Dans quelques années, il devrait être possible d’identifier plus rapidement les facteurs de risque cardiaque d’un patient par l’analyse de sa rétine. C’est ce que les chercheurs de Verily, filiale santé de Google, explorent en ce moment. Ils viennent de publier un article sur ces travaux dans le magazine Nature.
Les travaux menés par Verily (filiale santé de Google) sur l’analyse des rétines font apparaître en vert sur la droite une pression systolique élevée au-dessus des vaisseaux sanguins, à comparer à l’image simple de la rétine, sur la gauche. (crédit : Google/Verily)
Des chercheurs de Google, plus précisément de sa filiale Verily axée sur la santé, ont mis à profit les technologies de deep learning pour évaluer les risques cardiaques de patients à partir des images de leur rétine, l’analyse de celles-ci permettant d’extraire différentes informations sur l’âge, la tension artérielle, le diabète, etc. En introduction à l’article rendant compte de ses travaux, qui vient d’être publié dans la rubrique ingénierie biomédicale du magazine Nature, l’équipe de chercheurs explique qu’en « utilisant des modèles de deep learning entraînés sur les données de 284 335 patients et validés sur deux jeux de données indépendants de 12 026 et 999 patients », elle a prédit des facteurs de risque cardiovasculaire qui n’étaient pas considérés comme existants ou quantifiables dans les images rétiennes, comme l’âge (avec une erreur de plus ou moins 3 ans), le sexe, le fait que le patient fume ou non, la tension systolique et les problèmes cardiaques sérieux. « Nous avons également montré que les modèles de deep learning entraînés utilisent des caractéristiques anatomiques, tels que le disque optique ou les vaisseaux sanguins pour générer chaque prédiction », ajoutent les chercheurs.
Des images qui éclairent le fonctionnement de l’algorithme
L’article publié dans le magazine Nature par Verily montre les « attention maps », images d’un fond de l’œil mettant en évidence les différents éléments fournis par l’analyse de la rétine. (source Verily/Nature – agrandir l’image)
Dans un billet, le cardiologue Michael McConnell, qui pilote les innovations cardiovasculaires chez Verily, souligne tout l’intérêt d’être à la croisée de plusieurs disciplines et de pouvoir travailler avec les équipes de Google spécialisées sur l’intelligence artificielle afin d’explorer de nouvelles façons d’identifier les signaux de la maladie avec l’apprentissage machine. Il explique que l’un des aspects très intéressants de cette étude est de pouvoir montrer, à travers l’ensemble des images obtenues, quels sont les aspects de la rétine qui ont le plus contribué à l’algorithme de machine learning ce qui, en l’occurrence, procure une ouverture face à l’aspect « boîte noire » de l’apprentissage machine. « Cela peut donner aux cliniciens une plus grande confiance dans l’algorithme et potentiellement apporter de nouvelles connaissances sur les caractéristiques rétiniennes qui n’étaient jusque-là pas associées avec des facteurs de risque cardiovasculaire ou de risques futurs », expose Michael McConnell.
A valider sur des cohortes de patients plus larges
Spécialisé en cardiologie préventive, Michael McConnell insiste sur l’intérêt de pouvoir utiliser ce type d’applications dans le dépistage des maladies, « ainsi que nous l’avons montré en rétinopathie diabétique », rappelle-t-il. L’apprentissage machine permet aux chercheurs de mettre en évidence des signaux dans des environnements extrêmement riches en données tels que les images. Or, la complexité de celles-ci, compte-tenu de l’étendue et de la variété des caractéristiques à examiner (grande diversité de motifs, couleurs, valeurs et formes) ne permettait pas aux médecins de faire des observations à partir de l’examen clinique.
L’opportunité de pouvoir un jour comprendre rapidement l’état des vaisseaux sanguins d’un patient avec une image rétinienne pourra faciliter la mise en place de mesures préventives à un accident cardiaque, prévoit le cardiologue. Tout cela est prometteur, mais les recherches n’en sont encore qu’à leurs débuts, modère toutefois Michael McConnell. « Il y a encore du travail à effectuer pour développer et valider ces résultats sur des cohortes de patients plus importantes avant que cela puisse arriver dans un contexte clinique », prévient-il.