Un cadre d’ensemble multimodal préservant la vie privée pour la classification des lésions cutanées

Summary

Le travail proposé vise à développer et évaluer un ensemble d’ensemble explicable et préservant la vie privée pour une classification précise des lésions cutanées, en intégrant des fonctionnalités d’apprentissage profond, des métadonnées cliniques et des techniques d’IA explicables afin d’améliorer la précision diagnostique, la transparence et un soutien clinique fiable à la détection précoce du cancer de la peau.

Abstract

Parmi les maladies dermatologiques, le cancer de la peau est parmi les plus mortelles. Un diagnostic précoce et précis est important pour améliorer le pronostic du patient. Néanmoins, les méthodes diagnostiques traditionnelles basées sur l’IA rencontrent plusieurs défis, notamment des préoccupations liées à la vie privée, une interprétabilité limitée et un déséquilibre sévère de classes dans les ensembles de données multi-classes de lésions cutanées. Pour surmonter ces défis, l’article proposé propose un modèle de classification multimodale des lésions cutanées et respectueux de la vie privée, qui combine des modèles complexes d’apprentissage profond et une approche de modélisation d’ensemble avec des méthodes d’intelligence artificielle explicables. L’évaluation expérimentale est réalisée à partir de données de référence HAM10000 disponibles publiquement sur la classification multi-classes des lésions cutanées, accessibles via Kaggle Hub, réparties sur sept classes de lésions cliniquement significatives (akiec, bcc, bkl, df, mel, nv, vasc). Pour équilibrer les données, une technique d’équilibrage des classes est utilisée pour renforcer les classes minoritaires. Les EfficientNet B4, DenseNet201 et MobileNetv2 sont utilisés pour extraire des représentations profondes des caractéristiques, puis combinés avec des métadonnées cliniques saillantes pour créer un espace de caractéristiques multimodal robuste. Ces caractéristiques multimodales sont utilisées pour entraîner XGBoost, LightGBM, Deep Neural Classifier (DNC) qui ont obtenu des précisions de classification de 92 %, 90 % et 94 % respectivement. Une stratégie d’ensemble empilé est appliquée pour combiner les sorties de XGBoost, LightGBM et Deep Neural Classifier (DNC), ce qui conduit à une amélioration de la précision de 96 %. Les techniques d’interprétabilité des modèles fournissent des explications au niveau des caractéristiques qui augmentent la transparence. Les résultats expérimentaux ont prouvé la praticité du cadre proposé en termes d’efficacité avec la classification cliniquement pertinente des lésions cutanées dans la vie réelle.

Introduction

Le cancer de la peau représente un fardeau sanitaire mondial important, avec des taux d’incidence croissants rapportés dans le^{monde 1}. La radiation artificielle est reconnue comme un facteur majeur contribuant au cancer de la peau, entraînant des mutations génétiques qui entraînent une prolifération cellulaire incontrôlée et le développement tumoral dans les cellules^{cutanées 1,2}_. Les cancers de la peau comprennent un groupe de maladies, notamment le mélanome, le carcinome épidermoïde et le carcinome basocellulaire (CCC). Les causes, la présentation clinique et les facteurs pronostiques de ces affections diffèrent^{tous 3}. Les maladies de la peau sont devenues un obstacle au diagnostic médical en raison des similitudes au niveau des^{pixels 4}. En 2022, on estimait 331 722 cas de mélanome (58 667 décès) et 1,2 million de cas NMSC (69 416 décès) dans le monde. Les taux de mortalité maximaux standardisés par âge (ASR) pour le mélanome étaient situés en Océanie (29,78/100 000), en Amérique du Nord (16,3) et en Europe (10,43). Cependant, le ratio mortalité/incidence était le plus élevé en Afrique (0,35) et en Asie (0,30) comparé à l’Amérique du Nord et à l’Océanie (0,02 dans les deux pays), ce qui pourrait refléter un pronostic moins^{favorable 1}. En dermatologie, le diagnostic et le suivi des lésions cutanées se sont principalement appuyés sur l’examen visuel et d’autres évaluations non invasives. Les méthodes invasives ne sont pas appliquées car elles peuvent endommager les lésions et empêcher la réalisation d’un suivi clinique de la croissance^{de la lésion 5}. Les lésions cutanées peuvent présenter différents types : mélanome (MEL), dermatofibrome (DF), kératose actinique et carcinome intraépithélial (AKIEC), carcinome basocellulaire (BCC), kératose bénigne (BKL), névus mélanocytaire (NV) et lésions vasculaires (VASC), telles que définies dans le jeu de données^{HAM10000 5}. Les principaux défis dans la classification des images dermatoscopiques sont la présence de poils, d’encres, de marques de règle, de taches colorées, de lueurs, de gouttes, de bulles de sébum, de vaisseaux sanguins, de zones hyperpigmentées et/ou de lésions^{inflammatoires 6}. Des études ont déjà été menées sur la sélection des caractéristiques et l’apprentissage profond pour l’imagerie médicale et la classification des lésions^{cutanées 7,8}.

