L'apprentissage profond est efficace pour la classification des images OCT normales et atteintes de dégénérescence maculaire liée à l'âge.

Objectif : L'arrivée des Dossiers Médicaux Électroniques (DME) avec de vastes bases de données d'imagerie électronique, associée aux progrès réalisés dans les réseaux neuronaux profonds et l'apprentissage automatique, offre une opportunité unique pour atteindre des jalons dans l'analyse d'images automatisée. La tomographie par cohérence optique (TCO) est la modalité d'imagerie la plus couramment utilisée en ophtalmologie et représente un ensemble de données dense et riche lorsqu'elle est combinée avec des étiquettes issues des DME. Nous avons cherché à déterminer si l'apprentissage profond pouvait être utilisé pour distinguer les images TCO normales des images de patients atteints de dégénérescence maculaire liée à l'âge (DMLA).Méthodes : Une extraction automatisée d'une base de données d'imagerie TCO a été effectuée et liée aux points de fin cliniques extraits des DME. Les examens TCO de la macula ont été réalisés à l'aide du Heidelberg Spectralis, et chaque image TCO a été associée aux points de fin cliniques extraits d'EPIC. On a sélectionné les 11 images centrales de chaque examen TCO pour deux cohortes de patients : normaux et atteints de DMLA. Une validation croisée a été réalisée en utilisant un sous-ensemble aléatoire de patients. Des courbes caractéristiques opératoires du récepteur (ROC) ont été construites au niveau indépendant des images, au niveau des examens TCO de la macula et au niveau du patient.Résultats : Parmi les 2,6 millions d'images TCO extraites et liées aux données cliniques issues des DME, 52 690 images normales et 48 312 images de macula TCO chez des patients atteints de DMLA ont été sélectionnées. Un réseau neuronal profond a été formé pour catégoriser les images comme normales ou DMLA. Au niveau des images, nous avons obtenu une aire sous la courbe ROC (auROC) de 92,78 % avec une précision de 87,63 %. Au niveau de la macula, nous avons obtenu une auROC de 93,83 % avec une précision de 88,98 %. Au niveau du patient, nous avons obtenu une auROC de 97,45 % avec une précision de 93,45 %. La sensibilité maximale et la spécificité optimale étaient respectivement de 92,64 % et 93,69 %.Conclusions : Les techniques d'apprentissage profond sont efficaces pour classifier les images TCO. Ces résultats ont des implications importantes pour l'utilisation de la TCO dans les outils d'écran automatisé et les outils diagnostiques assistés par ordinateur.