Détection et classification d'anomalies duodénales associées à la maladie cœliaque à partir d'images endoscopiques à l'aide d'un modèle CNN interprétable

Abstract

La maladie cœliaque est une affection auto-immune chronique déclenchée par l'ingestion de gluten, dont le diagnostic conventionnel basé sur la sérologie et la biopsie endoscopique reste invasif et subjectif. Face à la prévalence croissante de cette maladie en Algérie, ce travail propose un cadre CNN léger et interprétable, adapté aux bases de données médicales de petite taille. En s'appuyant sur un dataset de 160 images endoscopiques duodénales réparties en trois classes (Normal, Cœliaque, Douteuse), un pipeline de prétraitement rigoureux combinant filtrage bilatéral, CLAHE et normalisation ainsi qu'une stratégie d'augmentation des données ont été mis en place. Une étude comparative par transfert d'apprentissage entre ResNet50, VGG16 et Xception, évaluée par validation croisée à 5 folds, a désigné Xception comme architecture optimale, atteignant 91% d'accuracy en multiclasse et 93% en binaire. Une phase d'interprétabilité visuelle, intégrant les méthodes Grad-CAM et Score-CAM, a permis de valider qualitativement la pertinence clinique des décisions du modèle, confirmant qu'un système performant, transparent et cliniquement cohérent est réalisable sans données massives ni architectures lourdes