Un cadre cliniquement adaptatif au moment du test pour détecter plusieurs maladies du fond d’œil en tirant parti de modèles fondamentaux ophtalmiques

Pourquoi un dépistage oculaire plus intelligent est important

Des millions de personnes dans le monde risquent de perdre la vue à cause de pathologies telles que le diabète, le glaucome ou les changements liés à l’âge au fond de l’œil. Les médecins peuvent repérer nombre de ces problèmes sur des photographies de l’intérieur de l’œil, appelées images du fond d’œil, mais examiner chaque image minutieusement prend beaucoup de temps, surtout lorsque plusieurs maladies peuvent coexister. Cette étude présente RetExpert, un nouveau système d’intelligence artificielle (IA) conçu pour agir comme un spécialiste oculaire polyvalent : il peut dépister simultanément de nombreuses maladies rétiniennes, gérer des données du monde réel désordonnées et s’adapter en temps réel à différents cabinets et appareils photo.

Détecter plusieurs problèmes oculaires en même temps

Les outils d’IA classiques pour le dépistage oculaire sont souvent entraînés pour repérer une seule maladie à la fois et supposent que les images ressembleront beaucoup à celles utilisées pendant l’entraînement. En pratique, les cliniques sont différentes. Les patients présentent fréquemment plus d’une affection oculaire, les annotations des bases de données sont incomplètes, et les appareils photo ainsi que les populations varient d’un site à l’autre. RetExpert aborde ces difficultés en s’appuyant sur des « modèles fondamentaux », de grands systèmes visuels préalablement entraînés sur d’immenses collections d’images rétiniennes. Ces modèles fondamentaux maîtrisent déjà les motifs courants des photos du fond d’œil, tels que les vaisseaux sanguins, le nerf optique et la macula. RetExpert transforme les blocs de tels modèles en « unités de connaissance adaptatives » et ajoute de petites couches d’adaptateurs qui peuvent être ajustées pour le dépistage multi‑pathologies sans perturber les connaissances précieuses déjà acquises.

Mieux utiliser des données inégales et incertaines

Les données médicales réelles ont tendance à être déséquilibrées : des maladies fréquentes comme la rétinopathie diabétique apparaissent beaucoup plus souvent que des affections rares. Si l’on entraîne un modèle naïvement, l’IA se concentre excessivement sur les conditions fréquentes et néglige les cas rares mais importants. RetExpert utilise une approche d’entraînement qui accorde une attention supplémentaire aux maladies sous‑représentées afin que les performances ne s’effondrent pas sur des observations rares. Le système reconnaît également que certaines prédictions sont naturellement plus incertaines que d’autres. Plutôt que de produire un unique score global de confiance, RetExpert estime des scores d’incertitude séparés pour chaque maladie qu’on lui demande de détecter. Cette vue maladie par maladie se rapproche de la façon de penser des cliniciens et permet au modèle de traiter prudemment les prédictions fragiles lors des étapes d’adaptation ultérieures.

Réduire les confusions entre maladies similaires

En pratique, certaines maladies rétiniennes peuvent se ressembler, et il peut être particulièrement dommageable qu’un modèle d’IA fournisse avec assurance des réponses conflictuelles — par exemple en qualifiant la même image à la fois de « normale » et de « dégénérescence maculaire ». Pour gérer cela, les auteurs ont construit une matrice de cooccurrence des maladies du fond d’œil, un résumé structuré de la probabilité que des paires de maladies apparaissent ensemble, fondé sur des connaissances médicales et des statistiques. Pendant l’entraînement, RetExpert apprend à aligner ses probabilités de sortie sur ces relations médicalement sensées. L’équipe a aussi introduit un « score de confusion » qui mesure la fréquence à laquelle le modèle confond des paires de maladies spécifiques. Avec l’information de cooccurrence en place, la confusion entre paires délicates, comme la dégénérescence maculaire et la forte myopie, a diminué de plus d’un tiers, rendant les prédictions plus fiables pour un usage clinique.

Il s’adapte au moment du test

Un des principaux obstacles au déploiement de l’IA dans différents hôpitaux est le « décalage de domaine » : les images d’une nouvelle clinique peuvent différer à cause de groupes de patients différents, de types d’appareils photo ou de réglages d’acquisition. Les systèmes conventionnels doivent être réentraînés ou largement ajustés chaque fois qu’ils sont déplacés vers un nouvel environnement, ce qui est coûteux et lent. RetExpert, en revanche, effectue une adaptation légère lors de l’utilisation. Lorsqu’il rencontre un lot de nouvelles images, il ajuste brièvement uniquement ses petites couches d’adaptateurs et sa couche de décision finale, guidé d’abord par la stabilité de ses propres caractéristiques, puis par des pseudo‑étiquettes pondérées par les estimations d’incertitude par maladie. Crucialement, ces mises à jour sont temporaires et sont réinitialisées après chaque lot, de sorte que le modèle de base ne dérive pas dans le temps, préservant la sécurité et la reproductibilité tout en gagnant en flexibilité à court terme.

Quelle performance dans le monde réel ?

Les auteurs ont testé RetExpert sur deux grandes bases de données multi‑pathologies utilisées pour le développement, puis sur 15 jeux de données publics et privés supplémentaires collectés dans différents pays, avec différents appareils et contextes cliniques. Sur la plupart des tâches — y compris la détection de la rétinopathie diabétique, de la dégénérescence maculaire liée à l’âge, du glaucome, des modifications liées à la myopie et de la toxoplasmose oculaire — RetExpert a égalé ou surpassé les performances des modèles fondamentaux rétiniens de pointe actuels. Il a aussi montré une meilleure fiabilité, avec des scores de confusion plus faibles et de meilleurs résultats sur des ensembles « hors distribution » difficiles qui reproduisent de nouveaux hôpitaux et appareils. Bien que des systèmes très spécialisés pour une seule maladie puissent encore être légèrement meilleurs pour cette pathologie unique, RetExpert réduit l’écart tout en offrant une couverture large et multi‑pathologies dans un outil unifié.

Un pas vers des contrôles oculaires automatisés fiables

Concrètement, RetExpert ressemble à un ophtalmologiste général expérimenté construit sur une vaste base de connaissances partagée, équipé d’outils pour gérer les maladies rares, reconnaître ses incertitudes et s’adapter rapidement à de nouvelles cliniques sans réentraînement constant. En combinant ces éléments — modules adaptatifs, apprentissage tenant compte de l’incertitude, connaissances médicales a priori et adaptation au moment du test — le cadre fournit un dépistage multi‑pathologies plus précis et plus fiable à partir de simples photographies en couleur du fond de l’œil. Si ces systèmes sont développés et validés davantage, ils pourraient faciliter la détection précoce à grande échelle de pathologies menaçant la vision, en particulier dans les contextes où l’accès à des spécialistes oculaires est limité.

Citation: Jiang, H., Liu, Z., Gao, M. et al. A test-time clinically adaptive framework for detecting multiple fundus diseases harnessing ophthalmic foundation models. npj Digit. Med. 9, 300 (2026). https://doi.org/10.1038/s41746-026-02480-1

Mots-clés: imagerie rétinienne, IA médicale, dépistage multi‑pathologies, modèles fondamentaux, adaptation de domaine