Identification de multiples maladies oculaires à l’aide d’un réseau de neurones convolutionnel quantique hybride sur images du fond d’œil

Des examens oculaires plus précis avec des machines plus intelligentes

Beaucoup de problèmes de vision dans le monde pourraient être évités si les maladies oculaires étaient détectées précocement, mais les spécialistes et l’imagerie de haute qualité ne sont pas toujours accessibles. Cette étude explore une nouvelle façon d’analyser les photographies de l’arrière de l’œil, appelées images du fond d’œil, en combinant des idées de pointe en calcul quantique et l’intelligence artificielle moderne. L’objectif est simple mais puissant : repérer plusieurs maladies oculaires courantes à la fois, rapidement et de manière fiable, afin que des traitements salvateurs puissent débuter plus tôt.

Pourquoi l’arrière de l’œil est important

La rétine est une fine couche de tissu à l’arrière de l’œil qui transforme la lumière en signaux pour le cerveau. De nombreuses affections oculaires graves laissent des marques caractéristiques ici, notamment la dégénérescence maculaire liée à l’âge, le glaucome, la rétinopathie diabétique, les lésions liées à l’hypertension, la myopie et les cataractes. Les médecins peuvent photographier la rétine avec une caméra du fond d’œil standard, moins coûteuse et plus largement disponible que les appareils avancés. Mais interpréter ces images visuellement est lent, dépend de spécialistes hautement qualifiés, et devient particulièrement difficile lorsque les signes précoces sont discrets ou lorsque plusieurs problèmes coexistent.

Nettoyer l’image avant le diagnostic

Avant qu’un ordinateur ne puisse tirer sens des photos du fond d’œil, les images doivent être nettoyées et normalisées. Dans ce travail, les auteurs recadrent d’abord la région circulaire de l’œil, la redimensionnent, puis améliorent la visibilité des structures importantes en utilisant deux techniques : le filtrage par diffusion anisotrope pour réduire le bruit sans estomper les contours clés, et les transformées en ondelettes pour renforcer le contraste. Ils augmentent aussi l’ensemble d’entraînement en faisant pivoter, zoomer, décaler et retourner les images, et en ajoutant du bruit contrôlé. Cette « préparation » soignée des images aide le modèle à apprendre la variabilité des images du monde réel, réduisant le risque d’échec face à des appareils ou conditions d’éclairage légèrement différents.

Mélanger l’IA classique et les idées quantiques

Au cœur de l’étude se trouve un réseau de neurones convolutionnel quantique hybride, ou QCNN. Un réseau de neurones convolutionnel traditionnel est très performant pour repérer des motifs tels que lignes, textures et formes dans les images. Le QCNN conserve cette structure familière mais ajoute des couches inspirées du quantique qui opèrent sur des données encodées comme des états quantiques. Concrètement, un réseau classique léger compresse d’abord chaque paire d’images des yeux gauche et droit d’un patient. Ces caractéristiques sont ensuite mappées dans une représentation à huit « qubits », où des portes quantiques spéciales effectuent des rotations et créent des connexions entre qubits. Cela permet au système d’explorer un espace riche de motifs possibles en utilisant relativement peu de paramètres ajustables.

Comment les couches quantiques apprennent

La partie quantique du modèle imite des étapes bien connues de l’analyse d’images. Les couches de « convolution » quantique agissent comme des filtres, recherchant des structures utiles dans les données, tandis que les couches de « pooling » quantique réduisent la complexité en fusionnant l’information de plusieurs qubits sans perdre les indices les plus importants. Le système mesure de manière répétée les états quantiques résultants et alimente ces mesures dans une couche de décision finale qui fournit la probabilité de chaque étiquette de maladie oculaire. Pendant l’entraînement, un optimiseur classique ajuste à la fois les poids du réseau neuronal traditionnel et les paramètres des portes quantiques pour améliorer les performances, guidé par des mesures standard telles que l’exactitude, la précision, le rappel et le score F1.

Mettre le modèle à l’épreuve

Pour déterminer si cette approche dépasse le stade de l’idée élégante, les chercheurs l’ont entraînée et testée sur OIA‑ODIR, une vaste collection publique de 10 000 images du fond d’œil provenant de 5 000 patients annotées pour sept maladies oculaires plus des yeux normaux. Les données ont été réparties de sorte que certaines images servent à l’entraînement du modèle, d’autres à son réglage, et d’autres encore — à la fois du même site et de sites externes — pour tester sa capacité de généralisation. Comparé à plusieurs systèmes de deep learning performants, y compris Fundus‑DeepNet, Inception‑v4, VGG16 et ResNet‑101, le QCNN est arrivé en tête. Il a atteint environ 94 % d’exactitude et des valeurs comparables de précision, rappel et score F1, tant sur les jeux de test sur site que hors site, ce qui signifie qu’il donnait souvent des réponses correctes tout en manquant peu de cas malades.

Ce que cela signifie pour les patients

Pour le grand public, le message est que des logiciels plus intelligents pourraient contribuer à protéger la vue en rendant le dépistage rétinien de masse plus rapide, plus cohérent, et capable de signaler plusieurs maladies simultanément. Le réseau amélioré par des concepts quantiques décrit ici fonctionne encore sur des simulateurs et nécessite de puissants ordinateurs, il n’est donc pas encore prêt pour l’usage clinique de routine. Il hérite également des limites habituelles de l’IA médicale, comme des données inégales pour les maladies rares et des différences entre hôpitaux. Néanmoins, ses bonnes performances suggèrent que la combinaison de méthodes classiques et inspirées du quantique peut extraire davantage d’information des mêmes photographies du fond d’œil. À mesure que le matériel quantique mûrira et que les jeux de données s’élargiront, de tels systèmes pourraient devenir des outils pratiques pour assister les ophtalmologistes dans le monde, en particulier dans les régions où les spécialistes se font rares.

Citation: Alqassab, A.I.M., Luque-Nieto, MÁ. & Mohammed, M.A. Identification of multiple ocular diseases using a hybrid quantum convolutional neural network with fundus images. Sci Rep 16, 6798 (2026). https://doi.org/10.1038/s41598-026-38063-z

Mots-clés: imagerie du fond d’œil, détection des maladies oculaires, réseaux neuronaux quantiques, analyse d’images médicales, intelligence artificielle en ophtalmologie