"Ces techniques (IA) permettent d'établir une prédiction précoce du risque cardiaque ou cognitif de manière non invasive et personnalisée, sans coût apparent supplémentaire pour la société" Claire Paquet, neurologue
-
"L'IA redéfinit la relation soignant-patient. Alors que les machines prennent le pas, le soignant doit garder une vision holistique du patient " Pr Guillaume Assié, endocrinologue.
-
"L'un des grands défis est d'utiliser l'IA de manière éthique, respectueuse et centrée sur l'humain."Pr David Morquin, infectiologue.
Intelligence artificielle basée sur l'imagerie rétinienne pour la détection et la prédiction des maladies rénales : avancées actuelles et perspectives d'avenir
https://www.perplexity.ai/search/the-eye-as-a-window-to-the-kid-8bXcssBLSTiV2WIzt9OmAQ
article libre d'accès
L'intelligence artificielle (IA) a révolutionné le système de santé grâce à ses capacités exceptionnelles de traitement des données biomédicales pour le diagnostic, la prédiction et la prise en charge individualisée des maladies. L'œil, véritable fenêtre d'observation non invasive pour de nombreuses maladies systémiques, permet de détecter les signes de maladies rénales chroniques et d'autres pathologies comme l'hypertension et le diabète de type 2, grâce à des images rétiniennes spécifiques. Les avancées récentes de l'IA offrent un potentiel considérable pour le dépistage rapide et massif des maladies rénales grâce aux images rétiniennes et à leur pronostic. Nous présentons ici les principales applications de l'IA en ophtalmologie et la détection des maladies systémiques par imagerie rétinienne, notamment les avancées actuelles des modèles d'IA établis sur l'imagerie rétinienne pour la détection et la prédiction des maladies rénales. Nous espérons ainsi mettre en lumière les opportunités actuelles et les défis futurs dans ce domaine afin de proposer des pistes d'amélioration et d'application.
Graphical schematic illustration of retinal image-based artificial intelligence for the detection, diagnosis, andprediction of kidney diseases.
Ce document traite des avancées et des perspectives futures de l'intelligence artificielle basée sur l'imagerie rétinienne pour la détection et la prédiction des maladies rénales.
Applications de l'intelligence artificielle en ophtalmologie
L'intelligence artificielle (IA) transforme le diagnostic et la gestion des maladies oculaires grâce à l'analyse des images rétiniennes.
- L'IA utilise des modèles d'apprentissage profond pour le diagnostic et le dépistage des maladies oculaires, comme la rétinopathie diabétique et le glaucome.
- Plus de 300 produits médicaux basés sur l'IA ont été approuvés par la FDA, dont plusieurs pour le dépistage des maladies ophtalmiques.
- Les images rétiniennes fournissent des informations sur des maladies systémiques telles que le diabète de type 2 et les maladies cardiovasculaires.
Lien entre l'œil et les maladies rénales
Les maladies rénales et les maladies oculaires partagent des mécanismes physiologiques et moléculaires similaires.
- Les deux organes se développent à partir du mésoderme et présentent des structures vasculaires similaires.
- Les maladies rénales peuvent se manifester par des signes oculaires, tels que des modifications de la vascularisation rétinienne.
- Des études épidémiologiques montrent une prévalence élevée de la rétinopathie chez les patients atteints de maladie rénale chronique (MRC).
Détection et diagnostic des maladies rénales
L'utilisation d'images rétiniennes pour détecter les maladies rénales offre une méthode non invasive et efficace.
- La MRC affecte environ 10% à 16% de la population mondiale, avec une prévalence croissante due à l'obésité et au diabète.
- Les modèles d'IA peuvent identifier des facteurs de risque tels que l'hypertension et le diabète, qui sont souvent liés à la MRC.
- Les signes rétiniens peuvent alerter sur des maladies rénales précoces, même avant l'apparition de symptômes cliniques.
Modèles d'IA basés sur l'imagerie rétinienne
Les modèles d'IA basés sur l'imagerie rétinienne montrent un potentiel prometteur pour le dépistage des maladies rénales.
- Des algorithmes d'apprentissage profond ont été développés pour détecter les signes de dysfonctionnement rénal à partir d'images rétiniennes.
- Les modèles hybrides combinant des images et des facteurs de risque montrent de meilleures performances dans la détection de la MRC.
- L'IA peut également prédire la progression de la MRC en analysant les images rétiniennes et les données cliniques associées.
Prédiction et diagnostic des maladies rénales
L'utilisation d'images rétiniennes pour prédire et diagnostiquer les maladies rénales a montré un potentiel prometteur.
- Les niveaux de créatinine prédit par Rim et al. ont montré une performance modérée (MAE = 0,11, R² = 0,12) dans un ensemble de données coréen.
