L'œil est enflammé, la cornée s'opacifie. Le médecin doit comprendre d'urgence qui est en cause — une bactérie ou un champignon. Le traitement en dépend. Une erreur peut coûter la vue. Mais la réponse classique du laboratoire arrive plusieurs jours plus tard, et dans les régions éloignées, on peut ne jamais la recevoir.
Des chercheurs des États-Unis et d'Inde ont proposé une autre voie : trois clichés pris à la lampe à fente — un appareil présent dans presque toutes les cliniques ophtalmologiques. Une image en lumière bleue, une autre en lumière diffuse, une troisième en lumière blanche ordinaire. Ces trois « regards » sur la même opacité portent des informations différentes — comme trois interprètes qui écoutent un même discours mais saisissent des nuances de sens distinctes. Le modèle, nommé TPMKA, apprend à confronter ces nuances. D'abord, il s'entraîne sur des paires de clichés d'un même patient pour comprendre ce qu'elles ont en commun et ce qui relève de l'éclairage particulier. Ensuite, il affine son réglage pour sa tâche spécifique et, enfin, il fusionne les trois flux de données en une seule décision.
Le résultat — 86 % de précision. Cela semble modeste, mais pour une clinique réelle, c'est un soutien sérieux. Ce qui est particulièrement important, c'est que les auteurs ont testé le modèle honnêtement : lorsqu'il a été évalué sur des clichés provenant d'un autre pays et d'un autre hôpital, la précision a chuté. C'est normal : les caméras, les réglages, même la teinte de la peau du patient influencent l'image. Mais même après une vérification rigoureuse avec rééquilibrage des données, TPMKA est restée la meilleure parmi toutes les approches testées. Trois clichés, trois secondes — et le médecin obtient une indication pour commencer le traitement, pendant que le laboratoire prépare encore la culture.
tel que rédigé par les auteurs, en anglais arXiv:2607.03740
Microbial keratitis requires rapid pathogen identification to guide treatment, but culture- and PCR-based diagnostics are slow and resource-intensive. We developed a triple-phase multimodal framework for bacterial-versus-fungal keratitis classification using slit-lamp photographs acquired under blue-light, sclerotic-scatter, and white-light illumination, together with clinical metadata. The model combines cross-modality contrastive learning, modality-specific fine-tuning, and feature-level multimodal ensemble learning for patient-level prediction. We evaluated the framework on a multicenter dataset of 1,645 patients and 17,158 images from India and the United States. The model achieved 85.84% accuracy, 84.46% average F1-score, and 0.885 AUC. Site-specific evaluation showed that pooled results were overly optimistic, whereas resampling- and balance-based re-evaluation provided a more realistic assessment of cross-site generalization. Under all settings, our framework remained the top-performing approach. The code is available at https://github.com/yqwang01/TPMKA and dataset access will be provided subject to University of Michigan data-sharing clearance.
La lumière bleue lors de la prise de vue de l'œil n'est pas un caprice. Elle fait fluorescer les tissus cornéens endommagés, et cette fluorescence diffère entre bactéries et champignons.