Diagnostic automatique de la dégénérescence maculaire liée à l'âge par apprentissage automatique et traitement d'image

Pourquoi cela compte pour votre vue

À mesure que l'espérance de vie augmente, un nombre croissant de personnes est concerné par la dégénérescence maculaire liée à l'âge (DMLA), une maladie qui érode progressivement la vision centrale et peut rendre la lecture, la conduite ou la reconnaissance des visages difficiles voire impossibles. Les ophtalmologistes peuvent repérer des signes précurseurs sur des photographies du fond de l'œil, mais examiner manuellement des milliers de patients prend du temps et nécessite des spécialistes. Cette étude explore comment un outil transparent basé sur l'apprentissage automatique peut aider à détecter précocement la DMLA à partir de photos oculaires de routine, sans recourir aux « boîtes noires » profondes et difficiles à expliquer.

À la recherche de problèmes dans la zone de vision fine de l'œil

La DMLA attaque la macula, une petite zone sombre près du centre de la rétine qui assure la vision nette et détaillée. De nombreux systèmes automatisés cherchent à détecter de minuscules dépôts lipidiques appelés drusen sur des images de l'ensemble de l'œil, mais les drusen peuvent être facilement confondus avec d'autres taches brillantes comme de petits saignements, et ils varient beaucoup en forme et en taille. Cela complique leur détection fiable par ordinateur, et même les experts doivent vérifier soigneusement les résultats. Les auteurs suivent une voie différente : plutôt que de chasser directement les drusen sur toute la rétine, ils se concentrent sur la région maculaire elle‑même et mesurent comment sa texture et sa couleur évoluent en présence de DMLA.

De la photo brute à « l'empreinte » de la macula

Le système démarre avec une photographie en couleur du fond d'œil, appelée image du fond de l'œil (fundus). Il renforce d'abord le contraste en utilisant des étapes standard de traitement d'image pour rendre les zones sombres et claires plus faciles à distinguer. Ensuite, il localise automatiquement le disque optique — la zone circulaire brillante où les nerfs quittent l'œil — et utilise sa relation géométrique connue avec la macula pour rechercher, le long d'une bande étroite de l'image, la région la plus sombre correspondant à la taille et à la position attendues de la macula. Autour de ce point, le système recadre un petit rectangle : c'est la région d'intérêt, contenant le tissu le plus susceptible de révéler des lésions liées à la DMLA à un stade précoce.

Transformer motifs et couleurs en nombres

Dans ce patch maculaire, les chercheurs calculent un grand ensemble de descripteurs numériques, ou « caractéristiques artisanales ». Les caractéristiques de texture capturent la manière dont les intensités de pixels sont disposées — si la surface paraît lisse, tachetée ou irrégulière — tandis que les caractéristiques de couleur enregistrent des variations de luminosité et de teinte qui peuvent refléter des changements de pigment et de santé tissulaire. Au total, 140 valeurs de texture et 48 valeurs de couleur sont mesurées pour chaque image oculaire. Parce que toutes ces valeurs n'ont pas la même utilité, l'équipe applique des tests statistiques et une méthode de classement des caractéristiques pour sélectionner un sous‑ensemble plus petit qui sépare le mieux les yeux sains et ceux atteints de DMLA, éliminant les mesures redondantes ou bruitées.

Apprendre aux machines à dire « DMLA » ou « normal »

Avec ces caractéristiques sélectionnées en main, les auteurs entraînent plusieurs classifieurs bien connus d'apprentissage automatique — Support Vector Machine (SVM), k‑Nearest Neighbor, Naïve Bayes et un réseau de neurones simple — pour apprendre la différence entre yeux normaux et yeux atteints de DMLA. Ils utilisent deux collections publiques d'images rétiniennes : le jeu de données STARE, qui comprend 35 images normales et 74 images avec DMLA, et le jeu ODIR plus large, avec des centaines de cas étiquetés. Pour tester la fiabilité, ils divisent de manière répétée chaque jeu de données en parties d'entraînement et de test, en faisant tourner les images pour que chaque œil soit au moins une fois dans le lot de test, puis mesurent la précision, le taux d'erreur et la fréquence de détection correcte de la DMLA.

Des résultats clairs et un raisonnement plus limpide

Sur l'ensemble des tests, le classifieur SVM utilisant des caractéristiques de texture de la région maculaire se distingue. Sur le jeu STARE, il distingue correctement la DMLA des yeux normaux dans près de 99 % des cas ; sur ODIR, la précision est d'environ 95 %. L'information de texture s'avère plus puissante que la couleur seule, et la combinaison des deux types de caractéristiques ne dépasse pas la performance de la texture seule. Bien que certains systèmes d'apprentissage profond de la littérature obtiennent des scores comparables ou légèrement supérieurs, ils exigent de grandes quantités de données étiquetées et fournissent peu d'indications sur les indices d'image sur lesquels ils s'appuient. En revanche, les caractéristiques artisanales de texture et de couleur de cette étude correspondent à des structures reconnaissables de la rétine, rendant le système plus interprétable pour les cliniciens.

Ce que cela signifie pour les patients

Concrètement, l'étude montre qu'un programme informatique relativement simple et transparent peut examiner une photo oculaire standard, zoomer sur la macula et — avec une très grande fiabilité — signaler si la DMLA est probablement présente, sans d'abord tenter de repérer chaque minuscule dépôt. Un tel outil pourrait aider les cabinets ophtalmologiques et les programmes de dépistage à trier rapidement un grand nombre d'images, en veillant à ce que les patients présentant une maladie précoce soient vus plus rapidement par des spécialistes, tout en donnant aux médecins une vision plus claire des motifs visuels que la machine utilise pour prendre sa décision.

Citation: Agarwal, D., Bhargava, A., Alsharif, M.H. et al. Automatic diagnosis of age-related macular degeneration using machine learning and image processing techniques. Sci Rep 16, 5037 (2026). https://doi.org/10.1038/s41598-026-35428-2

Mots-clés: dégénérescence maculaire liée à l'âge, imagerie rétinienne, apprentissage automatique, détection précoce des maladies, analyse d'images médicales