L’IA en ophtalmologie, un appui précieux pour mieux dépister

L’intelligence artificielle ne regarde pas un œil comme le ferait un ophtalmologiste. Elle traite des images numériques, y repère des régularités et attire l’attention sur des signes qui méritent d’être examinés. Cette capacité en fait un outil particulièrement prometteur en ophtalmologie, une spécialité où la photographie du fond d’œil et l’imagerie de la rétine occupent déjà une place centrale.

L’enjeu est concret : certaines maladies oculaires évoluent longtemps avec peu ou pas de symptômes perceptibles. Pouvoir identifier plus tôt une anomalie, ou mieux organiser la lecture d’un grand nombre d’examens, peut faciliter l’orientation des patients. Mais l’IA n’est ni un médecin autonome ni une garantie infaillible. Elle s’inscrit dans une chaîne de soins dont l’ophtalmologiste reste le responsable.

Pourquoi l’ophtalmologie se prête particulièrement à l’IA

L’ophtalmologie produit de nombreuses données visuelles structurées. Une photo du fond d’œil montre notamment la rétine, les vaisseaux sanguins et la tête du nerf optique. La tomographie par cohérence optique, souvent appelée OCT, fournit quant à elle des coupes très détaillées des différentes couches de la rétine. Ces examens sont précieux pour diagnostiquer, suivre et traiter plusieurs pathologies.

C’est sur ce type d’images que les systèmes d’intelligence artificielle sont entraînés. Ils apprennent à associer des caractéristiques observables, par exemple une modification des vaisseaux, la présence de dépôts ou une variation de l’épaisseur rétinienne, à des annotations établies sur des examens antérieurs. Dans certains cas, les données d’entraînement représentent des volumes considérables, pouvant atteindre des millions d’images rétiniennes.

Le fonctionnement reste toutefois différent d’un raisonnement clinique complet. Le logiciel peut produire un score de risque, signaler une zone anormale, classer une image comme exploitable ou non, ou proposer une catégorie de dépistage. L’ophtalmologiste, lui, confronte ce résultat à l’acuité visuelle, aux symptômes, aux antécédents, aux autres examens et à la situation particulière de la personne.

Quelles maladies oculaires l’IA peut-elle aider à repérer ?

Les applications les plus attendues concernent les affections pour lesquelles l’analyse de la rétine apporte des indices visibles et répétables. Elles ne se substituent pas à une consultation, mais peuvent contribuer au dépistage et au suivi.

La dégénérescence maculaire liée à l’âge, ou DMLA, touche la macula, une zone centrale de la rétine essentielle à la vision des détails. L’imagerie permet de rechercher des signes caractéristiques et de suivre leur évolution. Une aide informatique peut mettre en évidence certaines modifications sur les clichés ou les examens OCT, afin d’attirer plus rapidement l’attention sur un dossier.

La rétinopathie diabétique est une complication oculaire du diabète qui altère progressivement les petits vaisseaux de la rétine. Elle peut rester silencieuse avant d’entraîner des troubles visuels. L’analyse automatisée de photographies du fond d’œil peut aider à repérer les images présentant des signes évocateurs et à organiser l’orientation vers un spécialiste.

Le glaucome constitue un autre champ d’intérêt. Cette maladie est associée à une atteinte progressive du nerf optique et peut évoluer sans gêne immédiate. Les outils d’IA peuvent assister l’analyse de la tête du nerf optique ou d’autres mesures issues des examens. Ils ne suffisent cependant pas à eux seuls : l’évaluation d’un glaucome prend aussi en compte, entre autres, la pression intraoculaire, le champ visuel et l’évolution dans le temps.

L’intérêt n’est donc pas uniquement de détecter une maladie. Dans un cabinet, un centre de dépistage ou un service hospitalier, l’IA peut aussi aider à gérer les flux : identifier les images de mauvaise qualité à refaire, faire remonter en priorité les dossiers potentiellement urgents et libérer du temps pour les cas complexes.

Du signal algorithmique à la décision médicale

L’expression diagnostic par IA peut prêter à confusion. Dans la pratique, le logiciel fournit le plus souvent une aide à la décision. Il transforme une image en information exploitable, mais ne connaît ni l’ensemble du vécu du patient ni les subtilités d’un examen clinique.

Une anomalie signalée par un algorithme doit notamment être vérifiée. L’image est-elle nette ? La pupille était-elle suffisamment dilatée ? Un élément visible peut-il être lié à une autre affection, à une particularité anatomique ou à un artefact technique ? À l’inverse, un résultat rassurant ne dispense pas le professionnel de tenir compte de symptômes inhabituels ou de facteurs de risque.

Cette étape de validation est essentielle face aux deux erreurs possibles. Un faux positif peut inquiéter inutilement un patient ou conduire à des examens supplémentaires. Un faux négatif peut donner un sentiment de sécurité injustifié et retarder une prise en charge. Les performances annoncées pour un outil ne peuvent pas être généralisées sans précaution à tous les lieux de soins et à toutes les populations.

