Avancées dans la détection de la pneumonie grâce à l'IA

En 2019, la Pneumonie a causé la mort de plus de 740 000 enfants de moins de cinq ans, ce qui en fait l'une des principales causes de décès chez les jeunes enfants. La pneumonie est une infection qui touche les poumons, souvent causée par un virus ou des bactéries. Elle remplit les petits sacs aériens des poumons de pus et de liquide, rendant la respiration difficile. Les symptômes courants incluent une toux persistante, un essoufflement, des douleurs thoraciques, de la fatigue et de la fièvre.

#Défis dans le diagnostic de la pneumonie

Dans les zones avec des soins de santé limités, le diagnostic de la pneumonie peut être très compliqué. Il n'y a souvent pas assez de travailleurs de la santé formés ou d'installations adéquates pour établir des diagnostics précis. En général, des radiographies thoraciques sont utilisées pour détecter la pneumonie, mais cette méthode peut prendre beaucoup de temps et être sujette à des erreurs humaines. C'est là que la technologie, notamment l'analyse d'image automatisée, peut aider.

L'intelligence artificielle (IA), en particulier des outils connus sous le nom de Réseaux de Neurones Convolutifs (CNN), est de plus en plus utilisée pour mieux détecter la pneumonie, surtout dans des endroits avec peu de ressources.

#Le rôle des Modèles d'IA légers

Il existe de nombreux modèles d'IA puissants, mais ils peuvent être très exigeants en termes de puissance de calcul. Cela les rend moins utiles dans des environnements à ressources limitées. À la place, des modèles plus légers comme MobileNet sont souvent choisis car ils offrent un bon mélange de rapidité et de précision.

L'étude se concentre sur la comparaison de deux types de modèles légers pour détecter la pneumonie : les Vision Transformers (ViTs) hybrides et les CNN traditionnels. L'idée est que les modèles hybrides, qui combinent des caractéristiques des CNN et des ViTs, fonctionneront mieux que les CNN standard.

#Source de données et préparation

L'étude a utilisé un ensemble de données spécifique connu sous le nom d'ensemble de données de pneumonie par radiographie thoracique de Mendeley. Cet ensemble contient des images qui aident à former les modèles. Un total de 5 216 images a été utilisé, dont 3 875 étiquetées comme pneumonie et 1 341 comme normales. Ces images ont ensuite été divisées en ensembles d'entraînement, de validation et de test.

#Augmentation des données

Pour s'assurer que les modèles apprennent efficacement, diverses techniques ont été utilisées pour légèrement modifier les images d'entraînement. Cette méthode, appelée augmentation des données, aide le modèle à mieux généraliser. Les changements suivants ont été apportés :

1. Rotation : Les images ont été tournées aléatoirement jusqu'à 180 degrés.
2. Affine : Des ajustements ont été faits comme un léger redimensionnement et déplacement des images.
3. Flippage : Les images ont pu être retournées horizontalement ou verticalement.
4. Redimensionnement : Toutes les images ont été redimensionnées à une taille standard de 224x224 pixels.
5. Normalisation : Les couleurs des images ont été ajustées pour s'inscrire dans une certaine plage.

Les images de validation et de test ont également été redimensionnées et normalisées, mais avec moins de changements que les images d'entraînement.

#Modèles utilisés dans l'étude

Quatre modèles légers ont été testés dans l'étude :

#EfficientNet Lite0

Ce modèle est une version plus petite d'EfficientNet, conçue spécifiquement pour les appareils mobiles. Il conserve une haute performance tout en utilisant moins de ressources. Il combine des couches spéciales qui sont efficaces tant pour la vitesse que pour la précision.

#MobileNetV3 Large

MobileNetV3 Large est aussi destiné aux appareils mobiles. Il utilise des techniques avancées pour améliorer son efficacité, l'aidant à atteindre une précision sans nécessiter beaucoup de puissance.

