L’IA (intelligence artificielle) est le terme général désignant les systèmes d’apprentissage automatique qui imitent l’intelligence humaine. L’apprentissage profond (DL) est un sous-ensemble de l’IA qui utilise des réseaux neuronaux multicouches pour extraire des caractéristiques avancées et prendre des décisions complexes1).
L’ophtalmologie est l’un des domaines médicaux où l’IA a le plus progressé. Les photos du fond d’œil, l’OCT (tomographie par cohérence optique), l’examen du champ visuel et d’autres données d’imagerie sont standardisés, ce qui facilite l’obtention de grandes quantités de données d’apprentissage. Les principaux usages de l’IA sont les 3 suivants.
En 2018, la FDA a approuvé le premier système de diagnostic par IA entièrement autonome (IDx-DR), accélérant l’utilisation pratique du diagnostic ophtalmologique par IA2). IDx-DR peut être utilisé par du personnel non ophtalmologiste dans des services de médecine interne et de soins primaires, et détermine automatiquement s’il faut adresser le patient à un spécialiste en ophtalmologie2).
Les systèmes d’apprentissage profond ont montré une précision comparable à celle des spécialistes pour détecter la rétinopathie diabétique, le glaucome et l’AMD, et le potentiel du diagnostic par IA à partir de photos du fond d’œil a été démontré8).
L’IA analyse automatiquement les images de photos du fond d’œil et d’OCT afin de détecter des maladies comme la rétinopathie diabétique, le glaucome et la dégénérescence maculaire liée à l’âge. L’IA de dépistage (totalement autonome) peut être utilisée par des non-ophtalmologistes et sert au dépistage primaire dans les régions manquant de spécialistes. Des recherches portent aussi sur l’utilisation de chatbots IA (comme GPT-4) pour évaluer les connaissances en ophtalmologie et éduquer les patients3). Elle est considérée comme un outil d’aide, le diagnostic final étant posé par un spécialiste en ophtalmologie.
L’IA en ophtalmologie se divise globalement en trois types selon la fonction et le niveau d’autonomie.
IA de dépistage (totalement autonome)
Elle analyse automatiquement les photos du fond d’œil et détermine si une orientation est inutile ou nécessaire. Elle peut fonctionner même en l’absence de spécialistes en ophtalmologie et est appliquée aux maladies suivantes2).
IA d’aide au diagnostic (semi-autonome)
C’est un système qui aide le médecin dans la lecture des images. Il est utilisé pour la classification des sous-types d’AMD par segmentation automatique de la structure en couches de l’OCT, ainsi que pour l’évaluation de la gravité de l’œdème maculaire diabétique (DME).
Chatbot IA (multimodal)
Il s’agit d’une application d’un grand modèle de langage qui analyse simultanément le texte (informations d’anamnèse) et les images (photographies du fond d’œil et OCT). Les connaissances en ophtalmologie et la capacité d’interprétation d’images de ChatGPT-4 ont été évaluées, et son utilisation pour l’éducation des patients et l’anamnèse à distance est envisagée3).
| Type d’IA | Système représentatif | Cible | Indicateur de précision |
|---|---|---|---|
| IA de dépistage (autonome) | IDx-DR2) | Rétinopathie diabétique | Sensibilité 87.2 %, spécificité 90.7 % |
| IA de dépistage (autonome) | i-ROP DL5) | ROP | Sensibilité de 91 %, spécificité de 91 % |
| IA de dépistage (autonome) | EyeArt4) | rétinopathie diabétique | Évalué et utilisé dans le NHS du Royaume-Uni |
| chatbot IA | ChatGPT-43) | évaluation des connaissances en ophtalmologie | précision globale de 70% |
2) est le premier système de diagnostic par IA entièrement autonome approuvé par la FDA en 2018. Du personnel non ophtalmologiste prend les images avec une caméra du fond d’œil sans dilatation, puis l’IA les analyse automatiquement et décide s’il faut adresser le patient. Son déploiement progresse dans les structures de soins primaires.
Principaux indicateurs de performance (essai pivot d’Abràmoff et al. 2018)2) :
IDx-DR a permis un dépistage autonome de la rétinopathie diabétique dans les services de médecine interne et de soins primaires, et permet de sélectionner efficacement les cas nécessitant une orientation vers un ophtalmologiste2).
La précision de GPT-4 sur des questions à choix multiples en ophtalmologie a été évaluée3), avec une précision globale de 70 %.
| Domaine | Précision |
|---|---|
| Rétine | 77 % (la plus élevée)3) |
| Tumeurs oculaires | 72 %3) |
| Ophtalmologie pédiatrique | 68 %3) |
| Uvéite | 67 %3) |
| Glaucome | 61 %3) |
| Neuro-ophtalmologie | 58 % (la plus faible)3) |
Cet écart montre que la capacité du chatbot à interpréter les images reste inférieure à sa compréhension du texte non fondé sur l’image. Il a été souligné qu’une intégration appropriée des chatbots multimodaux dans les milieux cliniques est essentielle3).
