L'Université Jiao Tong De Shanghai Et L'université Tsinghua Ont Conjointement Lancé DeepDR Plus, Qui Peut Prédire La Progression De La Rétinopathie Diabétique Dans Les 5 Ans En Utilisant Uniquement Des Images Du Fond D'œil.

En 1996, Ella Fitzgerald, connue comme la première dame du jazz,Beverly HillsDécédé à la maison. Ce chanteur talentueux a remporté 13 Grammy Awards et vendu plus de 40 millions d'albums, mais est finalement décédé d'une rétinopathie diabétique (RD). Aujourd’hui, le diabète est classé parmi les quatre principales maladies chroniques dans notre pays, une personne sur dix en souffrant. Selon les données de recherche publiées par l'académicien Jia Weiping en juillet 2023, il y a environ 19,5 millions de patients atteints de rétinopathie diabétique dans mon pays.

Source des données :https://www.nature.com/articles/s41467-023-39864-w

En règle générale, la rétinopathie diabétique est relativement cachée dans les premiers stades et se développe de manière asymptomatique, mais dans les stades avancés, les patients sont presque aveugles et elle est irréversible. Elle est devenue la principale cause de cécité évitable chez les adultes âgés de 20 à 74 ans. La rétinopathie diabétique progresse généralement lentement, mais est affectée par de multiples facteurs de risque. Le risque d’apparition et de progression varie considérablement selon les individus, de sorte qu’un diagnostic précis et une évaluation du risque de développement sont devenus un défi majeur pour les médecins et les patients.

Alors que l’IA joue un rôle de plus en plus important dans le domaine médical, l’apprentissage profond et les réseaux neuronaux convolutifs ont été utilisés pour détecter automatiquement la rétinopathie diabétique à partir de photographies rétiniennes.Mais rares sont ceux qui sont capables de prédire les risques de manière prospective.

À cette fin, l'équipe du professeur Jia Weiping et du professeur Li Huating, doyen de l'Institut de stratégie et de développement de la santé active de l'Université Jiao Tong de Shanghai, du département d'endocrinologie et de métabolisme du sixième hôpital populaire de Shanghai et du laboratoire clé du diabète de Shanghai, l'équipe du professeur Sheng Bin du département d'informatique de l'école de génie électrique de l'Université Jiao Tong de Shanghai/laboratoire clé d'intelligence artificielle du ministère de l'Éducation, et l'équipe du professeur Huang Tianyin, vice-doyen des affaires académiques et directeur de l'école de médecine de l'université Tsinghua, ont construit DeepDR Plus, un système d'alerte précoce des complications de la rétinopathie diabétique basé sur l'apprentissage profond des séquences d'images chronologiques. Il peut prédire la progression de la rétinopathie diabétique dans les 5 ans en se basant uniquement sur des images du fond d'œil.

Points saillants de la recherche :

* Développé et validé un système d'apprentissage profond (DeepDR Plus) pour prédire la progression de la rétinopathie diabétique en utilisant uniquement des images du fond d'œil

* Le système a été appliqué à des cas cliniques réels en Chine et en Inde, prolongeant l'intervalle de dépistage moyen dans les applications cliniques de 12 mois à 31,97 mois

* Le système peut réduire considérablement la fréquence des dépistages et les coûts de santé publique tout en maintenant un taux de diagnostic manqué très faible

Adresse du document :
https://doi.org/10.1038/s41591-023-02702-z
Téléchargement en un clic de l'ensemble de données :
https://hyper.ai/datasets/29716
Suivez le compte officiel et répondez « DR » pour obtenir le PDF complet

Ensemble de données : données cliniques de Chine et d'Inde

Tout d’abord, pour apprendre les caractéristiques associées à la rétinopathie diabétique, le système DeepDR Plus a été pré-entraîné à l’aide de 717 308 images du fond d’œil de 179 327 patients diabétiques du Shanghai Comprehensive Diabetes Prevention and Care System (Shanghai Comprehensive Model) et du Shanghai Diabetes Prevention Program (SDPP).

Parmi eux, SDPP est une étude de cohorte longitudinale communautaire comprenant 79 284 participants qui ont subi des examens physiques au sanatorium de Huadong et au sixième hôpital populaire de Shanghai de décembre 2015 à novembre 2022, dont 25 231 participants ont terminé au moins 4 ans de suivi annuel.

