L'un des principales causes de cécité permanente dans le monde, le glaucome avance souvent sans symptômes jusqu'à atteindre un stade avancé. Les développements récents en intelligence artificielle (IA) ont démontré un potentiel prometteur dans l'automatisation du dépistage du glaucome par imagerie du fond d'œil, ce qui est essentiel pour prévenir la perte de vision. Cette étude utilise le jeu de données ACRIMA accessible au public pour proposer une méthodologie basée sur l'apprentissage profond pour classer le glaucome. Afin de résoudre le déséquilibre inhérent au jeu de données, la méthodologie optimise l'augmentation des données et l'équilibrage des classes tout en utilisant l'apprentissage par transfert avec une architecture DenseNet121. Le modèle a surpassé un certain nombre de techniques actuelles avec une précision de validation de 90,16 % et un score ROC AUC de 0,976. Grad-CAM et Grad-CAM++ ont été combinés pour afficher les zones critiques de décision dans les images du fond d'œil afin de garantir leur interprétabilité clinique. Conformément aux procédures de diagnostic clinique, ces méthodologies d'explicabilité ont vérifié que le modèle se concentrait continuellement sur le disque optique et le bord neuro-rétinien. La précision, le rappel, le F1-score, la matrice de confusion et l'analyse ROC ont été utilisés dans une examination approfondie. Le système proposé montre un grand potentiel pour une mise en œuvre pratique dans des environnements avec des ressources limitées et des unités de dépistage transportables. L'intégration d'imageries multimodales, l'expansion du jeu de données et l'utilisation de cadres explicatifs modernes sont des exemples d'améliorations futures qui renforceront davantage la généralisabilité et la fiabilité clinique.
Pathmakumara et al. (Jeu,) ont étudié cette question.