Deneye - Module de Notation par IA

Module de Notation par IA

Une IA qui lit les photographies rétiniennes en moins de deux secondes — aidant les ophtalmologistes à détecter la maladie oculaire diabétique avant qu'elle ne cause des dommages permanents.

Le Module de Notation par IA Deneye analyse les photographies du fond d'œil et attribue l'une des cinq classifications de sévérité de la rétinopathie diabétique normalisées internationalement. Cela fournit à l'ophtalmologiste examinateur un point de départ immédiat, fondé sur des preuves — réduisant la charge de travail tout en maintenant la responsabilité clinique complète.

L'IA ne fonctionne jamais de manière autonome. Chaque classification est examinée et confirmée par un ophtalmologiste certifié avant que toute action clinique ne soit entreprise.

Sécurité où les données sont familières. Sur l'ensemble de validation du modèle et les deux ensembles d'évaluation IDRiD (1 249 images), aucun cas de rétinopathie diabétique sévère ou proliférante n'a été classé comme « Pas de RD ». Sur les ensembles de données présentant un décalage de domaine important, cette marge se dégrade — une raison clé pour laquelle chaque classification IA est examinée par un ophtalmologiste et chaque nouveau site de déploiement est d'abord évalué sur ses propres images.

Comment cela fonctionne

Trois étapes de la photographie au résultat de la classification

1

Image capturée

Un dépisteur photographie la rétine du patient à l'aide de n'importe quel appareil photo de fond d'œil standard. L'image est téléchargée sur la plateforme Deneye — même à partir d'un emplacement distant sans connexion Internet permanente.

2

L'IA classe en <2 secondes

Le modèle IA prétraite l'image et prédit une classification de sévérité de la rétinopathie diabétique sur l'Échelle Clinique Internationale de Rétinopathie Diabétique à 5 points. Le résultat s'affiche immédiatement sur la liste de travail de l'ophtalmologiste.

3

L'ophtalmologiste confirme

Un ophtalmologiste certifié examine l'image et la suggestion de l'IA. Il confirme, ajuste ou annule la classification. Ce n'est qu'après un examen humain que le résultat est communiqué au patient.

Les cinq classifications de sévérité de la rétinopathie diabétique

Basé sur l'Échelle Internationale Clinique de Sévérité de la Rétinopathie Diabétique

Classification	Nom	Ce que cela signifie	Suivi recommandé
0	Pas de RD	Aucun signe visible de lésion diabétique de la rétine	Dépistage annuel de routine
1	RD non proliférante légère	Changements précoces : microanévrismes (petits renflements des vaisseaux sanguins rétiniens)	Examen par l'ophtalmologiste
2	RD non proliférante modérée	Changements plus étendus : hémorragies, exsudats secs, taches cotonneuses	Examen par l'ophtalmologiste
3	RD non proliférante sévère	Lésions vasculaires importantes, risque élevé de progression vers la RD proliférante	Référence urgente à un spécialiste de la rétine
4	RD proliférante	Stade avancé : croissance de nouveaux vaisseaux sanguins fragiles, risque élevé de perte grave de la vision	Référence urgente pour traitement (p. ex., laser, injections)

Validation indépendante sur 37 368 images

Testé sur quatre ensembles de données indépendants de quatre pays — aucun utilisé pendant l'entraînement

La mesure de performance standard pour la notation de la rétinopathie diabétique est le Kappa Pondéré Quadratique (QWK) — une statistique qui compare les classifications de l'IA aux classifications d'ophtalmologistes experts, avec des pénalités plus lourdes pour les désaccords importants. Il varie de 0 (pas mieux que le hasard) à 1,0 (accord parfait). Un kappa supérieur à 0,80 est généralement considéré comme “excellent” dans la littérature sur la notation de la rétinopathie diabétique.

Ensemble de données	Images	Pays	QW Kappa	Précision adjacente
APTOS 2019 (hold-out)	733	Inde	0.896	97.5%
IDRiD Training	413	Inde	0.710	90.8%
IDRiD Testing	103	Inde	0.607	85.4%
Messidor-2	1,744	France	0.499	89.1%
EyePACS	35,108	États-Unis	0.420	87.4%
Total (externe)	37,368	4 pays	0.440	87.6%

La ligne de retenue APTOS se compose d'images retenues de l'ensemble de données d'entraînement propre du modèle ; les quatre autres ensembles sont complètement externes — le modèle ne les a jamais vus sous quelque forme que ce soit.

Une note sur le décalage de domaine (Messidor-2 kappa 0,499, EyePACS 0,420). Le modèle a été entraîné sur des photographies rétiniennes indiennes (APTOS 2019). Les images Messidor-2 et EyePACS proviennent de cliniques françaises et américaines avec des appareils photo différents, des conditions d'éclairage différentes et des démographies de patients différentes, et la précision de la notation diminue en conséquence — sur ces deux ensembles de données, respectivement 2 sur 110 et 111 sur 1 580 cas sévères ou proliférants ont été classés comme « Pas de RD ». Le décalage de domaine est un défi bien documenté dans la littérature de l'IA pour la rétinopathie diabétique. C'est pourquoi l'IA est strictement une aide de tri sous révision obligatoire d'un ophtalmologiste, et c'est pourquoi chaque site de déploiement est évalué sur ses propres images avant utilisation clinique.

Courbes d'entraînement et matrice de confusion

Ensemble d'entraînement APTOS 2019 (2 929 images), validation de retenue de 20 % (733 images). Meilleur QWK atteint : 0,896.

Perte d'entraînement et QW kappa par époque sur 20 épochs — Perte d'entraînement et de validation et QWK par époque. La convergence se produit après la phase de tête seule (3 premières épochs). Le modèle atteint un QWK stable de 0,896 à l'époque 20.

Matrice de confusion 5x5 : classification IA vs classification d'expert sur l'ensemble de retenue APTOS — Matrice de confusion sur l'ensemble de retenue APTOS de 733 images. Les erreurs hors-diagonale sont presque entièrement des classifications adjacentes (un pas). Aucun cas sévère ou proliférant (classifications 3–4) n'apparaît dans la colonne Classification 0 « Pas de RD ».

Un rapport détaillé de Notation par IA est disponible sur demande. Le rapport inclut les métriques de validation complètes sur tous les ensembles de données, les matrices de confusion par ensemble de données, les comparaisons de distribution de classifications et la documentation méthodologique complète.

Demander le rapport