Les chercheurs ont ensuite développé et validé le modèle dans un ensemble de données interne composé de 76 400 images du fond d'œil de 19 100 patients diabétiques de la cohorte de l'étude sur la progression de la rétinopathie diabétique (DRPS), qui a été divisé en un ensemble de données de développement et un ensemble de tests internes dans un rapport de 9:1. Huit cohortes longitudinales indépendantes ont été utilisées pour la validation externe.

Pour évaluer l'efficacité du système DeepDR Plus intégré au flux de travail clinique,L’étude a également mené une étude en conditions réelles dans le cadre d’une étude de cohorte prospective communautaire auprès d’adultes chinois.Au total, 2 185 participants ont été inclus dans l’analyse, dont 538 participants au groupe de gestion intégrée (GI) (programme de gestion du diabète en milieu hospitalier général et communautaire) et 1 647 participants au groupe sans GI. Parallèlement, afin d’évaluer davantage les résultats de l’intégration avec le flux de travail clinique,L’étude a également mené une étude en conditions réelles dans une cohorte prospective indienne (SN-DREAMS).Parmi eux, 992 patients diabétiques ont été suivis pendant 4 années consécutives.

Modèle : Les images du fond d'œil à elles seules peuvent prédire efficacement la progression de la maladie

Le système DeepDR Plus comprend trois modèles permettant de prédire la progression de la rétinopathie diabétique :Modèle de données, modèle de fond d'œil et modèle combiné. dans:

Le modèle de fond d'œil utilise ResNet-50 comme épine dorsale pour extraire les caractéristiques des images de fond d'œil et utilise une couche d'attention douce pour sélectionner les caractéristiques contenant le plus d'informations.Cette étude a d'abord utilisé Momentum Contrast (MoCo, v2) pour créer un extracteur de fonctionnalités pré-entraîné utilisant l'apprentissage auto-supervisé pour extraire des fonctionnalités à partir d'images du fond d'œil. Dans le même temps, l’étude a également utilisé l’indice de concordance (indice C) et SCI Le modèle d’évaluation intégré du score de Brier a prédit les performances de la rétinopathie diabétique chez les participants au cours des 5 prochaines années.

Le modèle de métadonnées saisit des métadonnées pour générer des prédictions de survie,Ces paramètres comprenaient l’âge, le sexe, le statut tabagique, la durée du diabète, le niveau de DR de base, l’indice de masse corporelle, l’HbA1c glyquée, la pression artérielle systolique, la pression artérielle diastolique, les triglycérides, le cholestérol des lipoprotéines de basse densité et le cholestérol des lipoprotéines de haute densité.

Le modèle combiné saisit à la fois le score du fond d'œil et les métadonnées du modèle du fond d'œil.

Lors de la validation interne, les indices de cohérence du modèle de métadonnées, du modèle de fond d'œil et du modèle combiné pour la prédiction de la progression de la rétinopathie diabétique chez les patients étaient respectivement de 0,696, 0,823 et 0,833. Les résultats montrent que les performances du modèle combiné sont similaires à celles du modèle de fond d’œil et meilleures que celles du modèle de métadonnées. Cela démontre la performance prédictive précise du modèle de fond d’œil. Dans 8 ensembles de données externes indépendants, le modèle a obtenu des performances similaires dans la prédiction de la progression de la rétinopathie diabétique.Cela indique que le système DeepDR Plus présente une cohérence élevée et un étalonnage solide.

Afin de déterminer quand les patients doivent demander l’aide d’un ophtalmologiste pour évaluer l’étendue de la progression de la RD, l’étude a également mené 3 analyses de sous-groupes pour démontrer davantage la capacité prédictive du système DeepDR Plus. Les 3 sous-groupes comprenaient le diabète sucré sans rétinopathie transféré au DR (sous-groupe 1), le DR ne nécessitant pas de référence au DR nécessitant une référence (sous-groupe 2) et le DR ne menaçant pas la vision transféré au DR menaçant la vision (sous-groupe 3).

L’étude a utilisé le système DeepDR Plus dans trois sous-groupes principaux pour prédire la détérioration de différents types de grades DR dans les 5 ans à travers des images rétiniennes de base. Les résultats ont montré que l’indice de cohérence du modèle de métadonnées dans les trois principaux sous-groupes était de 0,700 à 0,711 et que l’IBS était de 0,261 à 0,328 ; l'indice de cohérence du modèle du fond d'œil a augmenté à 0,826, 0,820 et 0,824, et l'IBS a diminué à 0,153-0,189 ; l'indice de cohérence du modèle combiné était de 0,835-0,852 et l'IBS était de 0,145-0,167.

