Développement d’un modèle d’apprentissage profond pour dépister le glaucome primaire à angle ouvert chez des personnes d’ascendance africaine

Pourquoi c’est important pour la santé oculaire au quotidien

Le glaucome est l’une des principales causes mondiales de cécité irréversible, et il prive souvent les personnes de la vue de manière silencieuse avant qu’elles ne remarquent des symptômes. Cette étude examine comment l’intelligence artificielle peut aider à détecter plus tôt une forme courante de glaucome, en particulier dans les communautés d’ascendance africaine qui présentent à la fois un risque plus élevé et un accès plus limité aux soins ophtalmologiques spécialisés. En apprenant à un ordinateur à lire des photographies de l’œil, les chercheurs espèrent rendre le dépistage fiable du glaucome accessible dans les cabinets de soins primaires, les cliniques communautaires et les contextes à ressources limitées à travers le monde.

La menace silencieuse pour la vue

Le glaucome primaire à angle ouvert endommage lentement le nerf optique, le câble qui transporte l’information visuelle de l’œil vers le cerveau. Au début, les personnes se sentent généralement bien et voient correctement, même si leur vision périphérique commence à se réduire. Parce que la maladie progresse discrètement et que les examens oculaires peuvent être longs et rares dans de nombreuses régions, une grande partie des patients restent non diagnostiqués jusqu’à ce que leur perte de vision soit permanente. Ce fardeau est particulièrement lourd dans les populations d’ascendance africaine, qui ont à la fois une probabilité plus élevée de développer un glaucome et de devenir aveugles du fait de la maladie, tout en ayant été historiquement sous‑représentées dans la recherche médicale et les ensembles d’images de haute qualité.

Apprendre aux ordinateurs à lire les images oculaires

L’équipe a construit un système de dépistage automatisé qui étudie des photographies en couleur de l’arrière de l’œil, appelées images du fond d’œil. Ces clichés sont relativement peu coûteux et faciles à acquérir, même en dehors d’un cabinet spécialisé. À partir de plus de 64 000 images collectées dans l’étude Primary Open-Angle African American Glaucoma Genetics (POAAGG), les chercheurs ont entraîné des modèles d’apprentissage profond pour distinguer les yeux atteints de glaucome de ceux qui ne le sont pas. Ils ont comparé deux approches de pointe : un modèle convolutionnel « ResNet » et un « Vision Transformer », qui examine l’image par patchs et peut mettre en évidence les zones sur lesquelles il se concentre — souvent la zone cupule‑et‑disque du nerf optique, où apparaissent les modifications liées au glaucome.

Choisir d’abord les images les plus nettes

Dans le dépistage en conditions réelles, plusieurs images sont souvent prises à chaque visite pour éviter des problèmes comme le clignement ou le flou. Plutôt que de fournir toutes ces images au modèle, les chercheurs se sont demandés si le fait de ne choisir que les clichés les plus informatifs pouvait améliorer la précision. Ils ont testé deux stratégies de sélection automatique. L’une utilisait un modèle de segmentation pour délimiter le nerf optique et choisir les images selon certaines caractéristiques de taille. L’autre — un classifieur binaire — a appris à imiter les évaluateurs experts d’un centre de lecture, séparant les images « bonnes » des mauvaises. La sélection de seulement six images de haute qualité par visite à l’aide du classifieur binaire a égalé les performances des évaluateurs humains et a nettement surpassé à la fois l’utilisation de toutes les images et la méthode basée sur la segmentation.

Combiner plusieurs indices en une seule réponse

Après avoir sélectionné les meilleures images d’une visite, le système a examiné chacune d’elles avec le Vision Transformer et produit une probabilité de présence de glaucome. Les chercheurs ont ensuite exploré la meilleure façon de transformer plusieurs probabilités en une décision de dépistage unique. Faire la moyenne simple des valeurs des images choisies a fourni les résultats les plus fiables, un peu mieux que de se fier uniquement à la valeur la plus extrême. Dans l’ensemble, cette chaîne de traitement — sélection d’images par le classifieur binaire, puis prédiction par image et moyennage — a atteint une forte capacité à séparer les cas glaucomateux des cas non glaucomateux. Lorsqu’il a été testé sur un jeu de données séparé provenant de patients chinois, le modèle a conservé de bonnes performances, et des expériences supplémentaires ont montré que l’utilisation d’un ensemble d’entraînement plus large était cruciale pour ce transfert entre groupes.

Ce que cela pourrait signifier pour les patients

L’étude montre qu’un pipeline d’IA soigneusement conçu, entraîné sur un grand jeu d’images oculaires de personnes d’ascendance africaine, peut détecter avec précision les personnes susceptibles d’avoir un glaucome en n’utilisant que des photographies simples. Bien que le système n’atteigne pas encore les seuils très stricts que certaines organisations recommandent pour des outils diagnostiques complets, il se prête bien à un pré‑dépistage dans des contextes où les spécialistes des yeux sont rares. Avec une validation supplémentaire sur des populations et des appareils photo plus divers, et une possible intégration à d’autres tests oculaires, une telle technologie pourrait un jour être déployée dans les cabinets de soins primaires, lors d’événements communautaires ou dans les centres de santé ruraux. L’objectif est simple : détecter le glaucome plus tôt, orienter vers des spécialistes les personnes à risque et prévenir des cécités évitables — en particulier dans les communautés qui ont été les plus touchées.

Citation: Li, S., Salowe, R., Lee, R. et al. Development of deep learning model to screen for primary open-angle glaucoma in African ancestry individuals. npj Digit. Med. 9, 214 (2026). https://doi.org/10.1038/s41746-025-02318-2

Mots-clés: dépistage du glaucome, intelligence artificielle, imagerie rétinienne, santé des personnes d’ascendance africaine, médecine par apprentissage profond