Place de l’IA au sein des outils de détection du kératocône

0

Le dépistage du kératocône (KC) ainsi que l’évaluation de son évolution sont principalement basés sur l’analyse d’examens paracliniques complémentaires. C’est un enjeu majeur car une détection précoce permet de sensibiliser le patient et sa famille sur les facteurs de risques environnementaux d’évolution de KC, notamment les frottements oculaires [1], et parce qu’un kératocône infraclinique (FFKC) constitue une contre-indication formelle au Lasik, sous peine de précipiter l’aggravation de l’état cornéen [2].

De nombreux travaux ont montré la variabilité inter- et intra-opérateur dans l’analyse des topographies et tomographies cornéennes, un même examen pouvant être classé comme normal ou suspect par deux experts différents et même par le même expert à deux moments espacés dans le temps [3]. De ce fait, des tests objectifs de dépistage du KC et du FFKC ont été développés afin d’aider le praticien à mieux identifier les formes de cette pathologie les moins “évidentes” à l’œil nu. Ces tests, développés par les pionniers en la matière Rabinowitz, Klyce ou Ambrosio, regroupaient des éléments quantitatifs de la topographie (face antérieure) ou de la tomographie (face antérieure et postérieure) de la cornée afin de simplifier et de rendre plus objective la tâche du praticien [4-6].

IA et algorithmes utilisés dans la détection du kératocône

L’intelligence artificielle (IA) est, par définition, “l’ensemble des théories et des techniques mises en œuvre en vue de réaliser des machines capables de simuler l’intelligence humaine”. Cette description est assez large et imprécise, et caractérise l’étendue des domaines impliqués dans l’IA. Cette dernière correspond donc à un ensemble de concepts et de technologies plus qu’à une discipline autonome constituée [7]. L’apprentissage automatique (en anglais machine learning) ou apprentissage statistique est un champ d’étude de l’intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la possibilité d’“apprendre” à partir de données, c’est-à-dire d’améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune [8].

L’apprentissage automatique comporte la plupart du temps deux étapes. La première consiste à estimer un modèle à partir de données,[...]

Connectez-vous pour consulter l'article dans son intégralité.

Pas encore abonné(e)
INSCRIVEZ-VOUS

Inscrivez-vous gratuitement et profitez de tous les sites du groupe Performances Médicales

S'inscrire
Partagez.

À propos de l’auteur

Hôpital Fondation Rothschild, Centre Médical Argentine, PARIS.