Une photographie du fond de l’œil, prise en quelques secondes lors d’une visite ophtalmologique de routine, contient bien plus d’informations que la plupart des gens ne l’imaginent. Une étude publiée dans Nature Communications par des chercheurs de l’Université de Lausanne, du Centre médical de l’Université Erasmus et de plusieurs autres institutions européennes démontre qu’un modèle de deep learning entraîné sur des images rétiniennes peut prédire l’âge chronologique d’une personne avec une erreur absolue moyenne de 2,85 ans. Plus important encore, l’écart entre l’âge prédit et l’âge réel s’avère être un signal biologique significatif, lié aux maladies cardiovasculaires, à la démence, au cancer, à l’inflammation, aux performances cognitives et à la mortalité toutes causes confondues.
Un modèle de fondation entraîné sur 71 343 yeux
Pour construire ce système, l’équipe de recherche a affiné RETFound, un modèle de fondation conçu pour l’analyse d’images rétiniennes, en utilisant des photographies couleur du fond d’œil provenant de 71 343 participants de la UK Biobank. Le résultat est un modèle qui ne se contente pas d’estimer l’âge. Il produit ce que les chercheurs appellent un “écart d’âge rétinien”, c’est-à-dire la différence entre l’âge prédit par le modèle à partir de l’image et l’âge chronologique réel de la personne.
Cet écart est la véritable découverte. Un écart d’âge rétinien positif signifie que l’œil a l’air plus âgé que ne le laisserait supposer l’année de naissance de la personne. Et cette divergence, s’avère-t-il, est corrélée à une série de problèmes de santé graves. Les traits cardiométaboliques, l’inflammation systémique, le déclin cognitif, les maladies cardiovasculaires incidentes, la démence et le cancer présentent tous des associations avec ce chiffre unique dérivé d’un examen oculaire non invasif. La rétine, qui est essentiellement un prolongement du tissu neural du cerveau, semble porter des traces visibles de processus de vieillissement systémique qui s’étendent bien au-delà de l’œil lui-même.
Des signatures spécifiques au sexe cachées dans la même image
Voici ce que la plupart des couvertures médiatiques de l’imagerie médicale par IA ont tendance à manquer: le même modèle, appliqué au même type d’image, peut révéler des histoires biologiques fondamentalement différentes selon le sexe du patient. L’analyse stratifiée par sexe de l’étude a révélé que, si le modèle affichait des performances cohérentes chez les hommes et les femmes en termes de précision de prédiction, les associations biologiques sous-jacentes divergeaient nettement.
Chez les hommes, un écart d’âge rétinien plus élevé était plus fortement lié au syndrome métabolique. Chez les femmes, tant les schémas d’attention du modèle que les signaux génétiques indiquaient une plus grande implication de la vasculature rétinienne, le réseau de vaisseaux sanguins visible sur l’image du fond d’œil. Il ne s’agit pas d’une note de bas de page technique mineure. Cela suggère que le même processus de vieillissement laisse des empreintes anatomiques et moléculaires différentes selon le sexe, et qu’un modèle capable de détecter ces deux aspects capture quelque chose de véritablement biologique plutôt qu’un artefact statistique.
La transition ménopausique ajoute une couche supplémentaire. Les femmes postménopausées de l’étude ont affiché des valeurs d’écart d’âge rétinien plus élevées que les femmes préménopausées, et leurs associations cliniques ressemblaient davantage à celles observées chez les hommes. Ce profil implique que les changements hormonaux associés à la ménopause peuvent accélérer ou réorienter le vieillissement rétinien d’une manière qui déplace le profil biologique vers un paysage de risques différent.
Les analyses à l’échelle du génome ont renforcé ces conclusions. Les gènes identifiés par le biais de l’écart d’âge rétinien ont été associés à la longévité, au métabolisme, à la neurodégénérescence et aux maladies oculaires liées à l’âge, une convergence de voies biologiques qui positionne la rétine comme une véritable fenêtre sur le vieillissement systémique plutôt que comme un simple indicateur de la santé oculaire.
Pourquoi cela compte au-delà de la clinique
La recherche sur le vieillissement se débat depuis longtemps avec un problème de mesure fondamental. L’âge chronologique est facile à enregistrer mais constitue un piètre prédicteur de la condition biologique. Deux personnes nées la même année peuvent avoir des trajectoires de santé radicalement différentes, et les facteurs de risque conventionnels n’expliquent cela qu’en partie. Ce que cette étude apporte, c’est un candidat biomarqueur qui est non invasif, évolutif et ancré dans une structure biologique qui fait déjà l’objet d’imagerie de routine dans les contextes cliniques.
La photographie du fond d’œil ne nécessite aucune prise de sang, aucune radiation et aucune procédure invasive. Si l’écart d’âge rétinien s’avère robuste dans des populations plus larges et plus diversifiées, il pourrait devenir un outil pratique pour classifier le risque sanitaire d’une manière qui dépasse ce que les évaluations cliniques standard capturent actuellement. L’équipe de recherche note que les associations qu’elle a trouvées persistent même après avoir pris en compte l’âge chronologique lui-même, ce qui signifie que l’écart ne se contente pas de répéter ce qu’un certificat de naissance vous indique déjà.
Pour l’IA en médecine de manière plus générale, cette étude illustre un modèle qui mérite d’être compris. Les modèles de fondation, des systèmes pré-entraînés de grande taille adaptés à des tâches spécifiques grâce au fine-tuning, peuvent extraire un signal biologique de données cliniques existantes d’une manière qui n’avait pas été anticipée lorsque ces données ont été collectées à l’origine. La UK Biobank n’a pas été conçue pour étudier le vieillissement rétinien en tant que biomarqueur systémique. Pourtant, un modèle entraîné sur ses images fait surface des associations génétiques et cliniques englobant la cardiologie, la neurologie, l’oncologie et l’endocrinologie.
L’expertise humaine requise pour interpréter et valider ces associations demeure essentielle. Le modèle identifie des schémas; les cliniciens et les chercheurs déterminent ce que ces schémas signifient et s’ils sont exploitables.
En bref
Un modèle de deep learning entraîné sur des photographies rétiniennes de 71 343 participants de la UK Biobank peut prédire l’âge chronologique à 2,85 ans près. L’écart entre l’âge prédit et l’âge réel est corrélé aux maladies cardiovasculaires, à la démence, au cancer, à l’inflammation et à la mortalidad. Les hommes et les femmes présentent la même précision de prédiction mais des signatures biologiques différentes, la transition ménopausique affectant visiblement les schémas de vieillissement rétinien chez les femmes. La rétine, qui est déjà une cible d’imagerie de routine dans la pratique clinique, pourrait porter davantage d’informations systémiques sur la manière dont une personne vieillit qu’on ne le pensait auparavant.
D’après un reportage de Nature: Machine Learning.