Prédiction de la progression de l’atrophie géographique individuelle par apprentissage profond à partir d’un seul OCT de base

MEDICAL RETINA Vienne – Les scientifiques autour de Julia Mai, du laboratoire d’analyse d’images ophtalmiques OPTIMA, rattaché au département d’ophtalmologie et d’optométrie de l’université médicale de Vienne, Autriche, ont évalué un algorithme basé sur l’apprentissage profond pour prédire la progression individuelle des lésions d’atrophie géographique (AG) de 100 patients, 184 yeux, à partir d’images OCT de base et d’autofluorescence du fond d’œil (Spectralis, Heidelberg Engineering) provenant de patients atteints d’AG secondaire à une dégénérescence maculaire liée à l’âge, dans le cadre de soins cliniques de routine inscrits consécutivement. Les images d’autofluorescence ont été annotées manuellement pour délimiter la zone de l’AG par des lecteurs certifiés du Vienna Reading Center. Ces annotations ont ensuite été enregistrées anatomiquement sur les scans OCT correspondants, servant de référence pour évaluer les performances du modèle. Une méthode basée sur l’apprentissage profond a été utilisée pour modéliser la croissance des lésions d’AG au fil du temps à partir d’un seul OCT de base. Les chercheurs ont également analysé la capacité de l’algorithme à détecter les progressions rapides pour les 10%, 15% et 20% des taux de croissance les plus élevés de l’AG. Les principaux critères d’évaluation étaient le coefficient de similarité de Dice (DSC) et l’erreur absolue moyenne (EAM) entre la croissance manuelle et la croissance prédite de l’AG. L’outil basé sur l’apprentissage profond a permis d’identifier de manière fiable l’activité de la maladie dans l’AG à partir d’une seule image OCT prise à un point temporel de référence. Le DSC moyen pour la région totale de l’AG a augmenté au cours des deux premières années de prédiction (0,80 – 0,82). Au-delà de 3 ans, le DSC a légèrement diminué pour atteindre une moyenne de 0,70. L’EAM était faible la première année et augmentait progressivement avec le temps, avec des valeurs moyennes allant de 0,25 mm à 0,69 mm pour la prédiction de la région totale de l’AG. Le modèle a obtenu une aire sous la courbe de 0,81, 0,79 et 0,77 pour l’identification des 10%, 15% et 20% des taux de croissance les plus élevés, respectivement. Ainsi, les auteurs déclarent dans le numéro de janvier 2024 du magazine scientifique OPHTHALMOLOGY SCIENCE, que l’algorithme proposé est capable de prédire automatiquement la croissance des lésions d’AG à partir d’une seule image OCT de base, sous forme de cartes en face, et constitue une avancée prometteuse vers des outils d’aide à la décision clinique pour le dosage thérapeutique et l’orientation de la prise en charge des patients, étant donné que le premier traitement de l’AG est récemment devenu disponible. (um)

Auteurs : Mai J, Lachinov D, Reiter GS, Riedl S, Grechenig C, Bogunovic H, Schmidt-Erfurth U. Correspondance : Ursula Schmidt-Erfurth, MD, Professor and Chair, Department of Ophthalmology, Medical University of Vienna, Spitalgasse 23, 1090 Vienna, Austria. E-mail : ursula.schmidt-erfurth@meduniwien.ac.at Étude : Deep Learning-Based Prediction of Individual Geographic Atrophy Progression from a Single Baseline OCT. Source : Ophthalmol Sci. 2024 Jan 17;4(4):100466. doi: 10.1016/j.xops.2024.100466. PMID: 38591046; PMCID: PMC11000109. Web : https://www.ophthalmologyscience.org/article/S2666-9145(24)00002-2/fulltext