Détection et classification de l'appendicite à l'aide de techniques d'apprentissage automatique

Abstract

Le diagnostic de l'appendicite aiguë chez l'enfant représente un dé clinique important en pédiatrie, souvent complexi é par la variabilité des symptômes. Pour relever ce dé , ce projet de n d'études a exploré le potentiel de l'Intelligence Arti cielle (IA) a n d'améliorer la précision diagnostique. Nous avons mené une étude comparative approfondie entre les méthodes de Machine Learning (ML) classiques et le Deep Learning (DL) pour la classi cation binaire et multiclasse de l'appendicite. En utilisant une base de données numérique, nous avons développé et évalué un système d'aide au diagnostic pédiatrique. Les résultats expérimentaux ont clairement démontré la supériorité de l'algorithme XGBoost, qui a obtenu les meilleurs scores avec un taux de classi cation de 97% et un F1-score de 97%. Il est important de noter que XGBoost a globalement surpass é les réseaux de neurones convolutionnels (CNN) dans ce contexte spéci que. Cette performance s'explique principalement par la nature tabulaire de notre base de données numérique. Alors que les CNN excellent dans l'analyse d'images et de textes, tirant parti de structures spatiales ou séquentielles complexes.