#MobileViT Small

MobileViT Small combine des caractéristiques des CNN et des ViTs. Ce modèle capte bien les détails locaux tout en comprenant également des contextes plus larges dans l'image. Cet équilibre le rend adapté aux applications mobiles.

#EfficientFormerV2 S0

EfficientFormerV2 S0 est un autre modèle conçu pour un traitement rapide sur des appareils simples. Il utilise un mélange de techniques efficaces pour garder une faible utilisation des ressources tout en obtenant de bons résultats dans la classification des images.

#Entraînement et évaluation des modèles

Tous les modèles ont été entraînés pendant un total de 30 cycles (ou époques). Pendant ce temps, ils ont appris à partir des données d'entraînement et ont ensuite été testés sur des données de validation séparées pour vérifier leurs progrès.

La configuration de l'entraînement incluait :

• Optimiseur : Un outil connu sous le nom d'Adam a été utilisé pour ajuster comment les modèles apprennent, avec un accent particulier sur la réduction des erreurs.
• Fonction de perte : C'est une méthode pour mesurer la performance du modèle.
• Planificateur : Un système qui aide à ajuster la vitesse d'apprentissage si l'amélioration du modèle stagne.

Après l'entraînement, chaque modèle a été évalué en fonction de sa performance sur l'ensemble de test. Les mesures suivantes ont été utilisées pour évaluer leur performance :

• Score de précision : Cela montre le pourcentage de bonnes prédictions.
• Score F1 : C'est une mesure combinée de précision et de rappel.
• Score de précision : Cela montre combien des cas positifs prévus étaient en réalité positifs.
• Score de rappel : Cela indique combien des cas positifs réels ont été identifiés.

#Résultats de l'étude

L'étude a révélé que les modèles CNN et ViT hybrides ont bien performé pour identifier la pneumonie dans les images radiographiques. Cependant, les modèles hybrides ont globalement mieux réussi, en particulier le modèle MobileViT Small. Ce modèle a atteint un score de précision de 97,5 % et un score F1 de 96,64 %.

En revanche, le meilleur modèle CNN, MobileNetV3 Large, avait un score de précision de 95,78 % et un score F1 de 94,33 %. Bien qu'il ait bien performé, il n'était pas aussi efficace en rappel que les modèles hybrides.

La performance supérieure des modèles hybrides provient de leur capacité à capturer à la fois des motifs locaux et larges dans les images radiographiques. Cette caractéristique est essentielle pour établir des diagnostics précis, où des signes subtils de pneumonie peuvent être dispersés dans l'image.

#Implications pour les soins de santé

Les résultats montrent que des modèles hybrides légers comme MobileViT Small et EfficientFormerV2 S0 sont très utiles pour améliorer le rappel dans des contextes médicaux, comme la détection de la pneumonie. Un haut rappel est crucial car manquer un diagnostic de pneumonie peut retarder le traitement, ce qui pourrait nuire au patient.

Les modèles CNN, comme MobileNetV3 Large, restent de solides concurrents pour certaines applications, en particulier où un traitement rapide est nécessaire et les ressources sont limitées.

#Directions futures de recherche

Pour l'avenir, ce serait utile de se concentrer sur la réduction encore plus des ressources utilisées par ces modèles hybrides tout en maintenant leur précision diagnostique élevée. De plus, appliquer ces modèles hybrides à d'autres tâches d'imagerie médicale pourrait être bénéfique. La recherche pourrait également explorer des moyens d'améliorer les CNN afin qu'ils puissent mieux capturer des motifs larges dans les images, menant ainsi à des outils de diagnostic encore plus intelligents.

En conclusion, le développement continu de la technologie dans le domaine de la santé offre d'importantes opportunités pour améliorer la détection et le traitement de la pneumonie et d'autres maladies, surtout dans les zones à ressources limitées. En combinant les forces de différents modèles, il y a beaucoup de potentiel pour améliorer les résultats pour les patients dans le besoin.