La cataracte est un terme générique désignant l’opacification partielle ou totale du cristallin. On estime que 52,6 millions de personnes dans le monde souffrent de déficience visuelle modérée à sévère due à la cataracte, principale cause de cécité traitable. La chirurgie de la cataracte est l’une des interventions médicales les plus rentables, mais dans les pays à revenu faible ou intermédiaire, les ressources limitées et les longs délais d’attente constituent des obstacles au traitement.
Ces dernières années, les technologies numériques, notamment l’intelligence artificielle (IA), ont été appliquées à plusieurs étapes des soins de la cataracte. Les domaines d’application de l’IA se divisent principalement en trois catégories.
Aide au diagnostic : détection automatique et classification de la sévérité de la cataracte à l’aide de photographies à la lampe à fente et de photographies du fond d’œil.
Calcul de la puissance de la lentille intraoculaire : prédiction très précise des résultats réfractifs postopératoires à l’aide d’algorithmes d’apprentissage automatique
Assistance chirurgicale : reconnaissance de la phase peropératoire, prédiction du risque de complications, formation basée sur la réalité virtuelle
Avec le vieillissement de la population, la demande de chirurgie de la cataracte augmente, mais l’offre de soins ophtalmologiques ne suit pas. La technologie de l’IA est considérée comme un moyen de combler cet écart entre l’offre et la demande.
QPourquoi l'IA est-elle nécessaire pour les soins de la cataracte ?
A
Avec l’augmentation de la population âgée, la demande de chirurgie de la cataracte augmente rapidement, mais l’offre de soins ophtalmologiques ne s’est pas suffisamment développée. En particulier dans les pays à faible et moyen revenu et les zones rurales, il existe de nombreuses cataractes non diagnostiquées. L’utilisation de l’IA pour le diagnostic et le dépistage à distance pourrait réduire les disparités d’accès aux soins.
La cataracte est principalement liée à l’âge. La prévalence, y compris les opacités précoces, est d’environ 45 % chez les personnes dans la cinquantaine, 75 % dans la soixantaine, 85 % dans la soixante-dixaine et 100 % chez les 80 ans et plus. Les trois principaux types d’opacité sont corticale, nucléaire et sous-capsulaire postérieure. La cataracte corticale est la plus fréquente chez les Japonais.
Pour la classification de la sévérité de la cataracte, on utilise le LOCS III (Lens Opacities Classification System III), la classification de l’OMS et la classification d’Emery-Little. La classification d’Emery-Little évalue la couleur du noyau en 5 grades et est largement utilisée pour estimer la difficulté chirurgicale.
Il n’existe pas de traitement médicamenteux pour rendre le cristallin transparent. Pour les cas de baisse de la fonction visuelle, la phacoémulsification (PEA) avec implantation de lentille intraoculaire (LIO) est le traitement standard. Grâce aux progrès des instruments chirurgicaux, une incision d’environ 2 mm est possible, permettant un retour précoce à la vie sociale. Récemment, la chirurgie de la cataracte assistée par laser femtoseconde est également utilisée en clinique.
La cataracte est actuellement diagnostiquée cliniquement par un ophtalmologiste à l’aide d’un microscope à lampe à fente, nécessitant une consultation en personne. Cependant, dans les pays en développement et les zones rurales, l’accès difficile fait des cataractes non diagnostiquées un problème majeur.
Les plateformes de diagnostic à distance assistées par IA peuvent réduire ces obstacles d’accès. Un diagnostic rapide est particulièrement crucial dans la cataracte pédiatrique pour prévenir une amblyopie irréversible.
Détection automatique de la cataracte par apprentissage profond
Modèle de Wu et al. : Entraîné sur environ 38 000 photographies à la lampe à fente. Atteint une sensibilité et une spécificité supérieures à 95 % pour la détection de la cataracte et la classification de sa sévérité. Pour la détermination de la dureté du noyau en trois grades, une sensibilité et une spécificité d’environ 80 % ont été rapportées.
Li et al. (Visionome) : Diagnostic des maladies du segment antérieur, y compris la cataracte, à partir de photographies à la lampe à fente. Précision de 79,47 à 99,22 %, surpassant les performances d’un ophtalmologiste ayant un an d’expérience clinique.
Basé sur les photographies du fond d'œil
Modèle de Xu et al. : Algorithme d’ensemble CNN (AlexNet + VisualDN) utilisant des photographies du fond d’œil en entrée. Atteint une précision de 86,2 % pour la détection et la classification de la cataracte.
