Système de microchirurgie guidé par un réseau neuronal profond — Faire un pas de géant vers une précision accrue de la chirurgie de la cataracte

Contexte académique et problématique de recherche

La cataracte est l’une des principales causes de cécité dans le monde. Aujourd’hui, la phacoémulsification combinée à l’implantation d’une lentille intraoculaire (IOL) est devenue la méthode principale pour traiter la cataracte. Cette approche permet non seulement d’améliorer considérablement la qualité visuelle du patient, mais réduit également le risque de complications chirurgicales. Cependant, le succès de la chirurgie repose fortement sur la précision des manipulations chirurgicales et la localisation et orientation spatiales de l’œil. Pendant la chirurgie, la position des incisions cornéennes, la taille et l’emplacement de la capsulorhexis ainsi que l’angle de l’implant influencent directement la récupération visuelle du patient.

Actuellement, la plupart des microscopes chirurgicaux ophtalmologiques reposent encore sur l’expérience du chirurgien et sur des marquages manuels. Cette méthode rencontre de nombreuses limites, en particulier lors d’interventions chirurgicales complexes, telles que des rotations oculaires, des vues partielles du champ opératoire, des déformations cornéennes ou des obstructions externes. Bien que les systèmes commerciaux actuels incorporent des outils de navigation, ils restent limités dans des scénarios clinique diversifiés exigeant une navigation en temps réel et de haute précision. Par conséquent, intégrer les technologies d’intelligence artificielle afin d’assurer une assistance opératoire précise et en temps réel représente un défi crucial dans le domaine de la chirurgie ophtalmologique.

Dans ce contexte, cette étude a pour objectif de surmonter ces limitations en proposant un système de navigation microchirurgical basé sur les réseaux neuronaux profonds, conçu pour offrir des procédures plus sûres et standardisées pour la chirurgie de la cataracte.

Source de l’article

L’article de recherche s’intitule « Neural Network Powered Microscopic System for Cataract Surgery », et a été rédigé par une équipe de chercheurs affiliés à plusieurs institutions. Les principaux auteurs incluent Yuxuan Zhai, Chunsheng Ji, Yaqi Wang, et d’autres, affiliés notamment à l’Université de Science et Technologie Electronique de Chine, au système médical du Sichuan, et à l’Académie chinoise des sciences médicales. L’article a été publié dans le journal Biomedical Optics Express dans son édition de février 2025.

---

Méthodologie et innovations principales

Méthodologie et mise en œuvre technique

L’objectif principal de cette recherche est de développer un système de navigation intelligent basé sur l’intelligence artificielle pour les microscopes ophtalmologiques. Le processus de recherche comprend quatre étapes principales : amélioration de l’infrastructure matérielle, conception d’algorithmes, génération de données et apprentissage, et enfin validation expérimentale.

1. Amélioration du matériel
   Les auteurs ont modifié un microscope chirurgical conventionnel (Zeiss OPMI Pico) en y intégrant plusieurs nouveaux modules, tels qu’un module d’enregistrement vidéo, un module de calcul AI, et un système de projection pour affichage. Ce microscope amélioré est capable d’enregistrer des vidéos en temps réel, d’analyser les informations visuelles grâce à des algorithmes de deep learning, et de projeter des informations de navigation au chirurgien via un moniteur.

2. Conception de l’algorithme de navigation
   Les chercheurs ont proposé un réseau neuronal profond de navigation de bout en bout appelé EyeNavNet, qui comprend les fonctions suivantes :

   • Localisation du centre oculaire : En utilisant un encodeur CNN et une branche d’extraction de caractéristiques globales, le système reconstitue des images d’yeux partiellement visibles et localise précisément le centre oculaire.
     
   • Suivi des rotations oculaires : Le système intègre un réseau Siamese (réseau de neurones jumeaux) et des filtres de corrélation pour suivre la rotation de l’œil. Il peut gérer les transformations non rigides et les déformations dues aux outils opératoires.
     
   • Alignement des images préopératoires et intraopératoires : Grâce à un réseau de transformation spatiale (Spatial Transformer Network, STN), les images capturées en peropératoire sont alignées avec les images préopératoires de la lampe à fente, garantissant ainsi la précision des paramètres d’implantation de l’IOL.
     

