Approches d’apprentissage profond pour la détection précoce des maladies : Jeux de données déséquilibrés

Abstract

Le diagnostic précoce est un enjeu de santé publique, mais l’intelligence artificielle appliquée à l’imagerie se heurte au déséquilibre des classes, qui biaise les modèles vers les cas majoritaires. Ce mémoire propose un pipeline hybride corrigeant ce biais et assurant la transparence, combinant trois leviers (suréchantillonnage ciblé, augmentation des données et pondération adaptative des classes) dans un apprentissage en deux phases, avec EfficientNetB2 comme architecture de référence, sélectionnée parmi sept réseaux de neurones convolutifs. Les expérimentations, menées sur le jeu de données Alzheimer MRI pour la classification multiclasse des stades de démence, ont permis d’atteindre une accuracy de 96,72 %, un F1 score de 97,54 % et un rappel de 97,63 %, résultats comparables ou supérieurs à des architectures d’ensemble (Deep Ensemble) nettement plus lourdes et complexes. La capacité de généralisation de l’approche a été confirmée sur trois jeux de données indépendants (tumeurs cérébrales binaires, tumeurs cérébrales multiclasses, ostéoarthrite du genou), démontrant ainsi la transversalité pathologique du pipeline proposé. Sur le plan de l’interprétabilité, un protocole de validation rigoureux de l’IA explicable (XAI) a été mis en place. Fondé sur la méthode Grad-CAM, il combine des tests de cohérence mathématique, une analyse d’occlusion causale et un masquage anatomique. Ce cadre a permis de démontrer que les décisions du réseau reposent sur des biomarqueurs anatomocliniques pertinents, dont la cohérence a été validée qualitativement par une radiologue spécialiste. Ce travail, en alliant précision diagnostique, robustesse et transparence décisionnelle, propose un cadre méthodologique opérationnel pour le développement d’outils d’intelligence artificielle fiables et interprétables en routine clinique. Il ouvre par ailleurs des perspectives prometteuses pour l’extension de cette approche à d’autres pathologies et modalités d’imagerie, ainsi que pour son intégration dans des dispositifs médicaux certifiés.