Évaluation basée sur l’intelligence artificielle de la réponse au traitement dans la dégénérescence maculaire liée à l’âge humide à partir d’OCT angiographique appariés

Pourquoi cela compte pour la vision

La dégénérescence maculaire liée à l’âge est une cause majeure de perte de vision chez les personnes âgées, et de nombreux patients reçoivent des injections oculaires répétées pour maîtriser la maladie. Les cliniciens s’appuient sur des images de l’œil pour décider si le traitement fonctionne, mais l’interprétation de ces images est difficile et peut varier d’un spécialiste à l’autre. Cette étude examine comment l’intelligence artificielle peut aider à juger plus systématiquement du succès du traitement, en utilisant un type d’imagerie récent qui cartographie les très petits vaisseaux au fond de l’œil.

Voir le flux sanguin sans produit de contraste

Pendant des années, les spécialistes ont utilisé l’imagerie avec injection de colorant pour repérer les vaisseaux anormaux qui menacent la vision centrale. Plus récemment, la tomographie en cohérence optique et sa variante, l’angiographie OCT, ont permis aux cliniciens de visualiser les fines couches de la rétine et la circulation sanguine sans piqûre. Ces scans peuvent montrer comment les vaisseaux anormaux croissent, rétrécissent ou changent de forme sous traitement, mais les motifs sont souvent subtils et ne correspondent pas toujours à des signes évidents d’activité, comme le liquide ou le saignement. En conséquence, déterminer si une série d’injections a réellement amélioré l’œil, l’a laissé essentiellement inchangé ou a permis à la maladie d’empirer peut être long et subjectif.

Former un second avis numérique

Les chercheurs ont rassemblé plus d’un millier de paires d’images d’angiographie OCT provenant de personnes atteintes de la forme humide de la dégénérescence maculaire. Chaque paire montrait le même œil avant et après une série d’injections anti-VEGF, un traitement standard qui ralentit la croissance des vaisseaux anormaux. Des coupes transversales séparées et les variations de l’acuité visuelle ont été utilisées pour décider si chaque traitement avait clairement amélioré l’œil, l’avait laissé essentiellement inchangé, ou avait permis une détérioration. Ces annotations d’experts ont servi de référence pour entraîner un système d’apprentissage profond à classer de nouvelles paires d’images dans les mêmes trois catégories.

Comment l’ordinateur lit les scans

L’équipe a construit un modèle à deux branches parallèles, l’une pour le scan pré‑traitement et l’autre pour le scan post‑traitement. Pour chaque moment, le système a examiné plusieurs couches de la rétine et de la choroïde capturées comme des vues aplaties, de dessus. Il a d’abord appris à extraire des caractéristiques visuelles complexes de chaque scan, telles que la densité vasculaire et les motifs de ramification, puis a combiné l’information des deux moments pour produire un jugement unique d’amélioration, de stabilité ou d’aggravation. Les images ont été réparties aléatoirement de sorte que certaines paires servaient à entraîner le modèle, d’autres à l’ajuster, et un jeu séparé a été conservé pour les tests finaux.

Comparer l’ordinateur aux experts

Sur l’ensemble de test indépendant, le système d’intelligence artificielle a correctement classé la réponse au traitement dans environ huit paires sur dix, avec une performance particulièrement bonne pour repérer les améliorations. Deux rétinologues expérimentés ont relu les mêmes paires d’images sans accès aux autres données cliniques. Leur précision combinée était d’environ six sur dix, et ils ont eu le plus de difficultés avec les cas où la maladie restait stable plutôt que clairement meilleure ou pire. L’analyse statistique a montré que les évaluateurs humains étaient près de trois fois plus susceptibles que le modèle de mal juger si un traitement avait aidé, n’avait rien fait ou avait échoué, soulignant la difficulté d’interpréter ces images à l’œil nu.

Ce que cela pourrait signifier pour les patients

L’étude suggère qu’un système d’intelligence artificielle soigneusement entraîné peut agir comme un lecteur cohérent des scans vasculaires appariés, offrant une vision objective de la manière dont les vaisseaux anormaux de la dégénérescence maculaire répondent au traitement. Bien que de tels outils ne remplaceront pas les médecins, ils pourraient servir d’aide à la décision, signaler des changements subtils, réduire les désaccords entre experts et contribuer à adapter plus précisément les calendriers d’injection. À long terme, cette approche pourrait soutenir des soins plus personnalisés et une meilleure utilisation des traitements nouveaux et existants pour préserver la vision des personnes vivant avec cette maladie oculaire fréquente.

Citation: Morsy, M.S., Dutta, N.A., Eldessouky, E.I. et al. Artificial intelligence based assessment of treatment response in wet age related macular degeneration using paired OCT angiography. Sci Rep 16, 15405 (2026). https://doi.org/10.1038/s41598-026-42999-7

Mots-clés: dégénérescence maculaire liée à l’âge, angiographie par tomographie en cohérence optique, intelligence artificielle, réponse au traitement, imagerie rétinienne