Intelligence artificielle et DMLA
Le Pr Ramin Tadayoni (Paris) a d’abord défini l’IA (intelligence artificielle) comme l’“ensemble des théories et techniques mises en œuvre en vue de réaliser des machines capables de simuler l’intelligence humaine” (Larousse).
L’IA existe depuis longtemps. Les réseaux neuronaux permettent une analyse du signal sonore ou visuel, notamment avec reconnaissance de formes et traitement automatisé du langage. Il existe des algorithmes d’IA qui vont pouvoir analyser un ensemble de coupes d’OCT pour détecter du liquide intrarétinien (1). Encore plus intéressant, l’algorithme qui analyse les coupes d’OCT pourra évoquer différents diagnostics avec un intervalle statistique de fiabilité (figure 1). Il s’agit ici d’une approche quasi clinique avec différents diagnostics possibles et évoqués (2).
Des algorithmes permettant des classifications de la DMLA, notamment le caractère actif, existent déjà et vont attirer l’œil du clinicien sur les zones “chaudes” où la présence de liquide est détectée (3). Plusieurs études ont comparé la capacité humaine à analyser les stades de DMLA par rapport à l’IA “deep learning”. Les résultats montrent une parfaite concordance : 79,4 % de bonnes réponses pour l’IA et 75,8 % pour l’homme. Encore plus intéressant, la capacité des algorithmes à déterminer le pronostic de la DMLA avec une AV finale : la machine a une erreur moyenne de 5,5 lettres (1 ligne) (4) ; ou encore la capacité à prédire le nombre d’injections intravitréennes nécessaires pour traiter la DMLA et à mettre en évidence les différents pronostics (5).
Là où l’IA s’approche de la science-fiction, c’est dans ses capacités à prédire la conversion d’une MLA en DMLA (figure 2)(6). Nous pourrions avoir ainsi des patients sains en dépistage (même à domicile, cf. présentation du Dr V. Gualino) qui, par le biais d’algorithmes d’IA, pourraient connaître à l’avance l’apparition d’une MLA, puis la conversion en DMLA, le nombre d’IVT nécessaires et l’AV finale espérée… Il existe néanmoins de nombreux biais et erreurs. Il conviendrait de valider ces systèmes comme l’efficacité des médicaments sur de larges cohortes avec des études robustes.
En conclusion, l’IA peut aider pour l’analyse, le diagnostic, la prédiction et la recherche. Elle peut se tromper d’où l’importance de la maîtriser. Pour le moment, il s’agit plutôt une intelligence “assistée” ou “associée”. Concernant l’IA, les espoirs à court terme sont probablement exagérés mais à long terme sous-estimés…
Références
1. Schlegl T et al. Fully automated detection and quantification of macular fluid in OCT using deep learning. Ophthalmology 2018;125(4):549-58.
2. Kuwayama S et al. Automated detection of macular diseases by optical coherence tomography and artificial intelligence machine learning of optical coherence tomography images. J Ophthalmol 2019;2019:6319581.
3. Motozawa N et al. Optical coherence tomography-based deep-learning models for classifying normal and age-related macular degeneration and exudative and non-exudative age-related macular degeneration changes. Ophthalmol Ther 2019 Aug 12. [Epub ahead of print]
4. Rohm M et al. Predicting visual acuity by using machine learning in patients treated for neovascular age-related macular degeneration. Ophthalmology 2018;125(7):1028-36.
5. Bogunovic H et al. Prediction of anti-VEGF treatment requirements in neovascular AMD using a machine learning approach. Invest Ophthalmol Vis Sci 2017;58(7):3240-8.
6. Schmidt-Erfurth U et al. Prediction of individual disease conversion in early AMD using artificial intelligence. Invest Ophthalmol Vis Sci 2018;59(8):3199-208.