Modèle basé sur ResNet (Wu et al.) : Discrimination en trois catégories (cristallin cataracté, œil avec implant intraoculaire, œil normal) avec une AUC supérieure à 0,99.
Wu et al. proposent un modèle en trois étapes : (1) auto-surveillance par smartphone, (2) diagnostic par IA à partir de photographies du segment antérieur, (3) télémédecine par un ophtalmologiste via une plateforme cloud. Ce système permettrait de multiplier par dix la population couverte par un seul ophtalmologiste. Le diagnostic par IA en ophtalmologie a d’abord progressé pour les maladies rétiniennes et le glaucome à l’aide de photographies du fond d’œil et de tomographie par cohérence optique du segment postérieur, depuis la publication d’un article sur le dépistage de la rétinopathie diabétique en 2016, mais ces dernières années, l’application aux photographies à la lampe à fente du segment antérieur s’est développée.
QPeut-on diagnostiquer la cataracte avec un smartphone ?
A
Bien qu’encore au stade de la recherche, un système a été proposé dans lequel une IA analyse des images du segment antérieur prises avec un smartphone pour déterminer la présence et la sévérité de la cataracte. Une validation supplémentaire est nécessaire pour une application clinique, mais cela pourrait être utile pour le dépistage dans les zones reculées.
4. Outils numériques pour le calcul de la puissance des lentilles intraoculaires
La chirurgie de la cataracte exige des résultats réfractifs postopératoires précis. Les formules traditionnelles de calcul de la lentille intraoculaire ont montré une précision prédictive insuffisante pour les yeux ayant subi une chirurgie réfractive ou présentant des mesures biométriques extrêmes. Les nouvelles formules basées sur l’IA relèvent ce défi.
Sramka et al. : ont évalué un modèle de régression SVM et un modèle d’ensemble de réseaux de neurones multicouches (MLNN-EM), tous deux rapportant une précision prédictive supérieure aux méthodes cliniques traditionnelles.
Ladas et al. : ont affiné les prédictions en combinant des formules de calcul de lentilles intraoculaires existantes (SRK, Holladay I, Ladas Super formula) avec des algorithmes d’apprentissage supervisé (SVR, XGB, ANN).
Formules de calcul de lentilles intraoculaires de nouvelle génération basées sur l’IA
Performances constantes dans le top 3 des essais comparatifs
Hill-RBF
Reconnaissance de formes basée sur ANN
Analyse de grands ensembles de données de réfraction
PEARL-DGS
Linéarisation de la sortie ML
Ajustement pour les mesures biométriques extrêmes
La formule Kane combine un modèle théorique avec une analyse de régression et des composants d’IA. Dans les études comparatives, elle surpasse les formules de troisième génération telles que Barrett Universal II, Haigis et Olsen, et maintient constamment une performance parmi les trois premières des formules de nouvelle génération. Elle donne également des résultats raisonnables dans les cas extrêmes de longueur axiale.
Hill-RBF (radial basis function) est un calculateur de lentille intraoculaire basé sur un réseau neuronal artificiel, qui analyse un vaste ensemble de données de résultats de réfraction par reconnaissance de formes et interpolation de données.
La formule PEARL-DGS utilise la modélisation par apprentissage automatique et la linéarisation de la sortie pour prédire la position effective de la lentille et s’ajuster aux mesures biométriques extrêmes.
Karmona est une approche de calcul de la puissance des lentilles intraoculaires basée sur les données, qui utilise plusieurs modèles d’apprentissage automatique tels que la méthode des k plus proches voisins, les réseaux de neurones artificiels, les machines à vecteurs de support et les forêts aléatoires pour prédire la puissance.
QQuels sont les avantages de l'utilisation de l'IA pour le calcul des lentilles intraoculaires ?
A
Les formules traditionnelles de calcul des lentilles intraoculaires sont basées sur des modèles théoriques spécifiques, ce qui peut entraîner des erreurs importantes dans les cas d’yeux ayant subi une chirurgie réfractive ou présentant des longueurs axiales extrêmement longues ou courtes. Les formules basées sur l’IA apprennent des motifs à partir de grandes quantités de données, ce qui leur permet de maintenir une grande précision de prédiction même dans ces cas particuliers.
La chirurgie de la cataracte comprend plusieurs phases (capsulotomie antérieure, traitement du noyau cristallinien, aspiration du cortex, insertion du cristallin intraoculaire, etc.). L’analyse automatique des vidéos chirurgicales par IA permet d’identifier chaque phase.
Yu et al. : La combinaison des informations d’étiquettes des instruments chirurgicaux avec les images vidéo seules permet d’atteindre la meilleure précision de détection des phases.
