Exploration des données d’images oculaires pour améliorer l’algorithme de diagnostic étiologique de l’uvéite

L’uvéite regroupe un ensemble hétérogène de maladies inflammatoires intraoculaires présentant plus de 80 étiologies reconnues. Le chevauchement des manifestations cliniques entre les différentes étiologies, associé à la rareté de certaines d’entre elles, fait du diagnostic étiologique une tâche fortement dépendante de l’expertise du clinicien. Améliorer la précision et la robustesse du diagnostic étiologique constitue donc un enjeu clinique important. L’équipe d’accueil a déjà développé un prototype d’algorithme de diagnostic étiologique intégrant des variables cliniques structurées. Cet algorithme considère actuellement l’imagerie ophtalmologique comme une source de caractéristiques discrètes extraites par des experts, plutôt que comme une donnée brute et de haute dimension. Cette approche limite la quantité d’informations diagnostiques pouvant être automatiquement extraite des images ophtalmologiques. Ce projet de doctorat vise à répondre à cette limitation en intégrant directement les données d’imagerie dans la chaîne de modélisation. Les modalités d’imagerie oculaire, principalement la photographie du fond d’œil, l’angiographie à la fluorescéine (FA) et la tomographie en cohérence optique (OCT), permettent de capturer des informations structurelles et pathologiques importantes pour le diagnostic de l’uvéite et l’identification de ses causes sous-jacentes. Les profils de vascularite rétinienne, les infiltrats choroïdiens, l’œdème maculaire et les anomalies de la papille optique font partie des nombreux biomarqueurs issus de l’imagerie susceptibles de contenir des informations importantes sur l’étiologie. L’exploitation de ces informations à l’aide de techniques avancées d’intelligence artificielle constitue l’objectif central de ce projet de doctorat. Le premier objectif de recherche sera d’extraire les images du fond d’œil, les images angiographiques et les images OCT au format DICOM à partir du système d’information hospitalier, afin de constituer une base de données d’images de haute qualité et soigneusement structurée pour l’entraînement et l’évaluation des modèles. Le deuxième objectif sera ensuite de développer une chaîne innovante d’extraction de caractéristiques à partir des images, basée sur l’apprentissage semi-supervisé, afin de réduire la dépendance à l’égard des annotations manuelles coûteuses tout en maximisant les informations diagnostiques extraites à partir des données annotées et non annotées. Des approches basées sur la segmentation et l’apprentissage de représentations seront étudiées afin d’identifier automatiquement des caractéristiques d’imagerie cliniquement pertinentes à travers les différentes modalités. Des stratégies d’apprentissage semi-supervisé, notamment l’auto-entraînement, la régularisation par cohérence et la génération de pseudo-étiquettes permettront aux modèles d’exploiter efficacement de grandes quantités d’images non annotées. Enfin, le dernier objectif sera d’intégrer les caractéristiques extraites des images dans l’algorithme de diagnostic multimodal et d’évaluer quantitativement l’amélioration des performances de classification étiologique par rapport à une approche de référence reposant uniquement sur les données cliniques. Le projet sera réalisé sur une période de trois ans, avec des objectifs et des jalons spécifiques définis pour chaque année. Au cours de la première année, l’objectif sera de constituer la base de données d’imagerie et de développer une chaîne de traitement robuste comprenant le prétraitement, la segmentation, l’apprentissage semi-supervisé et l’extraction de caractéristiques. Au cours de la deuxième année, l’objectif sera de valider et d’améliorer les approches développées en collaboration avec les cliniciens. Au cours de la troisième année, les travaux porteront sur la consolidation et la validation clinique de la chaîne de diagnostic multimodale proposée.