Des approches basées sur la vision par ordinateur pour le diagnostic du cancer de la peau et l’intégration de caractéristiques artisanales et profondes ont également été^{étudiées 9}, ainsi que des stratégies de fusion des caractéristiques pour améliorer la performance de classification¹⁰. Les avancées récentes mettent en avant l’intégration de l’apprentissage automatique dans les systèmes de santé et des cadres de traitement sécurisé des données^{médicales 11,12}.L’utilisation des soins de santé par IA, propulsée par des algorithmes computationnels avancés, a le potentiel de fournir des programmes de soins intégrés personnalisés et efficaces, particulièrement bénéfiques pour les patients en milieu de soins à distance et à domicile¹³. En utilisant de vastes ensembles de données d’images dermatoscopiques, les modèles d’apprentissage profond — en particulier les réseaux neuronaux convolutionnels (CNN) — peuvent être entraînés pour identifier et classer avec précision diverses lésions cutanées. Plusieurs techniques montrent des résultats forts dans la segmentation des lésions cutanées, notamment les réseaux entièrement convolutionnels (FCN), les CNN, les CNN profonds (DCNN), les réseaux résiduels entièrement convolutionnels (FCRN) et les architectures U-Net. Les réseaux de neurones profonds (DNN) ne sont pas facilement interprétables en raison de leur architecture très complexe, ce qui rend leur processus de prise de décision difficile à comprendre^14,15. Les avancées récentes en analyse d’images médicales ont démontré que les réseaux neuronaux convolutionnels profonds (CNN) améliorent significativement l’efficacité des tâches de classification des lésions cutanées. Plusieurs études sur des ensembles de données dermoscopiques comme HAM10000 ont montré que les architectures basées sur CNN, notamment ResNet, DenseNet et EfficientNet, atteignent une solide performance de classification multi-classes en apprenant des représentations hiérarchiques des caractéristiques à partir d’images de lésions. Les approches hybrides de fusion de caractéristiques, où plusieurs backbones CNN sont combinées, ont encore amélioré la précision diagnostique en intégrant des représentations profondes^{complémentaires 16}. De plus, des études actuelles ont étudié des modèles hybrides CNN Transformer dans l’analyse d’images médicales. Les modèles équipés de transformateurs de vision et d’extracteurs de caractéristiques CNN ont prouvé de meilleurs résultats dans les tâches de classification des lésions cutanées car ils sont mieux capables d’extraire le contenu local des textures ainsi que les relations contextuelles^{globales 17}. Ces conceptions hybrides sont également considérées comme à la pointe de la technologie en imagerie médicale car elles offrent une capacité d’apprentissage équilibrée pour la représentation.

Dans d’autres domaines de la médecine, les stratégies de fusion des caractéristiques ont été largement utilisées en dehors de la dermatologie. Les systèmes hybrides basés sur CNN ont également été appliqués dans l’analyse d’images histopathologiques afin d’obtenir une meilleure classification du cancer du poumon et du côlon grâce à des représentations de caractéristiques améliorées et à la dynamique de l’apprentissage^{spatial 16}. De même, en ophtalmologie, l’utilisation de modèles d’apprentissage profond entraînés sur des représentations de caractéristiques fusionnées a démontré une application réussie dans la phase de rétinopathie diabétique des images du fond d’œil, avec une meilleure robustesse et une meilleure précision de classification dans une tâche de notation^{multi-classes 18}. Les méthodes de fusion multimodale dans ces domaines suggèrent toutes que des représentations de caractéristiques hétérogènes permettent une meilleure généralisation et classification, notamment dans les données médicales^{déséquilibrées 19}.

Bien que ces améliorations aient été apportées, les pratiques actuelles se limitent généralement à être multimodales, non intégrées, inadéquates pour traiter le problème du déséquilibre de classe et peu utiles dans la prise de décision clinique. Pour surmonter ces problèmes, cet article présente un modèle explicable de classification des lésions cutanées, soucieux de la vie privée et intègre les deux méthodes d’interprétabilité du modèle. Ces méthodes d’explicabilité peuvent être utilisées pour expliquer les prédictions du modèle, en indiquant quelles caractéristiques sont les plus importantes et en mettant en lumière des zones importantes des images dermoscopiques, renforçant la clarté et la confiance dans les procédures cliniques, améliorant ainsi la transparence clinique, instaurant la confiance et soutenant la mise en œuvre sûre des systèmes d’IA en pratique clinique. Il existe un déséquilibre important dans l’ensemble de données HAM10000, certaines classes ayant beaucoup moins d’échantillons que d’autres. Pour surmonter ce problème, la technique de suréchantillonnage des minorités synthétiques (également appelée équilibrage de classes) est utilisée pour générer des échantillons synthétiques pour les classes sous-représentées. Les techniques d’équilibrage des classes équilibrent l’ensemble de données, permettant au modèle d’apprendre mieux à partir des types de lésions minoritaires, augmentant la sensibilité et permettant une prédiction plus fiable de classes cliniquement significatives mais moins fréquentes de cancer de la peau.  Les fonctionnalités profondes d’EfficientNet-B4, DenseNet201 et MobileNetV2 sont combinées aux métadonnées cliniques pour former une représentation plus informative de chaque lésion cutanée. Cette double caractéristique nous permet d’extraire les schémas visuels des images dermoscopiques et d’autres informations des patients pour une analyse plus approfondie. Les fonctionnalités sont ensuite entraînées sur différents classificateurs, notamment XGBoost, LightGBM et un Réseau de Neurones Profonds, afin d’améliorer la capacité et la puissance du modèle de classification des lésions cutanées. L’ensemble des modèles est utilisé avec une technique d’ensemble empilé pour améliorer le modèle. Il s’agit d’un modèle composite qui exploite les forces de plusieurs modèles pour apprendre et en tirer profit des prédictions de tous les modèles de l’ensemble tout en atténuant leurs limites.

