Explicabilité des modèles intelligents basés sur l'apprentissage profond (Deep Learning) : Détection automatique du paludisme

Abstract

Le paludisme reste un défi mondial de santé publique, touchant plus de 247 millions de personnes et causant 619 000 décès dans le monde en 2024 (selon l'OMS). Le diagnostic rapide est essentiel pour un traitement efficace et pour améliorer les chances de survie des patients. Dans cette thèse, nous proposons un cadre d'apprentissage profond interprétable pour un diagnostic précis du paludisme à l'aide d'images de frottis sanguins. Nous évaluons également et comparons plusieurs modèles de deep learning (DL) de base (fondamentaux), les modèles personnalisés VGG-16 et VGG-19, ainsi que des modèles DL plus récents tels que Vision Transformer (ViT) et MobileNet, et, pour la première fois, un réseau de mémoire à long et court terme empilé (Stacked-LSTM) avec un mécanisme d'attention pour la détection automatique du paludisme à partir d'images de frottis sanguins. Ces modèles ont été entraînés et validés sur un ensemble de données publiques de plus de 27 000 images de frottis sanguins annotées. L'étude comparative et statistique menée dans cette recherche nous a montré que le modèle Stacked-LSTM proposé avec mécanisme d'attention a surpassé toutes les autres approches, atteignant une précision de classification (0,9912), une sensibilité, une spécificité, une précision, un score F1 (0,9911) et une aire sous la courbe (AUC) supérieurs à tous les autres modèles. Malgré leurs performances solides, ces modèles sont souvent considérés comme des « boîtes noires » en raison de leur manque de transparence dans le processus de prise de décision, ce qui pose des défis importants dans les applications médicales et les domaines où la vie humaine est en jeu. Pour y remédier, nous avons intégré des techniques d'IA explicable (XAI), à savoir Grad-CAM et LIME, afin d'améliorer l'interprétabilité du modèle. Nos résultats démontrent la valeur complémentaire de la combinaison de modèles de deep learning haute performance avec des méthodes XAI pour renforcer la confiance et la certitude dans le diagnostic médical assisté par IA, suggérant que notre modèle peut soutenir la détection précoce et interprétable du paludisme dans les environnements cliniques