Paper session : Diabetic Macular Edema - SFO-online
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Compte-rendu du congrès ARVO 2021 - Rétine
Paper session : Diabetic Macular Edema
Natural History and Predictors of Vision Loss in Eyes with
Diabetic Macular Edema and Good Initial Visual Acuity
Daniella Lent-Schotet, California Northstate University
Compte rendu du
Dr Sophie
BONNIN (Paris)
CONGRES ARVO – Rétine - 2021
Compte-rendu du congrès ARVO 2021 - Rétine
Natural History and Predictors of Vision Loss in Eyes with Diabetic Macular Edema and Good
Initial Visual Acuity
Background :
Résultats du protocole V du DRCR net1
« Les yeux ayant un œdème maculaire impliquant le centre et une
bonne acuité visuelle peuvent être surveillés jusqu’à ce que
l’acuité visuelle baisse ».
En vraie vie : devenir à long terme de ces patients avec une
bonne acuité visuelle ?2
L’acuité visuelle serait meilleure si le traitement est initié plus tôt.
1. Baker, C.W., Glassman, A.R., Beaulieu, W.T., Antoszyk, A.N., Browning, D.J., Chalam, K.V., Grover, S., Jampol, L.M., Jhaveri, C.D., Melia, M., et al. (2019). Effect of Initial
Management With Aflibercept vs Laser Photocoagulation vs Observation on Vision Loss Among Patients With Diabetic Macular Edema Involving the Center of the Macula
and Good Visual Acuity: A Randomized Clinical Trial. JAMA 321, 1880–1894.
2. Luu, K.-Y., Akhter, M.M., Durbin-Johnson, B.P., Moshiri, A., Tran, S., Morse, L.S., Park, S.S., and Yiu, G. (2020). Real-world management and long-term outcomes of diabetic
macular oedema with good visual acuity. Eye (Lond) 34, 1108–1115.
CONGRES ARVO – Rétine - 2021
D’après Daniella Lent-Schotet
Compte-rendu du congrès ARVO 2021 - Rétine
Natural History and Predictors of Vision Loss in Eyes with Diabetic Macular Edema and
Good Initial Visual Acuity
Question ?
Identification des facteurs cliniques et anatomiques
associés à une perte de vision en cas d’OMD naïf avec
une bonne AV initiale.
Cohorte rétrospective :
56 yeux (48 patients) suivis 4.3 (+/- 3.2 ) ans
Temps médian jusqu’à la perte de vision : 14.5 mois
Caractéristiques étudiées : cliniques, ophtalmologiques,
y compris OCT
CONGRES ARVO – Rétine - 2021
D’après Daniella Lent-Schotet
Compte-rendu du congrès ARVO 2021 - Rétine
Natural History and Predictors of Vision Loss in Eyes with Diabetic Macular Edema and Good
Initial Visual Acuity
Seuls les patients plus âgés (HR 1.04/an, P =
0.02) et les yeux ayant une RDNP sévère (HR
3.01, P = 0.01) ou une RD proliférante (HR
7.72, P < 0.001) avaient un risque
significativement plus élevé de perte visuelle.
Pas d’association significative entre les
biomarqueurs OCT et la baisse visuelle.
Ces résultats sont concordants avec l’analyse
post hoc du protocole V.1
1. Glassman, A.R., Baker, C.W., Beaulieu, W.T., Bressler, N.M., Punjabi, O.S., Stockdale, C.R., Wykoff, C.C., Jampol, L.M., Sun, J.K., and DRCR Retina Network (2020). Assessment of the DRCR Retina Network
Approach to Management With Initial Observation for Eyes With Center-Involved Diabetic Macular Edema and Good Visual Acuity: A Secondary Analysis of a Randomized Clinical Trial. JAMA Ophthalmol 138,
341–349.
CONGRES ARVO – Rétine - 2021
D’après Daniella Lent-Schotet
Compte-rendu du congrès ARVO 2021 - Rétine
Paper session : Deep learning for classification and
segmentation
A Multi-Task Deep-Learning System to Classify Diabetic
Macular Edema for Different Optical Coherence Tomography
Devices: A Multi-Center Analysis
Carol Y. Cheung, Chinese University of Hong Kong
Compte rendu du
Dr Sophie BONNIN
(Paris)
CONGRES ARVO – Rétine - 2021
Compte-rendu du congrès ARVO 2021 - Rétine
A Multi-Task Deep-Learning System to Classify Diabetic Macular Edema for
Different Optical Coherence Tomography Devices: A Multi-Center Analysis
Développement, validation et test d’un algorithme pour classer l’OMD en utilisant les images de 3
dispositifs d’OCT différents (Cirrus, Spectralis, Triton)
Classement de l’OMD en OMD impliquant le centre (CI-DME) ou non, et classement des anomalies
rétiniennes en dehors de l’OMD.
