L’intelligence artificielle (IA) appliquée à l’ophtalmologie se développe depuis plusieurs années pour améliorer et automatiser la prise en charge de certaines pathologies. Le dépistage de la rétinopathie diabétique [3] ou, plus récemment en pathologie cornéenne, la détection de l’œdème cornéen sur des images OCT, en sont des exemples [4]. Le développement de l’IA pour l’adaptation en LRPG des patients atteints de kératocône pourrait la simplifier et aider le clinicien dans sa pratique quotidienne. La courbe d’apprentissage pourrait ainsi être améliorée pour atteindre une meilleure prise en charge de ces patients.

Les LRPG couramment utilisées pour adapter les patients atteints de kératocône possèdent une géométrie spécifique, multicourbe, permettant de réduire les aberrations optiques.
La première étape de l’adaptation, est décisive. Elle consiste à déterminer le rayon de courbure (R0) de la face postérieure de la LRPG. Celui-ci est évalué en objectivant la LRPG placée sur la cornée après instillation d’une goutte de fluorescéine.

La technique du triple appui

L’adaptation repose classiquement sur la technique du triple appui [5]. Ce procédé permet de répartir le contact cornéen entre le centre et la périphérie [6]. L’image fluorescéinique théorique idéale serait alors un très léger “appui” central avec deux zones “d’appui” en moyenne périphérie (fig. 1). Entre les clignements, un fin film de fluorescéine doit pouvoir passer au niveau de l’apex du cône. Il s’agit d’une analyse subjective.

Les fabricants recommandent, le plus souvent, de débuter l’adaptation en se référant à la kératométrie moyenne (Km) pour choisir le premier rayon de courbure de la lentille (R0).

Les logiciels d’aide à l’adaptation des LRPG, qui peuvent être utiles pour accompagner l’adaptateur, restent limités pour les cornées irrégulières, telles que les kératocônes. Ils permettent de simuler l’image fluorescéique mais n’intègrent pas de modèles prédictifs pour la détermination du R0 et ne constituent ainsi pas une aide à la détermination de celui-ci.

Un modèle de deep learning prédictif du R0

Nous avons étudié la possibilité de développer un modèle de deep learning (DL) prédictif du R0 à partir des topographies cornéennes de patients adaptés en lentille rose K2 Menicon avec succès.
À partir de la matrice brute correspondant à la carte de courbure axiale antérieure en millimètres (fig. 2), un modèle de[...]

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