IDx-DR (approuvé par la FDA en 2018)
Maladie ciblée : rétinopathie diabétique
Précision : sensibilité de 87,2 %, spécificité de 90,7 %
Caractéristiques : entièrement autonome. Peut être utilisé par des non-ophtalmologistes. Utilisé en médecine interne et en soins primaires2)
EyeArt (Eyenuk)
Maladie ciblée : rétinopathie diabétique
Précision : évalué et mis en service dans le NHS britannique
Caractéristiques : intégré aux programmes de dépistage4)
i-ROP DL (2018)
Maladie cible: rétinopathie du prématuré (ROP)
Précision: sensibilité 91 %, spécificité 91 %
Caractéristique: détection automatique de la maladie plus en réanimation néonatale5)
ChatGPT-4 (OpenAI)
Objet: évaluation des connaissances en ophtalmologie et de l’interprétation d’images
Précision: taux global de bonnes réponses de 70 % (rétine 77 %, neuro-ophtalmologie 58 %)
Caractéristique: au stade de recherche pour des applications dans l’éducation des patients et les consultations à distance3)
L’IA de dépistage de la rétinopathie diabétique (IDx-DR) a montré une sensibilité de 87.2 % et une spécificité de 90.7 %, avec une précision comparable à la lecture d’un spécialiste en ophtalmologie2). L’IA pour la rétinopathie du prématuré (ROP) (i-ROP DL) a également atteint une sensibilité de 91 % et une spécificité de 91 %5). En revanche, dans l’évaluation des connaissances en ophtalmologie du chatbot IA (ChatGPT-4), le taux global de bonnes réponses était de 70 %, et il était plus faible dans le domaine de la neuro-ophtalmologie, à 58 %3). Dans tous les cas, l’IA est un outil d’aide, et si une anomalie est détectée, un examen approfondi par un spécialiste en ophtalmologie est nécessaire.
Les preuves sur le rapport coût-efficacité du dépistage ophtalmologique assisté par IA se sont accumulées dans plusieurs études1).
Dans la revue systématique de Wu et al. (2021), 11 des 15 études évaluant l’économie du dépistage de la DR par IA l’ont jugé coût-efficace1).
| Région/contexte | Évaluation de la rentabilité | Source |
|---|---|---|
| NHS d’Écosse | Économies annuelles de $403,200 | Wu 20211) |
| Soins primaires aux États-Unis | Réduction des coûts de 23.3% par patient | Wu 20211) |
| zones rurales en Chine | $34.86 moins cher que les évaluateurs humains, +0.04 QALY | Wu 20211) |
| Japon (AMD, Tamura et al. 2022) | ICER $99,283/QALY (au-dessus du seuil) | Wu 20211) |
Le dépistage autonome par IA a été rapporté comme le plus coût-efficace par rapport à la télémédecine, à l’ophthalmoscopie et à l’IA assistée1). Avec un seuil de disposition à payer de $7, il a été jugé coût-efficace par rapport au dépistage assisté1).
Dans une simulation de cohorte japonaise (500,000 personnes âgées de 40 ans et plus, prévalence de 3.85%), l’ICER du dépistage par IA tous les 3 ans était de $99,283/QALY ($92,890-$99,283)1). Cela dépasse le seuil de disposition à payer du Japon (environ $47,286/QALY), si bien que le rapport coût-efficacité du dépistage de l’AMD reste incertain pour l’instant1). Toutefois, les progrès de l’IA et la baisse des coûts pourraient améliorer la situation à l’avenir.
Les questions éthiques et juridiques suivantes concernant l’IA en ophtalmologie sont évoquées1).
Les systèmes approuvés par des autorités de régulation comme la FDA (comme IDx-DR) ont été soumis à des essais cliniques rigoureux et un certain niveau de sécurité a été confirmé2). Cependant, le diagnostic par IA est un outil d’aide, et le diagnostic final ainsi que le plan de traitement doivent être décidés par un ophtalmologiste. Il n’est pas recommandé aux patients de s’autodiagnostiquer uniquement avec un chatbot IA (comme ChatGPT). La précision de l’IA peut diminuer en cas de mauvaise qualité d’image, de maladies rares et dans le domaine de la neuro-ophtalmologie3), donc s’il existe un doute d’anomalie, il est important de consulter rapidement un ophtalmologiste.