La relation de soin conserve également une dimension que le logiciel ne remplace pas. Expliquer un résultat, annoncer la nécessité d’un contrôle, discuter les bénéfices et les risques d’un traitement, répondre aux inquiétudes ou adapter les recommandations au quotidien du patient relèvent de l’expertise et de l’échange humain.

Une technologie utile, à condition d’être bien intégrée

L’IA peut devenir un véritable soutien lorsqu’elle est introduite pour résoudre un problème identifié. Par exemple, un outil de prélecture peut aider une équipe confrontée à un grand nombre d’images de fond d’œil. Un logiciel de suivi peut rendre plus visible une évolution entre deux examens. Dans ces situations, la technologie ne remplace pas une étape médicale : elle rend certaines étapes plus rapides, plus homogènes ou plus faciles à prioriser.

Son déploiement exige néanmoins une organisation. Les professionnels doivent connaître l’indication exacte du dispositif, ses limites et la manière dont son résultat apparaît dans le dossier. Ils doivent aussi savoir quoi faire en cas d’image non interprétable ou de désaccord entre l’outil et leur propre évaluation.

La fiabilité ne se résume pas à un chiffre global de performance. Un système peut très bien fonctionner sur les images avec lesquelles il a été évalué et être moins pertinent si les appareils, les conditions de prise de vue ou les caractéristiques de la population changent. C’est pourquoi l’évaluation en conditions réelles et le suivi des performances dans la durée sont déterminants.

Quelles règles encadrent l’IA médicale en France ?

Au 3 janvier 2025, un logiciel destiné à une finalité médicale, comme l’aide au diagnostic ou au dépistage, peut relever de la réglementation européenne applicable aux dispositifs médicaux. Son fabricant doit notamment définir l’usage prévu du produit, démontrer que son niveau de performance et de sécurité correspond à cet usage, et respecter les exigences nécessaires à sa mise sur le marché, dont le marquage CE lorsqu’il est requis.

Le règlement européen sur l’intelligence artificielle, entré en vigueur en août 2024, ajoute un cadre spécifique dont les obligations sont appelées à s’appliquer progressivement. Les systèmes d’IA liés à des dispositifs médicaux peuvent relever de la catégorie des systèmes à haut risque selon leur destination et leur classification. Dans ce cas, les exigences portent notamment sur la gestion des risques, la qualité des données, la documentation, la traçabilité et la supervision humaine.

La supervision ne signifie pas que le professionnel doit reproduire mécaniquement chaque calcul effectué par le logiciel. Elle implique qu’il puisse comprendre la fonction de l’outil, interpréter son résultat dans le bon contexte, ne pas le suivre aveuglément et intervenir en cas de problème. La décision médicale et la responsabilité de la prise en charge ne sont pas transférées à l’algorithme.

Les données de santé exigent une vigilance particulière. Les images de rétine et les informations associées à un dossier médical sont sensibles. Leur collecte, leur hébergement, leur accès, leur réutilisation pour entraîner un modèle et leur sécurité doivent être organisés dans le respect des règles de protection des données. La confiance des patients dépend aussi de la clarté des informations qui leur sont données sur l’usage de ces outils.

Personnaliser le suivi et assister les gestes : des perspectives à mesurer

L’IA pourrait aller au-delà du dépistage. En combinant des images successives et des données cliniques, elle pourrait aider à mieux suivre la progression de certaines pathologies, à repérer un changement nécessitant une consultation ou à préparer une discussion sur les options de prise en charge. Cette promesse de personnalisation doit toutefois rester proportionnée aux preuves disponibles pour chaque outil.

La chirurgie ophtalmologique constitue également une piste d’évolution. Des systèmes pourraient assister le praticien dans certaines procédures délicates, notamment en apportant des informations visuelles ou des repères supplémentaires. Là encore, il faut distinguer l’assistance technique d’une autonomie de décision : une intervention reste un acte médical qui requiert l’expertise, le contrôle et la responsabilité d’un chirurgien.

L’enjeu n’est pas d’ajouter de l’IA parce qu’elle est nouvelle. Il est d’identifier les tâches où elle améliore réellement la qualité, l’accès ou l’organisation des soins, sans créer de nouveaux risques. Une technologie qui accélère un tri, mais multiplie les alertes inutiles, peut épuiser les équipes. À l’inverse, un outil bien validé, intégré à un parcours clair et utilisé par des professionnels formés peut renforcer la prévention.

Ce qu’il faut surveiller pour juger les progrès réels

Le développement de l’IA en ophtalmologie devra être évalué sur des critères concrets : sa capacité à repérer les patients qui ont besoin d’une prise en charge, sa robustesse face à des images imparfaites, son efficacité auprès de populations diverses et son effet réel sur le délai d’accès au spécialiste. Les performances techniques ne suffisent pas si elles ne se traduisent pas par un bénéfice pour les patients.

Il faudra aussi observer la place laissée au jugement clinique. L’outil le plus utile sera celui qui éclaire la décision sans la brouiller, qui rend ses résultats exploitables et qui s’intègre dans une relation de soin de qualité. En ophtalmologie comme dans le reste de la médecine, l’avenir le plus crédible est celui d’une collaboration : des algorithmes pour analyser et alerter, des professionnels pour comprendre, décider et accompagner.