Elie Abitbol, Alexandra Miere, Jean- Baptiste Excoffier, Carl-Joe Mehanna, Francesca Amoroso, Samuel Kerr, Matthieu Ortala, Eric H Souied

*Détails des auteurs accessibles sur la publication

BMJ Open Ophtalmology
Publié le : 18 janvier 2022

Que sait-on déjà sur ce sujet ?
L’imagerie en champ ultra-large a déjà été utilisée pour distinguer les maladies vasculaires rétiniennes des témoins à l’aide de l’apprentissage profond, mais aucune étude n’a visé à distinguer des maladies vasculaires rétiniennes multiples.

Quels sont les nouveaux résultats ?
En utilisant un classificateur d’apprentissage profond, de multiples maladies vasculaires rétiniennes peuvent être distinguées, avec une précision de 88,4 %.

Comment ces résultats pourraient-ils modifier l’orientation de la recherche ou de la pratique clinique ?
Un classificateur d’apprentissage profond peut être un outil utile dans les zones où il y a une pénurie de soins ophtalmologiques.

D'autres ressources peuvent vous intéresser

Imagerie médicale : Méthodes d’explicabilité pour la classification d’images

Imagerie médicale : Méthodes d’explicabilité pour la classification d’images

L’analyse automatique d’images a vu ses performances fortement se développer ces dernières années. Ces récentes avancées améliorent la construction de modèles prédictifs en imagerie, en augmentant…

Imagerie médicale : Architecture des réseaux neuronaux pour la classification d’images

Imagerie médicale : Architecture des réseaux neuronaux pour la classification d’images

A partir d’exemples où chaque image est associée à une catégorie, les modèles dits de Machine Learning apprennent à identifier des motifs spécifiques aux observations d’une…