{"id":2555,"date":"2025-07-28T17:54:05","date_gmt":"2025-07-28T15:54:05","guid":{"rendered":"https:\/\/wp.unil.ch\/iaunil\/?p=2555"},"modified":"2025-12-04T16:43:12","modified_gmt":"2025-12-04T15:43:12","slug":"ia-et-traits-visuels-classiques-de-la-retine-une-alliance-pour-mieux-predire-maladies-et-genes","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/iaunil\/ia-et-traits-visuels-classiques-de-la-retine-une-alliance-pour-mieux-predire-maladies-et-genes\/","title":{"rendered":"IA et traits visuels classiques de la r\u00e9tine : une alliance pour mieux pr\u00e9dire maladies et g\u00e8nes"},"content":{"rendered":"\n
\n
\n

Cette \u00e9tude explore comment la combinaison de l\u2019intelligence artificielle (IA) avec des caract\u00e9ristiques traditionnelles des images de l\u2019\u0153il am\u00e9liore la pr\u00e9diction des maladies et la d\u00e9couverte de g\u00e8nes associ\u00e9s. En analysant des images r\u00e9tiniennes \u00e0 l\u2019aide du mod\u00e8le d\u2019apprentissage profond RETFound et en comparant ses r\u00e9sultats \u00e0 des traits mesurables connus des m\u00e9decins, les chercheurs montrent que l\u2019int\u00e9gration des deux approches permet des pr\u00e9dictions de sant\u00e9 plus pr\u00e9cises et une meilleure compr\u00e9hension biologique.<\/p>\n<\/div>\n\n\n\n

Combiner l\u2019IA et les traits traditionnels des images de l\u2019\u0153il am\u00e9liore la d\u00e9tection des maladies et des g\u00e8nes<\/strong><\/h3>\n\n\n\n

L\u2019intelligence artificielle (IA) permet aux m\u00e9decins d\u2019analyser plus efficacement les images m\u00e9dicales et de pr\u00e9dire les risques de maladies. Une approche puissante, appel\u00e9e \u00ab apprentissage profond \u00bb (deep learning), est capable d\u2019identifier des motifs complexes dans les images de la r\u00e9tine. Cependant, ces syst\u00e8mes produisent souvent des r\u00e9sultats difficiles \u00e0 interpr\u00e9ter, ce qui complique leur adoption par les professionnels de sant\u00e9.<\/p>\n\n\n\n

Dans une \u00e9tude r\u00e9cente, un groupe de chercheurs a analys\u00e9 un mod\u00e8le d\u2019apprentissage profond nomm\u00e9 RETFound<\/strong>, entra\u00een\u00e9 \u00e0 partir de millions d\u2019images oculaires. Les performances de ce mod\u00e8le ont \u00e9t\u00e9 compar\u00e9es \u00e0 celles de caract\u00e9ristiques visuelles plus classiques, comme la forme ou la taille des vaisseaux sanguins \u2014 des traits d\u00e9j\u00e0 bien connus et utilis\u00e9s en ophtalmologie.<\/p>\n\n\n\n

Les r\u00e9sultats ont montr\u00e9 que les motifs internes appris par RETFound ne correspondaient pas directement aux traits traditionnels pris individuellement. En revanche, la combinaison des deux approches permettait de meilleures performances. Les chercheurs ont \u00e9galement entra\u00een\u00e9 RETFound \u00e0 pr\u00e9dire ces traits classiques : bien que les pr\u00e9dictions soient proches des valeurs mesur\u00e9es, elles restent imparfaites.<\/p>\n\n\n\n

Par ailleurs, les caract\u00e9ristiques apprises par RETFound se sont r\u00e9v\u00e9l\u00e9es associ\u00e9es \u00e0 de nombreux g\u00e8nes, souvent diff\u00e9rents de ceux li\u00e9s aux traits traditionnels. Certaines de ces caract\u00e9ristiques pr\u00e9sentaient une influence g\u00e9n\u00e9tique plus marqu\u00e9e et s\u2019av\u00e9raient plus efficaces pour pr\u00e9dire certaines maladies oculaires.<\/p>\n\n\n\n

Concernant des probl\u00e8mes de sant\u00e9 plus g\u00e9n\u00e9raux \u2014 comme le diab\u00e8te, la tension art\u00e9rielle ou le poids corporel \u2014, les caract\u00e9ristiques issues de l\u2019IA ont montr\u00e9 une grande utilit\u00e9. Mais c\u2019est bien la combinaison des traits IA et traditionnels qui a donn\u00e9 les pr\u00e9dictions les plus pr\u00e9cises.<\/p>\n\n\n\n

En r\u00e9sum\u00e9, cette \u00e9tude d\u00e9montre que l\u2019association de traits visuels compr\u00e9hensibles par l\u2019humain avec des caract\u00e9ristiques apprises par l\u2019IA permet une meilleure \u00e9valuation de la sant\u00e9 oculaire et des maladies associ\u00e9es, ouvrant la voie \u00e0 des diagnostics plus fiables et \u00e0 une compr\u00e9hension approfondie des m\u00e9canismes pathologiques.<\/p>\n\n\n\n