En outre, l’étude a évalué les performances prédictives du modèle de fond d’œil sur un ensemble de données externes et a obtenu des résultats comparables à ceux d’un ensemble de données internes.Les résultats ont montré que les images du fond d’œil seules pouvaient prédire efficacement la progression de la maladie.

Intervalles de dépistage personnalisés pilotés par l'IA

Dans cette étude, le groupe IM a bénéficié de tests cliniques réguliers et de mesures métaboliques et a reçu des conseils d'orientation de la part d'experts de l'hôpital général. Par conséquent, cette étude a divisé le groupe IM et le groupe non IM en groupes à faible risque et à haut risque, et a évalué tous les participants à l'aide du modèle de fond d'œil et du modèle de métadonnées dans le système DeepDR Plus.

Dans le groupe non-IM, les patients du groupe à haut risque du modèle de fond d'œil étaient plus susceptibles de développer une rétinopathie diabétique, et les patients du groupe à faible risque du modèle de fond d'œil étaient moins susceptibles de développer une rétinopathie diabétique par rapport au modèle de métadonnées.

En outre, l’étude a évalué la performance des schémas de dépistage personnalisés recommandés par les modèles de métadonnées ou les modèles de fond d’œil par rapport au dépistage annuel fixe.Si tous les participants des groupes IM et non IM suivaient l’intervalle de dépistage personnalisé recommandé par le modèle du fond d’œil, l’intervalle de dépistage moyen pourrait être prolongé de 12 mois à 31,97 mois.Comparé au modèle de métadonnées, le modèle du fond d’œil a permis d’obtenir des réductions similaires de la fréquence de dépistage tout en réduisant de manière significative le taux de détection retardée de la DR. De plus, le taux de détection retardée de toute progression de la DR était plus faible dans le groupe IM par rapport au groupe non IM en utilisant l'intervalle de dépistage recommandé par le modèle du fond d'œil (0,37% contre 1,28%), ce qui suggère que le système DeepDR Plus est garanti pour réduire le taux de détection retardée de la DR, quelles que soient les interventions futures.

En conclusion, par rapport aux modèles de métadonnées, les modèles de fond d’œil peuvent stratifier les participants avec plus de précision, permettant ainsi des interventions personnalisées et réduisant la fréquence du dépistage de la RD tout en réduisant le délai de détection de la progression de la RD.

La Chine est à la pointe du diagnostic de la rétinopathie diabétique par l'IA

récemment,AGILE  L'indice d'évaluation de la gouvernance mondiale de l'intelligence artificielle a été officiellement publié, évaluant et décodant pour la première fois le nouveau paysage de la gouvernance mondiale de l'intelligence artificielle. Les résultats de l’évaluation montrent qu’en termes de niveau de développement de l’intelligence artificielle, les États-Unis et la Chine sont en position de leader en termes de volume total.

Grâce au développement rapide de la technologie nationale d’intelligence artificielle, mon pays a réalisé des progrès encourageants dans le domaine des soins médicaux assistés par l’intelligence artificielle et peut même suivre le rythme des États-Unis dans le seul dépistage de la rétinopathie diabétique. Dès 2013, l'équipe de Jia Wei et l'équipe de Li Huating du sixième hôpital populaire affilié à la faculté de médecine de l'université Jiao Tong de Shanghai, en collaboration avec l'équipe de Sheng Bin du département d'informatique de l'université Jiao Tong de Shanghai, ont commencé à explorer la technologie d'extraction automatique des caractéristiques de la rétinopathie diabétique.

En 2016, Google a utilisé un système d’apprentissage profond pour diagnostiquer avec précision la RD modérée à sévère après une formation avec une grande quantité de données d’image de rétinopathie diabétique. Les résultats ont été publiés dans le Journal of the American Medical Association (JAMA) .

