux recommandations de la déclaration PRISMA. Les recherches effectuées par les auteurs autour de Nicolas S. Bodmer de la faculté de médecine de l’Université de Zürich ont porté sur (Pre-)MEDLINE, Embase, Science Citation Index, Conference Proceedings Citation Index, arXiv document server, et Google Scholar depuis la création de l’étude jusqu’au 18 février 2022. Les études retenues évaluaient les performances des algorithmes de DL dans le diagnostic du kératocône. Le résultat principal était la performance diagnostique mesurée par la sensibilité et la spécificité, et la qualité méthodologique des études incluses a été évaluée à l’aide de QUADAS-2. Quatre mille cent enregistrements non dupliqués ont permis d’inclure 19 études dans la synthèse qualitative et 10 études dans la méta-analyse exploratoire. La qualité globale des études était limitée en raison d’un manque d’information sur la sélection des patients et de l’utilisation de normes de référence inadéquates. Une sensibilité groupée de 97,5% (intervalle de confiance à 95%, 93,6% - 99,0%) a été trouvé ainsi qu’une spécificité groupée de 97,2% (intervalle de confiance à 95%, 85,7% - 99,5%) pour les images topographiques en tant que données d’entrée. L’examen systématique publié dans le numéro de février du journal scienifique CORNEA a révélé que la performance diagnostique globale des modéles DL pour la dédection du keratokone était bonne, toute fois la qualité méthodologique des études incluses était modeste. (um)

Auteurs : Bodmer NS, Christensen DG, Bachmann LM, Faes L, Sanak F, Iselin K, Kaufmann C, Thiel MA, Baenninger PB. Correspondance : Nicolas S. Bodmer, MMed, Medignition Inc., Engelstrasse 6, CH-8036 Zurich, Switzerland. E-mail : bodmer@medignition.com Étude : Deep Learning Models Used in the Diagnostic Workup of Keratoconus: A Systematic Review and Exploratory Meta-Analysis. Cornea. Source : 2024 Feb 1. doi: 10.1097/ICO.0000000000003467. Epub ahead of print. PMID: 38300179. Web : https://journals.lww.com/corneajrnl/fulltext/9900/deep_learning_models_used_in_the_diagnostic_workup.474.aspx