P131 - Application de « Machine Learning » dans la détection du glaucome - 20/04/23
, N. Qarmiche 1, I. Chakri 1, H. Bourkhime 1, M. Berraho 2, N. Tachfouti 2, S. El Fakir 2, N. Otmani 1
Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.
Connectez-vous pour en bénéficier!
Résumé |
Introduction |
Le glaucome est l'une des principales causes de cécité dans le monde. Un diagnostic précis et précoce, et un traitement adapté peuvent ralentir sa progression et prévenir la perte de la vision. L'utilisation de l'intelligence artificielle (IA), et particulièrement le « Machine Learning » (ML), dans la détection de cette maladie est devenu cruciale et peut porter une aide importante aux médecins. L'objectif de ce travail est de synthétiser la littérature portant sur l'utilisation de « Machine Learning » pour la détection du glaucome.
Méthodes |
Une revue systématique de la littérature a été réalisée sur PUBMED, en utilisant les requêtes de recherche suivantes : [("machine learning") AND ("glaucoma")], et [("Machine Learning"[Mesh] OR "Unsupervised Machine Learning"[Mesh] OR "Supervised Machine Learning"[Mesh]) AND "Glaucoma"[Mesh]]. Tous les articles originaux traitant le développement de modèle de ML pour la détection du glaucome, et publiés entre le début de l'année 2020 et la fin de 2022 ont été inclus.
Résultats |
Un total de 453 articles a été collecté, dont 288 ont été maintenus après la suppression des doublons ; 214 articles ont été éliminés à partir des titres, et 22 articles à partir de résumés. Ainsi, un total de 52 articles a été retenu pour analyse ; 87 % des modèles construits s'intéressaient au diagnostic du glaucome, 13 % au dépistage et 11,5 % étaient pour prédire la survenue de la maladie ou de complications ; 78,8 % des études se sont basées sur les algorithmes de « Deep Learning ». Les 21,2 % restantes avaient utilisés le SVM, le Random forest et le K-NN. Les algorithmes ont été entrainé essentiellement sur les images du fond d’œil (50 %) et les résultats de SD-OCT (40,4 %). Les critères utilisés pour évaluer la performance des algorithmes étaient: la précision qui variait entre 83,9 % et 99,7 %, l'aire sous la courbe (52,9 %–99,5%), la sensibilité (70 %-100 %) et la spécificité (72,35 %-100 %).
Conclusion |
Ces résultats démontrent la capacité des modèles de « Machine Learning » à identifier le glaucome à partir d'images du fond d'œil et de SD-OCT avec une haute performance, ce qui peut fournir aux ophtalmologistes un outil d'aide à la décision rapide, précis et fiable du glaucome.
Mots clés |
Glaucome, Machine Learning, Deep Learning, Fond d’œil, SD-OCT
Déclaration de liens d'intérêts |
Les auteurs n'ont pas précisé leurs éventuels liens d'intérêts.
Le texte complet de cet article est disponible en PDF.
Vol 71 - N° S2
Article 101780- mai 2023 Retour au numéro
Article précédent
- P130 - Étude préliminaire sur une approche hybride OCR – NLP pour la pseudonymisation des documents médicaux scannés
- S. Contu, R. Schiappa, E. Chamorey
- P132 - RUBY-THYRO - Un process d'intelligence artificielle pour structurer les données de santé en pathologie thyroïdienne
- D. Culié, R. Schiappa, S. Contu, J. Gal, A. Bozec, E. Chamorey
Bienvenue sur EM-consulte, la référence des professionnels de santé.