BigEye : un cadre d’apprentissage profond cliniquement interprétable pour la détection et la stadification de la rétinopathie diabétique

Pourquoi une simple photo de l’œil peut sauver la vue

Pour de nombreuses personnes atteintes de diabète, la perte de vision s’installe en silence. Une seule photographie de l’œil prise au cabinet médical peut révéler des lésions précoces bien avant l’apparition des symptômes, mais des spécialistes sont nécessaires pour interpréter ces images. Cette étude présente « BigEye », un système informatique conçu non seulement pour repérer les maladies oculaires liées au diabète à partir de ces photos, mais aussi pour expliquer ses décisions en termes que les médecins utilisent déjà, rendant potentiellement le dépistage plus rapide, plus cohérent et plus fiable.

Comment le diabète endommage l’œil en silence

La rétinopathie diabétique est une complication du diabète qui endommage le tissu sensible à la lumière à l’arrière de l’œil, la rétine. L’hyperglycémie fragilise les minuscules vaisseaux sanguins qui alimentent ce tissu, les faisant fuir, se boucher ou se développer de façon anormale. Avec le temps, ces lésions se manifestent par des signes distincts — de petites dilatations des vaisseaux, des petites taches de saignement, des dépôts jaunâtres de lipides et de protéines, des nappes blanches dures correspondant à la perte de tissu nerveux, et de nouveaux vaisseaux fragiles pouvant détacher la rétine. Les médecins examinent ces modifications sur des photographies spéciales appelées images du fond d’œil et utilisent une échelle internationale en cinq degrés pour classer l’avancement de la maladie, de l’absence de maladie aux stades avancés menaçant la vision.

Pourquoi les médecins veulent des machines qu’ils peuvent interroger

Des programmes informatiques basés sur l’apprentissage profond égalent déjà les ophtalmologistes pour repérer la rétinopathie diabétique sur des photographies, et certains sont approuvés pour un usage clinique. Mais beaucoup de ces systèmes se comportent comme des « boîtes noires » : ils peuvent être très précis tout en offrant peu d’informations sur la façon dont ils sont arrivés à une décision particulière. Pour des médecins qui doivent expliquer des diagnostics, évaluer les risques des traitements et se prémunir contre des erreurs rares mais graves, ce manque de transparence constitue un obstacle majeur. Ce qu’ils désirent réellement, ce sont des outils qui raisonnent en termes proches de l’expertise humaine — des outils capables de dire, en substance, « j’ai classé ce cas comme modéré parce que j’observe de nombreuses petites dilatations et quelques dépôts graisseux dans ces parties de la rétine ».

Ce que BigEye fait différemment

BigEye a été conçu pour imiter la manière dont les cliniciens pensent les lésions rétiniennes. Les chercheurs ont combiné des photographies oculaires provenant d’un hôpital local et d’un programme français de dépistage public, recueillant plus de 600 images couvrant les cinq stades de la maladie. Des spécialistes ont minutieusement tracé six types clés de lésions sur ces images : petites dilatations vasculaires, zones de saignement, dépôts graisseux, nappes blanches de tissu nerveux, néovaisseaux anormaux et cicatrices liées à un traitement au laser. Un modèle d’apprentissage profond a ensuite été entraîné pour reproduire automatiquement ces contours — apprenant essentiellement à colorier chaque type de lésion seul lorsqu’il voit une nouvelle photographie.

Transformer taches et cicatrices en stade

Une fois que BigEye est capable de mettre en évidence ces zones endommagées, le système les convertit en mesures simples : combien de chaque type de lésion sont présentes et quelle surface elles occupent par rapport à la rétine. Ces mesures forment un tableau de chiffres alimentant plusieurs modèles d’apprentissage machine dont la tâche est de prédire le stade officiel de la maladie. Le modèle le plus performant, une approche basée sur des arbres appelée Light Gradient Boosting, a classé correctement les stades dans environ 83 % des cas. Il a particulièrement bien distingué les yeux sans maladie de ceux présentant des lésions plus graves, bien qu’il ait parfois confondu des stades voisins, comme modéré et sévère, lorsque leurs motifs étaient très semblables.

Regarder à l’intérieur du raisonnement du modèle

Pour vérifier si BigEye raisonne comme un clinicien, l’équipe a utilisé une technique appelée SHAP afin d’identifier quelles mesures de lésions influençaient le plus chaque prédiction de stade. Les motifs reflétaient étroitement le manuel médical. Les images étiquetées comme sans maladie étaient associées à des comptes très faibles de toutes les lésions. La forme légère était principalement liée aux petites dilatations vasculaires, comme l’attendent les évaluateurs humains. La forme modérée montrait un mélange de ces dilatations et de dépôts graisseux, tandis que la forme sévère était liée à un plus grand nombre de zones hémorragiques et de nappes blanches. Le stade le plus avancé dépendait fortement des signes de néovascularisation et des cicatrices laissées par le traitement laser — correspondant à nouveau au jugement des spécialistes.

Ce que cela signifie pour les personnes diabétiques

BigEye montre qu’un ordinateur peut grader la rétinopathie diabétique en utilisant les mêmes signes visibles que les médecins privilégient, plutôt que de se fonder sur des motifs internes mystérieux. Bien que l’étude ait utilisé un jeu de données de taille modeste et ait rencontré quelques difficultés avec les lésions les plus petites et les plus subtiles, l’approche démontre une voie prometteuse : des systèmes capables de dépister rapidement un grand nombre de patients tout en montrant clairement quels types de lésions ont motivé chaque décision. Pour les personnes vivant avec le diabète, cela pourrait signifier une détection plus précoce, des soins plus cohérents et de meilleures discussions avec leurs médecins sur ce qui se passe dans leurs yeux et sur les moyens de protéger leur vision.

Citation: Gill, H.M., Salem, D.H., Omoru, O.B. et al. BigEye: a clinically interpretable deep learning framework for diabetic retinopathy detection and stage prediction. Sci Rep 16, 12574 (2026). https://doi.org/10.1038/s41598-026-43573-x

Mots-clés: rétinopathie diabétique, imagerie rétinienne, IA explicable, apprentissage profond médical, ophtalmologie