AGAyse Gungor

Ayse Gungor

*This is an algorithmically generated author record based on publicly available information.

Ayse Gungor has a total of 17 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Artificial Intelligence in Neuro-Ophthalmology : From Automated Diagnosis to Large-Scale Retinal Dataset Curation

    by Ayse Gungor

    Intelligence Artificielle en Neuro-Ophtalmologie : du Diagnostic Automatisé à la Gestion de Bases de Données à Grande Échelle: La numérisation de la pratique ophtalmologique a permis la constitution de vastes bases de données d'images du fond de l'œil, ouvrant de nouvelles perspectives pour le développement de l'intelligence artificielle (IA). En neuro-ophtalmologie, la rétine et la tête du nerf optique offrent une fenêtre non invasive sur le système nerveux central, faisant de la photographie du fond de l'œil une modalité diagnostique précieuse. Cependant, son interprétation repose sur une expertise spécialisée, souvent limitée, en particulier dans les contextes d'urgence où un diagnostic retardé ou manqué peut entraîner une perte visuelle irréversible ou des complications neurologiques graves. L'application de l'IA à la neuro-ophtalmologie soulève des défis spécifiques : rareté et hétérogénéité des pathologies, disponibilité limitée de données annotées par des experts, variabilité des dispositifs d'imagerie et des conditions d'acquisition, ainsi qu'exigences élevées de fiabilité et d'interprétabilité avant tout déploiement clinique. Les méthodes développées pour les maladies ophtalmiques fréquentes ne peuvent donc pas être directement transposées à ce domaine. Cette thèse s'articule autour de deux axes complémentaires. Sur le plan clinique, des systèmes d'apprentissage profond ont été développés et validés pour détecter automatiquement des affections neuro-ophtalmiques menaçant la vision ou le pronostic vital à partir de photographies couleur du fond de l'œil. Les travaux portent notamment sur la distinction entre neuropathie optique ischémique artéritique et non artéritique, la détection de l'œdème papillaire comme marqueur d'hypertension intracrânienne, et l'identification précoce de l'occlusion de l'artère centrale de la rétine dans les délais thérapeutiques. Ces études, menées dans des contextes multicentriques et prospectifs, avec des dispositifs et protocoles hétérogènes, démontrent le potentiel de l'apprentissage profond pour le triage neuro-ophtalmique et l'aide à la décision clinique. Sur le plan méthodologique, cette thèse propose un cadre d'annotation guidé par les représentations, fondé sur un modèle de fondation ophtalmologique, afin de répondre à la rareté des données annotées. L'approche exploite la géométrie de l'espace latent pour propager la supervision experte par similarité entre prototypes, amplifiant ainsi l'annotation tout en limitant la charge humaine. Les résultats montrent que l'adaptation des représentations améliore l'organisation de l'espace latent et permet une propagation fiable des pseudo-étiquettes. L'efficacité de l'annotation apparaît ainsi non seulement comme un problème de sélection d'échantillons, mais aussi comme un problème d'apprentissage de représentations. Dans leur ensemble, ces contributions font progresser l'IA en neuro-ophtalmologie selon deux dimensions rarement abordées conjointement : la validation clinique en conditions réelles et le développement de méthodologies évolutives pour la constitution de grands jeux de données d'imagerie du fond de l'œil.

  • Open Access

    Artificial Intelligence‐Based Detection of Central Retinal Artery Occlusion Within 4.5 Hours on Standard Fundus Photographs

    by Ayse Gungor, Ilias Sarbout, Aubrey L. Gilbert, Steffen Hamann, Pierre Lebranchu, Cristina Hobeanu, Philippe Gohier, Catherine Vignal‐Clermont, Oana M. Dumitrascu, Salomon‐Yves Cohen, et al.

    Background: Prompt diagnosis of acute central retinal artery occlusion (CRAO) is crucial for therapeutic management and stroke prevention. However, most stroke centers lack onsite ophthalmic expertise before considering fibrinolytic treatment. This study aimed to develop, train, and test a deep learning system to detect hyperacute CRAO on retinal fundus photographs within the critical 4.5‐hour treatment window and up to 24 hours after visual loss to aid in secondary stroke prevention. Methods: Our retrospective, cross‐sectional study included 1322 color fundus photographs from 771 patients with acute visual loss due to CRAO, central retinal vein occlusion, nonarteritic anterior ischemic optic neuropathy, and healthy controls. Photographs were collected from 9 expert neuro‐ophthalmology centers in 6 countries, including 3 randomized clinical trials. Training included 1039 photographs (517 patients), followed by testing on 2 data sets: (1) hyperacute CRAO (54 photographs, 54 patients) and (2) CRAO within 24 hours after visual loss (110 photographs, 109 patients). Results: The deep learning system achieved an area under the receiver operating characteristic curve of 0.96 (95% confidence interval (CI), 0.95–0.98), a sensitivity of 92.6% (95% CI, 87.0–98.0), and a specificity of 85.0% (95% CI, 81.8–92.8) for detecting CRAO at hyperacute stage, with similar results within 24 hours. The deep learning system outperformed stroke neurologists on a subset of hyperacute testing data set (120 photographs, 120 patients). Conclusions: A deep learning system can accurately detect hyperacute CRAO on retinal photographs within a time window compatible with urgent fibrinolysis. If further validated, such systems could improve patient selection for fibrinolytic trials and optimize secondary stroke prevention. Registration: URL: https://www.clinicaltrials.gov ; Unique identifier: NCT06390579.