Le réseau neuronal convolutif (CNN : Convolutional Neural Network) est la technologie centrale du diagnostic ophtalmologique par IA.
Apprentissage par transfert (appliquer à des images ophtalmiques des modèles préentraînés d’autres domaines, comme ImageNet) est largement utilisé comme méthode pour atteindre une haute précision même lorsque les données d’entraînement sont limitées.
Des recherches avancent aussi sur la génération d’images synthétiques à l’aide de GAN (réseaux antagonistes génératifs) afin d’augmenter artificiellement les données d’entraînement pour les maladies rares.
L’IA multimodale qui traite simultanément le texte (informations de l’anamnèse) et les images (photos du fond d’œil et OCT) est de plus en plus appliquée en ophtalmologie avec le développement des grands modèles de langage (comme GPT-4)3). Bien qu’elle puisse intégrer des informations plus variées qu’une CNN à modalité unique, il a été montré que sa capacité à interpréter les images reste inférieure à sa compréhension du texte3).
L’analyse de photos du fond d’œil par apprentissage profond a montré qu’il pourrait être possible de prédire, à partir des seules photos du fond d’œil, des facteurs de risque systémiques tels que l’âge, le sexe, la pression artérielle systolique, les antécédents de tabagisme et l’HbA1c6). Une certaine précision a également été rapportée pour la prédiction du risque futur d’événements cardiovasculaires (infarctus du myocarde et AVC), ce qui attire l’attention sur la possibilité que les photos du fond d’œil servent de fenêtre sur l’état de santé général. Des IA de prédiction pour la démence, les maladies rénales et l’anémie sont également encore au stade de la recherche6).
Grâce à la prise de vue du fond d’œil à l’aide d’une petite lentille fixée sur un smartphone et à l’analyse par IA, il a été montré que le dépistage de la DR chez les patients diabétiques en Inde était pratique7). La sensibilité comme la spécificité ont été comparables à celles des caméras spécialisées du fond d’œil, et le dépistage par IA associé à des appareils polyvalents à faible coût pourrait contribuer à sa diffusion dans les pays en développement et les zones rurales.
En combinant le dépistage par IA et la télémédecine, on espère améliorer l’accès aux soins ophtalmologiques dans les régions isolées et les pays en développement. Même dans les établissements dépourvus de spécialiste en ophtalmologie, l’IA peut effectuer un premier dépistage et n’orienter vers la lecture à distance par un spécialiste que les cas positifs, ce qui permet une utilisation plus efficace des ressources médicales.
Des recherches progressent sur une IA capable de prédire à l’avance la réponse au traitement anti-VEGF (ranibizumab, aflibercept, faricimab, etc.) et de proposer le schéma d’administration optimal pour chaque patient. Les modèles qui prédisent l’effet du traitement à partir des images OCT pourraient contribuer à réduire le nombre d’injections et à améliorer le pronostic visuel.
Les grands modèles de langage (comme GPT-4) font l’objet de recherches pour des usages tels que l’explication des maladies aux patients, la rédaction des documents de consentement éclairé et l’aide à l’interrogatoire3). Cependant, la prévention des erreurs et des biais dans les informations médicales, ainsi que le maintien de la relation médecin-patient, restent des défis. Il n’est pas recommandé que les patients prennent des décisions d’autodiagnostic ou d’autotraitement en se basant uniquement sur un chatbot3).
Wu JH, Liu TYA, Hsu WT, et al. Performance and limitation of machine learning algorithms for diabetic retinopathy screening: meta-analysis. J Med Internet Res. 2021;23(11):e23863.
Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ digital medicine. 2018;1:39. doi:10.1038/s41746-018-0040-6. PMID:31304320; PMCID:PMC6550188.
Mihalache A, Popovic MM, Guo MZ, et al. Performance of an upgraded artificial intelligence chatbot for ophthalmic knowledge assessment. JAMA Ophthalmol. 2024;142(3):234-241.
Olvera-Barrios A, Heeren TF, Balaskas K, et al. Diagnostic accuracy of diabetic retinopathy grading by an artificial intelligence-enabled algorithm compared with a human standard reference. Diabetologia. 2023;66(5):857-866.
Brown JM, Campbell JP, Beers A, et al. Automated diagnosis of plus disease in retinopathy of prematurity using deep convolutional neural networks. JAMA Ophthalmol. 2018;136(7):803-810.
Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature biomedical engineering. 2018;2(3):158-164. doi:10.1038/s41551-018-0195-0. PMID:31015713.
Rajalakshmi R, Subashini R, Anjana RM, et al. Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye. 2018;32(6):1138-1144.
Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA. 2017;318(22):2211-2223. doi:10.1001/jama.2017.18152. PMID:29234807; PMCID:PMC5820739.