\"image\"
Les chercheurs ont analys\u00e9 des images r\u00e9tiniennes de participants issus de la UK Biobank<\/strong>, pour lesquels des donn\u00e9es g\u00e9n\u00e9tiques et m\u00e9dicales \u00e9taient \u00e9galement disponibles. Gr\u00e2ce \u00e0 un pipeline d\u2019analyse d\u00e9velopp\u00e9 ant\u00e9rieurement pour caract\u00e9riser la vascularisation r\u00e9tinienne, ils ont extrait des traits d\u2019image mesurables (en haut). Le mod\u00e8le fondation RETFound<\/strong> a ensuite \u00e9t\u00e9 utilis\u00e9 pour caract\u00e9riser les CFIs, \u00e0 la fois (au milieu) sous forme de \u00ab TIFs profonds \u00bb via un ajustement du mod\u00e8le pour pr\u00e9dire 17 TIFs mesur\u00e9s, et (en bas) en extrayant 1\u202f024 variables latentes (LVs) \u00e0 partir des poids pr\u00e9entra\u00een\u00e9s de RETFound.
(c) Pour les analyses comparatives ult\u00e9rieures, des corr\u00e9lations directes, des associations g\u00e9n\u00e9tiques et des liens avec diverses maladies ont \u00e9t\u00e9 \u00e9tudi\u00e9s.<\/figcaption><\/figure>\n\n\n\n

Preprint: https:\/\/doi.org\/10.1101\/2024.12.23.24319548\u00a0<\/p>\n\n\n\n

\n

Sven Bergman dirige actuellement le projet Sinergia financ\u00e9 par le FNS, intitul\u00e9 \u00ab Connecter les propri\u00e9t\u00e9s de la micro- et macrovascularisation \u00e0 partir d\u2019imagerie multimodale gr\u00e2ce \u00e0 la g\u00e9n\u00e9tique et \u00e0 l\u2019apprentissage profond, afin de mieux comprendre les m\u00e9canismes pathologiques vasculaires et de pr\u00e9dire les risques de maladies \u00bb<\/em>, en collaboration avec trois partenaires m\u00e9dicaux : l\u2019H\u00f4pital ophtalmique Jules-Gonin, l\u2019Inselspital de Berne et l\u2019Erasmus Medical Center de Rotterdam.<\/p>\n\n\n\n

L\u2019objectif de ce projet est de mieux comprendre l\u2019interaction entre diff\u00e9rents types de vaisseaux sanguins, \u00e0 diff\u00e9rentes \u00e9chelles et dans divers organes, allant des tr\u00e8s petites capillaires aux grandes art\u00e8res et veines. En utilisant de vastes collections d\u2019images m\u00e9dicales, le projet vise \u00e0 mesurer les propri\u00e9t\u00e9s des vaisseaux, \u00e0 les relier entre elles, et \u00e0 \u00e9tudier leur contribution au risque de maladies cardiovasculaires. Pour cela, les chercheurs s\u2019appuient sur des outils d\u2019apprentissage automatique et d\u2019intelligence artificielle, qui permettent de traiter de grandes quantit\u00e9s de donn\u00e9es d\u2019imagerie et de g\u00e9n\u00e9rer des outils de pr\u00e9diction.<\/p>\n\n\n\n

Plus pr\u00e9cis\u00e9ment, le projet a d\u00e9but\u00e9 avec un trait connu sous le nom de tortuosit\u00e9 des vaisseaux r\u00e9tiniens<\/strong>, qui caract\u00e9rise la \u00ab sinuosit\u00e9 \u00bb des petites art\u00e8res et veines alimentant les r\u00e9cepteurs de lumi\u00e8re dans l\u2019\u0153il. Il a \u00e9t\u00e9 d\u00e9montr\u00e9 que ce trait d\u00e9pend fortement de la g\u00e9n\u00e9tique et qu\u2019il est fortement associ\u00e9 \u00e0 des facteurs de risque cardiovasculaire, comme l\u2019hypertension. Cette approche a ensuite \u00e9t\u00e9 \u00e9largie \u00e0 un ensemble de 17 traits vasculaires<\/strong>, incluant le diam\u00e8tre et la densit\u00e9 des vaisseaux, compar\u00e9s \u00e0 ceux fournis par RETFound<\/strong>, un mod\u00e8le fondation d\u2019analyse r\u00e9tinienne entra\u00een\u00e9 sur plus d\u2019un million d\u2019images, \u00e0 l\u2019aide des outils d\u2019association g\u00e9n\u00e9tique et de maladies <\/p>\n<\/div>\n\n\n\n

\n
\n\n\n\n
\n
\n
\n

Le Professeur Sven\u00a0<\/b>Bergmann est un biologiste computationnel qui con\u00e7oit et applique de nouveaux algorithmes pour analyser de grandes quantit\u00e9s de donn\u00e9es biologiques et m\u00e9dicales.<\/strong><\/p>\n\n\n\n

Facult\u00e9 de biologie et m\u00e9decine<\/strong><\/strong><\/p>\n\n\n\n

GWAS, Retina, Deep learning, Foundation model, RETFound, Vasculature, CVD<\/p>\n\n\n\n

\n
Profil<\/a><\/div>\n\n\n\n
Publications<\/a><\/div>\n\n\n\n
Site web<\/a><\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\"sans<\/figure>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Associer l’IA aux traits classiques des images de r\u00e9tine am\u00e9liore la pr\u00e9diction des maladies, r\u00e9v\u00e8le de nouveaux liens g\u00e9n\u00e9tiques et affine les diagnostics dans des bases comme la UK Biobank.<\/p>\n","protected":false},"author":1002618,"featured_media":3283,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":""},"categories":[7],"tags":[],"class_list":{"0":"post-2555","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-recherche"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/2555","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/users\/1002618"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/comments?post=2555"}],"version-history":[{"count":3,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/2555\/revisions"}],"predecessor-version":[{"id":2566,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/2555\/revisions\/2566"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media\/3283"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media?parent=2555"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/categories?post=2555"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/tags?post=2555"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}