Un outil d'apprentissage profond pourrait aider les vétérinaires à diagnostiquer les maladies ophtalmiques équines
Selon une étude récente, un outil logiciel d'intelligence artificielle (IA) basé sur l'apprentissage profond pourrait aider les vétérinaires à diagnostiquer certaines maladies ophtalmiques équines, telles que l'uvéite. Le praticien équin pourrait déterminer si le cheval a besoin de soins d'urgence ou de soins spécialisés pour sauver l'œil affecté. L'étude a été publiée dans la revue Equine Veterinary Journal.
L'outil d'apprentissage en profondeur
L'IA d'apprentissage profond a été largement utilisée ces dernières années comme outil d'assistance en médecine humaine et vétérinaire, révolutionnant la façon dont les professionnels de la santé abordent l'analyse des données et la prise de décision. En s'appuyant sur des réseaux neuronaux qui imitent la structure et le fonctionnement du cerveau humain, l'apprentissage profond permet aux machines de traiter de grandes quantités de données et de prendre des décisions intelligentes. L'apprentissage en profondeur consiste à entraîner des réseaux neuronaux artificiels à reconnaître des modèles, à comprendre des données complexes et à faire des prédictions. Contrairement aux modèles traditionnels d'apprentissage automatique qui nécessitent une extraction manuelle des caractéristiques, les modèles d'apprentissage profond apprennent automatiquement des caractéristiques à partir des données. Par conséquent, l'apprentissage profond est particulièrement puissant pour les tâches impliquant des ensembles de données vastes et complexes, telles que la reconnaissance d'images.
Les algorithmes d'apprentissage profond sont utilisés à des fins diagnostiques en ophtalmologie humaine pour des affections telles que les pathologies rétiniennes, la dégénérescence maculaire et la neuropathie optique glaucomateuse. Des revues systémiques ont démontré que ces outils ont une sensibilité et une spécificité équivalentes à celles des professionnels de la santé.
L'outil d'apprentissage profond de l'IA dans cette étude a utilisé des réseaux neuronaux convolutionnels (RNC) et a été entraîné à reconnaître des modèles et à diagnostiquer des conditions ophtalmiques équines en utilisant des photographies d'yeux équins sains, d'uvéite et d'autres maladies ophtalmiques. Au total, l'étude a utilisé 2 346 images d'entraînement, qui ont été étendues à 9 384 images grâce à l'augmentation. L'outil d'IA a démontré une précision de 99,82 % dans les données d'entraînement.
Photographies ophtalmiques équines
Les chevaux inclus dans l'étude ont été examinés par un médecin spécialiste certifié et un vétérinaire ayant une grande expérience de l'ophtalmologie équine. Les pupilles des chevaux ont été dilatées avec du tropicamide et leurs yeux ont été examinés par ophtalmoscopie directe et indirecte, biomicroscopie à la lampe à fente et tonométrie. Des photographies ont été prises sous différents angles et seules les images montrant des résultats ophtalmologiques significatifs ont été incluses dans l'étude. Les images utilisées comprenaient 10 photographies d'yeux sains, 12 d'yeux uvéitiques et 18 d'autres maladies ophtalmiques, telles que divers types de kératites, d'ulcères cornéens et de glaucomes.
Pour répondre aux critères d'inclusion, les photographies des yeux uvéitiques devaient présenter des signes typiques d'une atteinte de l'œil interne, tels que la fibrine ou l'éruption de la chambre antérieure, le myosis, les dépôts inflammatoires, les irrégularités de la pupille, le reflet trouble verdâtre à jaune du fond de l'œil et les synéchies.
Participants vétérinaires
L'enquête a été envoyée à des cabinets privés et à des universités en Allemagne et dans d'autres pays européens. Au total, 237 vétérinaires ont renvoyé l'enquête, mais seuls 148 répondants ont rempli le questionnaire, ce qui était nécessaire pour une analyse statistique précise.
Les cinq premières questions portaient sur le domaine d'activité du vétérinaire, son expérience professionnelle et ses qualifications professionnelles, telles que spécialiste vétérinaire ou diplomate. Les 40 questions suivantes demandaient au vétérinaire d'évaluer une photo de l'œil d'un cheval et de choisir l'un des trois diagnostics possibles pour chaque image. Les trois choix étaient "œil sain", "uvéite" ou "autre maladie oculaire".
Les participants comprenaient 59 % de vétérinaires équins, 20 % de vétérinaires en pratique mixte, 18 % de praticiens des petits animaux et 3 % de vétérinaires spécialisés dans la volaille ou les ruminants.
Résultats
L'outil d'apprentissage profond de l'IA a démontré une probabilité de 93 % pour la bonne réponse. Les photographies mal diagnostiquées comprenaient un œil atteint de kératite que l'outil a classé comme sain, un œil sain que l'outil a diagnostiqué comme "autre" et deux yeux atteints d'uvéite également classés à tort comme "autre".
Les vétérinaires équins ont diagnostiqué correctement 76 % des photographies, tandis que les vétérinaires non équins ont diagnostiqué correctement 67 % des images.
Bien que ces différences ne soient pas statistiquement significatives, elles démontrent que l'outil d'apprentissage profond de l'IA est au moins équivalent aux vétérinaires pour évaluer les maladies ophtalmiques sur les photographies et peut aider les vétérinaires à déterminer si un patient a besoin de soins spécialisés.
L'outil d'apprentissage en profondeur n'est pas censé remplacer l'expertise vétérinaire. Cependant, l'outil peut servir en complément d'un examen ophtalmologique complet et peut être particulièrement utile dans les zones où la couverture vétérinaire équine est faible pour un outil de diagnostic de second avis.
Commentaires
Articles connexes
Copyright © 2025 - All Rights Reserved
Liste
Ajouter
Merci pour votre commentaire