Annotations des OCT:
• Qualité
• OMD impliquant le centre (CI-DME) défini comme un épaississement rétinien ou la présence de logettes/ fluide sous rétinien/
exsudats dans les 1-mm centraux
• OMD n’impliquant pas le centre (non CI-DME) défini comme un épaississement rétinien ou la présence de logettes/ fluide sous
rétinien/ exsudats en dehors des 1-mm centraux
• Présence d’autres anomalies rétiniennes (MER, DMLA, TM, CRSC, …)
CONGRES ARVO – Rétine - 2021
D’après Carol Y. Cheung
Compte-rendu du congrès ARVO 2021 - Rétine
A Multi-Task Deep-Learning System to Classify Diabetic Macular Edema for
Different Optical Coherence Tomography Devices: A Multi-Center Analysis
- 73 746 OCT images, représentant 2 444 yeux de 1
238 sujets diabétiques, ont été utilisés pour
l’entraînement et la validation.
- Stratégie d’annotation : si 1 B-scan montre un CI-DME, tout
le cube est annoté de cette façon.
- Algorithme validé grâce à une cohorte de validation
multicentrique.
CONGRES ARVO – Rétine - 2021
D’après Carol Y. Cheung
Compte-rendu du congrès ARVO 2021 - Rétine
A Multi-Task Deep-Learning System to Classify Diabetic Macular Edema for
Different Optical Coherence Tomography Devices: A Multi-Center Analysis
Performances excellentes :
• Classement de la présence ou de l’absence d’OMD :
AUROC : 0.937 (95% CI 0.920–0.954), 0.958 (0.930–0.977), et 0.965
(0.948–0.977) pour les 3 bases de données primaires du Cirrus, Spectralis,
et Triton, et > à 0.906 pour les bases de données externes
• Classement des sous groupes (CI-OMD ou non): AUROC :
0.968 (0.940–0.995), 0.951 (0.898–0.982), and 0.975 (0.947–0.991) pour
les bases de données primaires et plus de 0.894 pour les bases de
données externes
• Classement des autres anomalies rétiniennes : AUROC :
0.948 (0.930–0.963), 0.949 (0.901–0.996), et 0.938 (0.915–0.960) pour les
images Cirrus, Spectralis, and Triton dans les bases données primaires
CONGRES ARVO – Rétine - 2021
D’après Carol Y. Cheung
Compte-rendu du congrès ARVO 2021 - Rétine
A Multi-Task Deep-Learning System to Classify Diabetic Macular Edema for
Different Optical Coherence Tomography Devices: A Multi-Center Analysis
Performances excellentes d’un algorithme de Deep Learning pour la classification de l’OMD, prometteur comme
outil de dépistage en 2è intention pour les patients diabétiques.
Avantages : utilisation des volumes 3D, et de 3 OCT de constructeurs différents, et génération de cartes de couleurs
(ci-dessous), permettant de comprendre les caractéristiques du système.
Limites : seules des images de qualité suffisante ont été utilisées (évaluation essentielle de la qualité des images en
amont de la classification) ;
difficultés dans la distinction de l’OM lié au diabète ou à une autre pathologie rétinienne.