Quellec et al. : Développement d’un système d’analyse vidéo autonome capable de reconnaître les tâches chirurgicales en temps réel.
L’identification automatique des phases constitue la base de l’évaluation des compétences chirurgicales par phase et du retour d’information en temps réel.
Prédiction du risque de complications peropératoires
Lanza et al. ont analysé 1 229 chirurgies de la cataracte incluant 73 erreurs et ont construit un modèle d’IA pour détecter les facteurs de risque de complications peropératoires et prédire la durée totale de la chirurgie.
Formation chirurgicale basée sur la réalité virtuelle
Eyesi (Haag-Streit) est un système de formation basé sur la simulation ophtalmologique commercial, offrant un enseignement intelligent combinant réalité virtuelle (VR) et IA. Il crée un environnement permettant aux apprenants d’acquérir des compétences procédurales avant de rencontrer de vrais patients.
Si l’introduction clinique de l’IA dans les soins de la cataracte réussit, des bénéfices à long terme tels que l’amélioration de l’efficacité médicale, un meilleur accès et une réduction des coûts sont attendus. Les avantages seront particulièrement importants pour les populations à faible revenu.
Cependant, les défis suivants subsistent pour une mise en œuvre pratique.
Gestion éthique des données : garantir la sécurité et la confidentialité des données des patients
Validation de la généralisabilité : stabilité des performances entre différentes ethnies, régions et appareils
Manque de validation clinique : seuls quelques essais cliniques ont évalué l’efficacité des systèmes d’IA dans le monde réel.
Élimination des biais : si les données d’apprentissage sont biaisées, des erreurs systématiques apparaissent dans les décisions de l’IA
Acceptabilité par les utilisateurs : construire la confiance et la compréhension de l’IA tant chez les professionnels de santé que chez les patients
À ce jour, seuls quelques algorithmes ont vu leur fiabilité démontrée en environnement clinique. Des essais contrôlés randomisés supplémentaires sont nécessaires pour établir l’utilité des systèmes d’IA.
QLe jour où l'IA posera un diagnostic de cataracte est-il proche ?
A
Bien que des études rapportent une grande précision, l’intégration complète en pratique clinique reste confrontée à des défis. La vérification de la généralisabilité entre différentes populations, la validation de l’efficacité par des essais cliniques à grande échelle et la mise en place d’une gestion éthique des données sont indispensables. À court terme, une utilisation comme outil d’aide au diagnostic de l’ophtalmologiste est réaliste.
Ahuja AS, Paredes AA 3rd, Eisel MLS, et al. Applications of Artificial Intelligence in Cataract Surgery: A Review. Clin Ophthalmol. 2024;18:2969-2975. PMID: 39434720.
GBD 2019 Blindness and Vision Impairment Collaborators; Vision Loss Expert Group of the Global Burden of Disease Study. Causes of blindness and vision impairment in 2020 and trends over 30 years, and prevalence of avoidable blindness in relation to VISION 2020: the Right to Sight: an analysis for the Global Burden of Disease Study. Lancet Glob Health. 2021;9(2):e144-e160. PMID: 33275949.
Wu X, Huang Y, Liu Z, et al. Universal artificial intelligence platform for collaborative management of cataracts. Br J Ophthalmol. 2019;103(11):1553-1560. PMID: 31481392.
Connell BJ, Kane JX. Comparison of the Kane formula with existing formulas for intraocular lens power selection. BMJ Open Ophthalmol. 2019;4(1):e000251. PMID: 31179396.
Roberts TV, Hodge C, Sutton G, Lawless M; Vision Eye Institute IOL outcomes registry contributors. Comparison of Hill-radial basis function, Barrett Universal and current third generation formulas for the calculation of intraocular lens power during cataract surgery. Clin Exp Ophthalmol. 2018;46(3):240-246. PMID: 28778114.
Yu F, Silva Croso G, Kim TS, et al. Assessment of Automated Identification of Phases in Videos of Cataract Surgery Using Machine Learning and Deep Learning Techniques. JAMA Netw Open. 2019;2(4):e191860. PMID: 30951163.
Thomsen ASS, Bach-Holm D, Kjærbo H, et al. Operating Room Performance Improves after Proficiency-Based Virtual Reality Cataract Surgery Training. Ophthalmology. 2017;124(4):524-531. PMID: 28017423.
Copiez le texte de l'article et collez-le dans l'assistant IA de votre choix.
Article copié dans le presse-papiers
Ouvrez un assistant IA ci-dessous et collez le texte copié dans la conversation.
