Apprentissage multi-tâches profond pour la détection des SSVEP et la cartographie des réponses visuelles

Le glaucome est une maladie oculaire qui se manifeste initialement sans symptômes, et un diagnostic tardif entraîne une dégénérescence irréversible des cellules ganglionnaires de la rétine. La perimétrie automatisée standard constitue la référence pour l’évaluation du glaucome ; toutefois, cet examen présente une forte subjectivité, les réponses pouvant varier à chaque passage du test, ce qui complique significativement son interprétation. Dans cette étude, nous présentons une approche visant à offrir un diagnostic rapide en pointe de soin pour les patients atteints de glaucome, en éliminant l’aspect cognitif présent dans les évaluations actuelles du champ visuel. Contrairement aux méthodes existantes, qui se concentrent principalement sur la précision de la détection de la cible foveale, nous avons adopté une architecture d’apprentissage multi-tâches capable de capturer efficacement des signaux simultanément à la fois de la fovéa et des cibles voisines situées dans la vision périphérique, permettant ainsi la génération d’une carte de réponse visuelle. En outre, nous avons conçu un module d’apprentissage multi-tâches capable d’apprendre plusieurs tâches en parallèle de manière efficace. Nous avons évalué la performance de notre modèle sur un jeu de données à 40 classes, obtenant respectivement 92 % d’exactitude et 95 % de score F1. Notre modèle fonctionne dans un scénario sans calibration et indépendant de l’utilisateur, ce qui est particulièrement souhaitable pour les applications cliniques. L’approche proposée pourrait constituer une étape clé vers une évaluation objective du champ visuel chez les patients atteints de glaucome.