Inspiré par Google, Huang Tianyin, alors directeur du Centre national de l'œil de Singapour, a été choqué. Dans le même temps, Huang Tianyin estime que les recherches de Google présentent encore la limite d'un manque de vérification multiethnique. En 2017, Huang Tianyin et l'équipe du Singapore National Eye Centre ont développé avec succès un nouveau système d'apprentissage profond, qui a été le premier à diagnostiquer efficacement la RD et d'autres maladies ophtalmiques apparentées dans une cohorte multiethnique et multinationale. Les résultats ont ensuite été publiés dans la revue JAMA.

En 2017 également, la Commission de la santé et de la planification familiale de Hangzhou a pris l’initiative de lancer un projet de dépistage de la rétinopathie diabétique, en introduisant une caméra de fond d’œil portable basée sur un diagnostic assisté par intelligence artificielle pour résoudre le problème du manque de ressources médicales professionnelles au niveau local. Dans le même temps, un certain nombre de dispositifs médicaux d’intelligence artificielle sont entrés sur le marché chinois, apportant un nouvel espoir de guérison à davantage de patients.

En 2018, l'équipe de Jia Weiping a coopéré avec l'équipe de Huang Tianyin et s'est associée à des institutions universitaires de classe mondiale telles que le Singapore National Eye Center pour obtenir l'approbation de la création du laboratoire conjoint international « Belt and Road » de Shanghai pour la prévention et le contrôle intelligents des maladies liées au métabolisme afin de mener une coopération dans le domaine de la prévention et du traitement du diabète.

Bien que tout se développe à plein régime, le système de diagnostic IA n'a pas encore été vérifié davantage dans le traitement clinique. En 2020, l'équipe Google a publié un rapport indiquant que son système de diagnostic IA pour la rétinopathie diabétique présentait une forte « inadaptabilité » dans les applications cliniques en Thaïlande. Plus d’un cinquième des images ont été rejetées par le système en raison de problèmes de clarté. Les infirmières ont dû reprendre des photos et les patients ont été transférés vers d’autres hôpitaux pour y être soignés. Le système d’IA concerné a été rejeté après avoir été mis en œuvre dans 11 cliniques en Thaïlande.

Alors que les systèmes de diagnostic d’IA rencontrent des obstacles cliniques à l’étranger, les systèmes de diagnostic d’IA nationaux entrent dans une période de développement rapide. En août 2020, le premier lot de logiciels de diagnostic assisté par imagerie du fond d'œil pour la rétinopathie diabétique, basé sur la technologie d'apprentissage profond, a été approuvé pour la commercialisation. En 2021, l'Université Nankai a publié CABNet (Category Attention Block) et a proposé le Global Attention Block, qui peut améliorer considérablement les performances des architectures profondes existantes avec seulement un petit nombre de paramètres supplémentaires et obtenir d'excellentes performances dans la classification DR.

Également en 2021, l'équipe de Jia Weiping et celle de Sheng Bin ont lancé conjointement le système DeepDR, qui peut distinguer avec précision différents degrés de lésions rétiniennes, des stades légers aux stades prolifératifs.Les principales réalisations ont fait l’objet de trois brevets d’invention en Chine et d’un brevet d’invention aux États-Unis, et ont été mises en œuvre dans de nombreux hôpitaux à travers le pays. La même année, Huang Tianyin devient professeur à l’Université Tsinghua. Les équipes interdisciplinaires médicales et d'ingénierie de l'Université Jiao Tong de Shanghai et de l'Université Tsinghua ont commencé à mener une coopération multidisciplinaire plus étroite et des recherches collaboratives sur la technologie de gestion du diabète assistée par l'IA et la pratique clinique, ce qui a également accéléré les recherches antérieures des deux parties.

Aujourd’hui, le lancement du système DeepDR Plus a considérablement amélioré l’efficacité, l’équité et l’accessibilité du dépistage du fond d’œil dans les pays en développement, et a ouvert une nouvelle voie pour améliorer la qualité, l’efficacité, la réforme et l’innovation des modèles de gestion du diabète dans les pays et régions à revenu faible et intermédiaire du monde entier. Dans un avenir proche, l’intelligence artificielle apportera sûrement un nouvel espoir de guérison à davantage de patients diabétiques.

Références :
1.https://new.qq.com/rain/a/20240123A05OOZ00
2.https://m.thepaper.cn/baijiahao_20929983
3.https://baijiahao.baidu.com/s?id=1791412684120469650&wfr=spider&for=pc
4.https://www.nsfc.gov.cn/csc/20340/20343/57820/index.html