CONGRES ARVO – Rétine - 2021
D’après Carol Y. Cheung
Compte-rendu du congrès ARVO 2021 - Rétine
Paper session : Deep learning for classification and
segmentation
Reconstruction of high-resolution OCT angiograms of retinal
intermediate and deep capillary plexuses using deep
learning
Min Gao, Oregon Health and Science University
Compte rendu
du Dr Sophie
BONNIN (Paris)
CONGRES ARVO – Rétine - 2021Compte-rendu du congrès ARVO 2021 - Rétine
Reconstruction of high-resolution OCT angiograms of retinal intermediate and
deep capillary plexuses using deep learning
Utilisation d’un algorithme de Deep Learning pour reconstruire le signal de flux à partir
d’angiogrammes 6x6 mm des plexus capillaires intermédiaire et profond
Méthodes : acquisition de scans maculaires 3x3 mm et 6x6 mm
CONGRES ARVO – Rétine - 2021
D’après Min GaoCompte-rendu du congrès ARVO 2021 - Rétine
Reconstruction of high-resolution OCT angiograms of retinal intermediate and
deep capillary plexuses using deep learning
Résultats : Les angiogrammes reconstruits par le
DCARnet avaient une diminution significative de
l’intensité du bruit (ICP, 7.38±25.22, pCompte-rendu du congrès ARVO 2021 - Rétine
Paper session : AI in the Retina : Algorithms
Artificial Intelligence-based Detection of Diabetic Retinopathy
using Retinal Imaging and Traditional Risk Factors
Dr Sajib Kumar Saha, Australia
Compte rendu du
Dr Sophie BONNIN
(Paris)
CONGRES ARVO – Rétine - 2021Compte-rendu du congrès ARVO 2021 - Rétine
Artificial Intelligence-based Detection of Diabetic Retinopathy using Retinal
Imaging and Traditional Risk Factors
Développement d’un algorithme pour détecter la RD à l’aide
de l’imagerie rétinienne et des facteurs de risques
traditionnels.
- Un réseau neuronal convolutionnel entraîné pour classer
la RD, à partir des images rétiniennes (« disease/ no
disease ») (EyePacs dataset).
- Une seconde base de données longitudinales comprenant
les images rétiniennes et les données cliniques de 326
patients a été utilisée pour créer un classement à l’aide
d’une « machine à vecteur de support »: ont été utilisées
les données suivantes : âge, HbA1c, PA systolique, poids,
IMC, et tour de taille.
- Les probabilités résultant des 2 algorithmes ont ensuite
été combinées.
CONGRES ARVO – Rétine - 2021
D’après Sajib Kumar SahaCompte-rendu du congrès ARVO 2021 - Rétine
Artificial Intelligence-based Detection of Diabetic Retinopathy using Retinal
Imaging and Traditional Risk Factors
Résultats :
Précision de 94% pour la classification en utilisant
les facteurs de risques traditionnels.
Précision de 92% pour la classification de la RD en
utilisant les photographies couleurs.
Combinaison des 2 algorithmes : précision de 96% et
sensibilité de 96%.
-> amélioration de la prédiction de la RD en
associant les images rétiniennes et l’évaluation des
facteurs de risques
CONGRES ARVO – Rétine - 2021
D’après Sajib Kumar SahaCompte-rendu du congrès ARVO 2021 - Rétine
Paper session : AI in the Retina : Algorithms
Automated Machine Learning Model for the Classification of
Retinal Diseases from Ultra-Widefield Pseudocole Fundus
Images
Dr Farès Antaki, University of Montreal
Compte rendu
du Dr Sophie
BONNIN (Paris)
CONGRES ARVO – Rétine - 2021Compte-rendu du congrès ARVO 2021 - Rétine
Automated Machine Learning Model for the Classification of Retinal Diseases
from Ultra-Widefield Pseudocole Fundus Images
Evaluation des performances d’un algorithme pour la
classification de pathologies rétiniennes en utilisant
l’imagerie Ultra Grand Champ
Méthodes : Développement d’un algorithme en utilisant
Google Cloud AutoML Vision pour les classifications
suivantes : FO normaux, occlusions veineuses rétiniennes,
rétinites pigmentaires, et décollements de rétine
Double lecture des images par 2 ophtalmologistes
CONGRES AAO - Rétine
D’après Farès AntakiCompte-rendu du congrès ARVO 2021 - Rétine
Automated Machine Learning Model for the Classification of Retinal Diseases
from Ultra-Widefield Pseudocolor Fundus Images
Base de données finale:
1,355 images (472 normaux, 311 occlusions veineuses,
187 rétinites pigmentaires, et 385 décollements de
rétine).
Utilisation simple d’AutoML
Performances comparables aux publications précédentes
Faisabilité de l’utilisation d’AutoML pour le
développement d’algorithmes pour des
ophtalmologistes sans expérience de codage.
CONGRES AAO - Rétine
D’après Farès AntakiVous pouvez aussi lire