- L'eGFR est considéré comme un indicateur plus fiable que la créatinine pour détecter les lésions rénales précoces.
- Kang et al. ont utilisé 25 706 images de fondus pour prédire une altération précoce de la fonction rénale, avec un AUC de 0,81.
- Lim et al. ont mesuré quantitativement les photographies de fondus pour prédire la présence d'albuminurie, avec un AUC de 0,80.
Diagnostic et classification de la maladie rénale chronique (MRC)
Des études récentes ont proposé des modèles basés sur des images rétiniennes pour le dépistage de la MRC dans des populations variées.
- Sabanayagam et al. ont développé un algorithme DL pour détecter la MRC avec un AUC de 0,911 dans un ensemble de validation interne.
- Les modèles d'images seules et de facteurs de risque ont montré des performances similaires, suggérant que les images rétiniennes peuvent être utilisées comme outil de dépistage.
- Zhang et al. ont utilisé un modèle DL avec ResNet-50, atteignant un AUC de 0,918 pour le diagnostic de la MRC uniquement avec des images rétiniennes.
Gestion des complications courantes de la MRC
La fonction rénale diminuée peut entraîner des complications graves, nécessitant une gestion appropriée.
- L'anémie rénale affecte la qualité de vie des patients, avec des études montrant que les images rétiniennes peuvent prédire la concentration d'hémoglobine.
- Les études ont montré des MAE de 0,67 et 0,83 pour la prédiction de l'anémie à partir d'images rétiniennes.
- Les performances pour prédire les déséquilibres électrolytiques étaient faibles, avec un R² de 0,12 pour le sodium.
Évaluation des effets du traitement et des complications de la dialyse
L'évaluation des effets du traitement chez les patients en dialyse est cruciale pour prévenir les complications.
- Des indicateurs comme les images rétiniennes peuvent faciliter l'évaluation non invasive des patients sous dialyse.
- Des études ont montré que le flux sanguin dans la rétine change significativement après une séance de dialyse.
- Coppolino et al. ont prédit le risque d'hypotension intra dialytique avec des AUC de 0,674 à 0,783.
Prédiction de la mortalité et du pronostic de la MRC
La prédiction du pronostic de la MRC peut aider à identifier les patients à risque de progression vers l'ESRD.
- La rétrécissement des artérioles rétiniennes est associé à la progression de la MRC, avec un risque relatif de 3,7 pour des événements rénaux.
- Zhang et al. ont développé un modèle DL pour prédire le risque de progression vers des stades avancés de MRC, avec un C-index de 0,845.
- Un écart d'âge rétinien a été associé à une augmentation de 10 % du risque d'ESRD pour chaque année d'écart.
Perspectives futures et défis de l'IA
L'intégration de l'IA dans le diagnostic médical présente des opportunités et des défis à surmonter.
- Les modèles d'IA doivent faire face à des problèmes d'hétérogénéité et de qualité des données.
- La plupart des algorithmes actuels manquent de spécificité dans la différenciation des maladies.
- Des préoccupations éthiques subsistent concernant la transparence et l'interprétabilité des modèles d'IA
- La protection de la vie privée est un enjeu majeur, surtout avec l'utilisation d'images biologiques.
ILLUSTRATIONS
-
L’œil, une fenêtre vers le rein : organisation commune de la microcirculation et régulation physiologique au niveau du rein et de l’œil.
AT1R, récepteur de l’angiotensine II de type 1 ; CRA, artère centrale de la rétine ; CRV, veine centrale de la rétine ; ET, endothéline ; ETAR, récepteur de l’endothéline de type A ; ETBR, récepteur de l’endothéline de type B ; pO2, pression partielle en oxygène ; RAAS, système rénine–angiotensine–aldostérone ; RNFL, couche des fibres nerveuses rétiniennes.Source : Copyright 2020, Elsevier
Une illustration du flux de travail général de la détection et de la prédiction des maladies rénales à partir de l’imagerie rétinienne. Première étape : les données d’entrée comprennent les informations rétiniennes et les métadonnées (texte, dossier médical électronique (DME) et résultats de l’échographie ou de l’imagerie par résonance magnétique (IRM)) ; deuxième étape : traitement des données (par exemple, imputation des données manquantes, amélioration d’image, etc.) ; troisième étape : sélection des caractéristiques ; quatrième étape : construction du modèle avec différentes approches d’apprentissage automatique (ML) ou d’apprentissage profond (DL) ; cinquième étape : production des résultats, classés en détection, diagnostic et traitement des maladies rénales, et leurs applications en pratique clinique et en recherche.
L'IA peut prédire les maladies rénales à partir d'images de dépistage oculaire de routine
