Faire lire ses tests cutanés à une intelligence artificielle ? C’est possible

Gomes RHM, Perger ELP, Vasques LH, Gagete E, Simões RP. Deep Learning Method Applied to Autonomous Image Diagnosis for Prick Test. Life (Basel). 2024 Oct 2 ;14(10):1256. doi : 10.3390/life14101256. PMID : 39459556 ; PMCID : PMC11508813.

Introduction

Le prick-test cutané (SPT) est une méthode couramment utilisée pour diagnostiquer les allergies médiées par les immunoglobulines E (IgE). Son interprétation dépend souvent de l’expérience des examinateurs, ce qui peut entraîner des erreurs dues à la parallaxe, à la pigmentation de la peau ou à la géométrie irrégulière des papules. Cette étude propose une méthode basée sur l’apprentissage informatique pour améliorer l’objectivité et la précision du SPT à l’aide de photographies prises avec des smartphones.

Méthodologie

• Acquisition des images :
  • 1461 photos de prick-tests ont été prises chez des patients de 18 à 65 ans.
  • Les images incluaient une étiquette de référence pour l’échelle et ont été capturées avec différents smartphones.
• Traitement des données :
  • Les images ont été normalisées à une résolution de 640x480 pixels.
  • Une augmentation des données (miroir horizontal/vertical) a quadruplé la taille de l’ensemble de formation.
• Modèle informatique :
  • Utilisation d’un réseau de neurones breveté.
  • Formation sur 400 séries.
• Validation :
  • 150 papules segmentées dans 30 images ont servi à évaluer les performances.
  • Les indicateurs incluaient la précision de segmentation, le coefficient de Dice, et l’intersection sur l’union (IoU).
• Analyse comparative :
  • Comparaison des résultats avec les méthodes standards (AIS, mesures des diamètres médicaux) sur des formes géométriques régulières et irrégulières.

Résultats

Ne passez pas à côté de l’actualité ! Une fois par mois. Gratuit. Désinscription en un clic.

S’abonner

• Performances du modèle :
  • Précision de détection : 94,12 %.
  • Précision de segmentation : 85,88 %.
  • Sensibilité : 70,29 % ; Spécificité : 98,94 %.
  • Coefficient de Dice : 80,85 % ; IoU : 69,65 %.
• Comparaison des méthodes :
  • Pour les papules régulières, les écarts des surfaces estimées étaient faibles pour toutes les méthodes (< 5 %).
  • Pour les papules irrégulières, le modèle ML a surpassé les approches basées sur les diamètres médicaux.
• Avantages cliniques :
  • Réduction significative des biais liés à la subjectivité humaine.
  • Les estimations restent constantes, indépendamment de la forme géométrique des papules.

Discussion

• Les résultats montrent que le modèle informatique produit des estimations de surfaces plus précises, notamment pour les papules irrégulières. Cette précision est utile pour diagnostiquer des sensibilisations fortes (présence de pseudopodes).
• Le protocole développé réduit les erreurs de parallaxe (décalage perçu dans la forme d’un objet vu sous différents angle) et les limitations des instruments de mesure conventionnels (réglettes, calques).
• L’approche proposée pourrait accélérer la procédure, s’intégrer facilement aux systèmes hospitaliers et réduire les coûts liés au SPT.

Conclusion

La méthode de diagnostic fondée sur l’apprentissage logiciel présentée dans cette étude offre des résultats précis et fiables pour le diagnostic des réactions allergiques par prick-test cutané. Elle élimine les biais humains, ce qui permet d’obtenir une évaluation plus objective et améliore l’efficacité clinique. Bien que prometteuse, une normalisation des valeurs de surface est nécessaire pour son adoption à grande échelle. Ces avancées soulignent l’importance d’adopter de nouvelles technologies dans les protocoles médicaux.