Afin de pallier la rareté des données issues de scénarios complexes, les auteurs ont conçu une méthode d’augmentation des données en simulant divers cas de perturbations rencontrées pendant les chirurgies : changements de luminosité, obstructions aléatoires, etc.

1. Génération et annotation des données
   L’équipe de recherche a rassemblé et annoté 100 vidéos de chirurgies de la cataracte (environ 1 million d’images au total), représentant une grande diversité de cas cliniques avec des qualités d’image variées. Pour l’annotation des tâches de segmentation, un modèle UNet ajusté a généré des contours initiaux, qui ont été affinés manuellement. Pour les tâches de suivi, des points de repère ont été annotés automatiquement à l’aide de l’algorithme ECO (Efficient Convolution Operators).

2. Validation expérimentale

   • Portée de la validation : 100 vidéos, réparties en un ensemble d’entraînement (30 vidéos), de validation (10 vidéos), et de test (60 vidéos). Les données externes (provenant d’un autre hôpital) ont permis d’évaluer la généralisation du modèle.
   • Expérimentation simulée : Des tests ont été effectués sur un modèle humain d’œil simulant des mouvements et perturbations typiques de la chirurgie.

---

Résultats principaux et analyses

1. Amélioration des performances de localisation et de suivi

   • Le système EyeNavNet a atteint une erreur moyenne de localisation du centre oculaire (PE) de 0,121 ± 0,044 mm, surpassant largement les approches classiques (par exemple, 0,160 ± 0,129 mm pour U-Net combiné avec des filtres KCF).
     
   • Concernant le suivi des rotations oculaires, l’erreur d’angle (RE) n’était que de 1,07 ± 0,50°, meilleure que celle obtenue par des algorithmes récents comme Ostrack (1,42 ± 0,84°).

2. Excellente robustesse et généralisation
   EyeNavNet a démontré sa capacité d’adaptation à des données externes provenant d’un hôpital différent, surmontant divers perturbations (par exemple, déformations cornéennes et éclairs de lumière irréguliers).

3. Comparaison avec les systèmes commerciaux
   Par rapport aux systèmes de navigation disponibles commercialement (tels que Callisto Eye ou Verion), EyeNavNet offre de meilleures performances à un coût significativement réduit. Avec un temps de traitement de seulement 26,2 ms par image, le système supporte le travail en temps réel.

4. Évaluation sur un modèle d’œil humain
   Lors de tests réalisés sur un œil artificiel, EyeNavNet a atteint une vitesse de traitement de 25 images par seconde (fps) sur un GPU d’entrée de gamme (NVIDIA GTX 1070 Ti), démontrant sa capacité d’opération dans des environnements réels.

---

Conclusions et valeur ajoutée

L’article conclut que le système EyeNavNet permet une navigation peropératoire précise, sans marquage externe, pour l’alignement et la mise en place des IOL. Ce système combine des avancées dans la conception des algorithmes, la gestion des données massives, et des solutions matérielles abordables.

Par ailleurs, ce système peut être étendu à des scénarios nécessitant une plus grande précision, tels que l’implantation de lentilles multifocales ou la chirurgie combinée avec des lasers femtoseconde. Ces résultats promettent également de standardiser et automatiser les interventions chirurgicales dans un avenir rapproché.

---

Perspectives et améliorations potentielles

• Intégration temporelle : Incorporer des réseaux temporels pourrait améliorer la continuité du suivi, réduisant encore les erreurs.
  
• Systèmes augmentés : En utilisant une réalité augmentée (AR) ou des dispositifs d’affichage stéréoscopique, les chirurgiens pourraient mieux interpréter les données en trois dimensions.
  
• Validation clinique étendue : Il serait bénéfique d’inclure des études prospéctives sur des patients réels pour évaluer les bénéfices en termes de résultats chirurgicaux.
  

Ce projet marque une avancée significative dans le domaine des systèmes ophtalmologiques intelligents et pose les bases d’une médecine numérique et automatisée.