L’OCT produit une quantité considérable d’informations. Chaque examen peut fournir une succession de coupes permettant d’observer les différentes couches de la rétine avec une précision impossible à obtenir par un examen classique. Mais cette richesse crée également une difficulté. Plus les données sont nombreuses, plus leur analyse demande du temps et de l’expertise. L’intelligence artificielle apparaît alors comme un outil particulièrement séduisant. Elle peut segmenter automatiquement les couches rétiniennes, mesurer des épaisseurs et rechercher certaines anomalies. Des travaux récents montrent même des performances très élevées sur des bases de données comportant plusieurs millions de coupes.
Un article publié en septembre 2026 dans IEEE Transactions on Medical Imaging présente ainsi UniOCTSeg++, un modèle évalué sur une base de 4,86 millions de B-scans OCT provenant de onze jeux de données publics. Le modèle a obtenu un Dice de 90,06 % sur les données internes et 86,83 % sur les données externes.
Le détail le plus intéressant se trouve précisément dans cette comparaison. Les chercheurs ont testé le système sur des données externes.
La performance interne ne suffit plus
Dans l’IA médicale, obtenir une excellente performance sur les images ayant servi au développement d’un modèle est une première étape. La vraie difficulté arrive ensuite. Un appareil différent, une population différente ou une méthode différente d’annotation peuvent modifier la distribution des données. Le modèle doit alors généraliser. Une revue consacrée au deep learning et à la segmentation OCT souligne d’ailleurs que les systèmes commerciaux capables de segmenter plusieurs couches rétiniennes chez des yeux sains peuvent perdre beaucoup de performance lorsque l’œil présente une pathologie.
Ce problème est essentiel pour comprendre les annonces autour de l’IA. Un chiffre de précision n’a de sens que si l’on sait sur quelles images il a été obtenu.
Le cas de la cornée est particulièrement instructif
Un autre travail publié en 2026 donne une illustration très concrète de cette difficulté.
Des chercheurs de Moorfields Eye Hospital et de l’UCL ont développé CUNEX, un modèle de segmentation de la cornée sur des images d’OCT du segment antérieur.
Le système a été entraîné à partir d’un important volume de données puis testé sur quatre appareils OCT différents. Sur les jeux de données externes, CUNEX est resté capable de produire des segmentations anatomiquement cohérentes, alors que deux modèles comparés voyaient leurs performances fortement diminuer.
Ce résultat est intéressant parce qu’il montre ce que devrait devenir un standard dans l’IA médicale.
Tester le modèle ailleurs que là où il a appris.
L’IA pourrait surtout faire gagner du temps
Le scénario le plus crédible à court terme n’est probablement pas celui d’une machine qui remplace l’expert. C’est celui d’une machine qui prépare son travail. L’algorithme peut repérer une zone inhabituelle, segmenter une structure, mesurer une épaisseur ou comparer automatiquement deux examens.
Le professionnel garde alors la responsabilité de l’interprétation. Cette approche est particulièrement intéressante pour le suivi longitudinal. Une succession d’images peut être transformée en courbes et en mesures, permettant de repérer plus facilement une évolution.
L’IA devient alors moins une « machine à diagnostic » qu’un outil de lecture de données. C’est une différence importante.