Un essai sur l’IA montre qu’un système d’imagerie rétinienne améliore le diagnostic des maladies héréditaires

Un assistant IA pour le diagnostic des maladies rétiniennes obtient de solides résultats en essai

Un essai multicentrique randomisé publié dans Nature Medicine rapporte qu’un système d’aide à la décision clinique fondé sur l’intelligence artificielle a significativement amélioré les performances diagnostiques pour des maladies héréditaires de la rétine suspectées, un ensemble d’affections difficiles à classer rapidement et avec précision dans la pratique courante.

Le système, appelé Retina4IRD, a été conçu pour aider les spécialistes à prédire les catégories de génotype probables à partir d’images rétiniennes. Dans l’essai, les spécialistes utilisant l’outil ont obtenu une précision de prédiction génétique top-5 nettement supérieure à celle des spécialistes travaillant sans lui. Ce résultat répond à un goulot d’étranglement de longue date en ophtalmologie, où les maladies héréditaires de la rétine nécessitent souvent une phénotypage intensif, une interprétation pluridisciplinaire et des tests génétiques avant qu’un diagnostic certain puisse être posé.

Les maladies héréditaires de la rétine, ou IRD, ne constituent pas un trouble unique mais un ensemble d’affections génétiques touchant la rétine. Leur présentation clinique peut se recouper, ce qui signifie que les médecins doivent souvent combiner plusieurs types de preuves avant de restreindre la cause probable. Ce processus peut être lent, gourmand en ressources et inégal selon les contextes de soins, surtout lorsque l’expertise de sous-spécialité est limitée.

Comment Retina4IRD a été construit

Selon l’étude, Retina4IRD prédit 17 catégories de génotype à partir d’images rétiniennes. L’équipe de recherche a développé le modèle à l’aide d’une architecture Vision Transformer pré-entraînée avec RETFound, puis l’a entraîné et validé avec des données d’imagerie multimodale provenant de patients génétiquement confirmés en Chine, en Corée du Sud et en Pologne.

Le jeu de données comprenait des photographies couleur du fond d’œil et des examens de tomographie par cohérence optique provenant de 1 843 patients génétiquement confirmés, représentant 3 376 yeux. Cet ensemble international d’entraînement et de validation est important, car le diagnostic des IRD peut être influencé à la fois par la diversité des maladies et par les différences de pratiques d’imagerie entre les sites. La performance en validation externe constitue donc un test essentiel pour savoir si un système peut fonctionner au-delà de l’institution où il a été construit.

En validation interne, le modèle a atteint une précision top-5 de 0,904, avec un intervalle de confiance de 95 % de 0,896 à 0,912. En validation externe, la précision top-5 était de 0,856, avec un intervalle de confiance de 95 % de 0,850 à 0,863. Ces chiffres suggèrent que le modèle a conservé de solides performances même lorsqu’il a été évalué hors de son environnement de développement, quoique avec la baisse attendue par rapport au test interne.

L’étude présente l’outil non comme un remplacement du jugement clinique ou du séquençage génétique, mais comme un système d’aide à la décision pouvant aider les cliniciens à hiérarchiser plus tôt les explications génétiques les plus probables dans le parcours diagnostique.

Un essai randomisé montre des gains chez les spécialistes

La preuve la plus solide de l’article provient d’un essai contrôlé randomisé portant sur 300 participants suspectés d’IRD. Les participants ont été répartis 1:1 soit dans un bras assisté par Retina4IRD, soit dans un bras réservé aux spécialistes. Parmi les inclus, 295 participants disposaient de comptes rendus de séquençage de nouvelle génération et ont été inclus dans l’analyse finale.

L’âge médian des participants analysés était de 33 ans, et 114 participants, soit 38,6 %, étaient des femmes. Le critère principal de l’étude a été atteint. Les spécialistes utilisant l’outil d’aide à base d’IA ont obtenu une précision génétique top-5 de 88,5 %, contre 67,3 % dans le groupe spécialistes seuls, une différence rapportée comme statistiquement significative avec une valeur de P inférieure à 0,001.

L’article indique également que les critères secondaires couvrant les précisions top-1 à top-4 favorisaient tous le bras assisté par Retina4IRD. Pris ensemble, ces résultats suggèrent que le système ne faisait pas qu’ajouter des possibilités supplémentaires à une longue liste. Il améliorait la qualité du classement à travers la chaîne de prédiction, rendant les catégories génétiques les plus plausibles plus susceptibles d’apparaître en tête.

Cette distinction compte en pratique. Si un spécialiste peut identifier, à partir des images, un ensemble plus restreint et de meilleure qualité de catégories de génotype probables, les tests et l’interprétation en aval peuvent devenir plus ciblés. Dans les contextes où la capacité de tests génétiques est limitée, un meilleur signal de triage en amont pourrait aider à allouer plus efficacement l’attention des spécialistes.

Ce que ces résultats pourraient changer

L’importance de l’article tient au type de preuve qu’il apporte. De nombreuses études d’IA médicale s’arrêtent à la validation rétrospective, où les algorithmes sont testés sur des données historiques mais pas évalués dans des flux cliniques réels ou quasi réels. Ici, les chercheurs sont allés plus loin en menant une comparaison randomisée entre spécialistes assistés par IA et non assistés.

Cela ne règle pas toutes les questions de déploiement. Le texte fourni de l’étude n’affirme pas que Retina4IRD établit indépendamment un diagnostic final, ni ne suggère que les tests génétiques puissent être sautés. En revanche, les résultats pointent vers un rôle à court terme plus concret pour l’IA dans la médecine des maladies rares : améliorer l’aide à la décision dans des situations où le diagnostic dépend aujourd’hui d’une expertise rare et d’une revue chronophage.

Le jeu de données de développement transfrontalier laisse aussi entrevoir une ambition plus large. Les IRD sont suffisamment rares pour que la constitution de données d’entraînement robustes soit difficile, et la collaboration internationale est souvent nécessaire pour capturer une variation cliniquement pertinente. Si d’autres études confirment ces résultats sur des populations et des systèmes de soins plus larges, les modèles d’imagerie rétinienne pourraient devenir une couche de plus en plus importante entre l’acquisition des images et la confirmation moléculaire.

Pour l’instant, le constat principal est simple. Dans un cadre randomisé et multicentrique, un système d’aide fondé sur l’IA a amélioré de manière tangible la capacité des spécialistes à prédire la catégorie génétique derrière une suspicion de maladie héréditaire de la rétine. Dans un domaine où le retard diagnostique peut influencer les décisions thérapeutiques, le conseil génétique et l’éligibilité à de futures interventions ciblées sur les gènes, il s’agit d’une avancée importante.

Cet article s’appuie sur le reportage de Nature Medicine. Lire l’article original.