Protocol

Cette étude utilisait des ensembles de données dermoscopiques entièrement anonymisés et accessibles au public, sans participation humaine directe ; par conséquent, l’approbation du comité éthique n’était pas requise. Le tableau des matériaux contient les détails de tous les matériaux ou outils utilisés dans cette étude. Le tableau 1 inclut des détails sur l’environnement matériel et logiciel, tels que le type de processeur, la mémoire, le système d’exploitation et les cadres logiciels. Le tableau 2 inclut les détails de la précision par classe, du rappel, du score F1 et du support pour chaque catégorie de lésion cutanée.

Flux de travail global du cadre proposé de classification multimodale des lésions cutanées

Le plan général de cette recherche est de créer un schéma précis et compréhensible de multi-classification des lésions cutanées. Le flux de travail commence par la collecte des données et le prétraitement du jeu de données HAM10000, puis passe à l’extraction de fonctionnalités à l’aide d’architectures d’apprentissage profond et à l’inclusion de métadonnées cliniques. Ensuite, plusieurs classificateurs d’apprentissage automatique sont entraînés et optimisés, et leurs résultats sont agrégés dans une stratégie d’ensemble. Enfin, les prédictions du modèle sont interprétées à l’aide de techniques d’explicabilité, et l’efficacité du modèle est évaluée pour une utilisation dans le cadre du soutien clinique à la décision dans le monde réel.

Afin d’améliorer la précision prédictive du système proposé, un pipeline d’apprentissage automatique multimodal est utilisé, combinant à la fois des caractéristiques basées sur l’image et des métadonnées cliniques (comme montré à la Figure 1). Le modèle peut résumer les résultats visuels des images dermoscopiques avec les informations relatives au patient afin d’identifier des motifs plus détaillés liés à diverses lésions cutanées. Avec une telle combinaison, le système peut faire de meilleures prédictions, ce qui finira par le faire. Améliorer la qualité et l’utilité de la classification des lésions cutanées. Trois caractéristiques convolutionnelles Deep pré-entraînées sont extraites à l’aide de réseaux neuronaux (EfficientNet-B4, DenseNet201 et MobileNetV2) : elles sont capables de capturer une variété de motifs complémentaires d’images dermoscopiques. Ces architectures apprennent des motifs de haut niveau dans l’apparence des lésions cutanées, comme les changements de couleur et de texture, ainsi que leur construction. Ensuite, un module de fusion de caractéristiques combine les caractéristiques profondes avec les caractéristiques cliniques et les données démographiques pour créer une fonctionnalité multimodale riche. Les données fusionnées sont ensuite séparées en données d’entraînement, de validation et de test afin d’assurer des tests de modèles appropriés. Ensuite, un module de fusion des caractéristiques est utilisé pour fusionner les caractéristiques profondes avec les caractéristiques cliniques et la démographie afin de produire une fonctionnalité multimodale riche. Ces données sont ensuite divisées en données d’entraînement, de test et de validation pour tester le modèle. Une stratégie d’ensemble est utilisée pour améliorer encore la précision des prédictions. Cela se fait en faisant la moyenne des résultats de plusieurs modèles et en élaborant la prédiction finale en utilisant ces probabilités moyennes pour améliorer la généralisation et minimiser la variance qui aurait autrement été causée par des modèles individuels. En outre, des méthodes d’explicabilité, telles que les techniques d’interprétabilité du modèle, sont également intégrées pour mieux expliquer comment le modèle prend ses décisions. La méthode d’interprétabilité du modèle fournit des interprétations au niveau des caractéristiques en quantifiant la contribution des variables d’entrée, tandis que la méthode d’interprétabilité du modèle identifie les zones importantes au sein des images dermoscopiques au niveau du pixel qui influencent la prédiction. Les techniques d’interprétabilité du modèle offrent des explications au niveau des caractéristiques en quantifiant la contribution de chaque variable d’entrée, tandis que les techniques d’interprétabilité du modèle mettent en évidence des régions importantes au niveau du pixel dans les images dermoscopiques qui influencent la prédiction. Combinées, ces techniques rendent les modèles plus interprétables et aident les cliniciens à comprendre la manière dont le système prend les décisions. En conséquence, le pipeline proposé offre un système compréhensible et respectueux de la vie privée, augmentant la transparence et la confiance et permettant un diagnostic plus fiable du cancer de la peau dans un contexte de santé réel.

Description du jeu de données avec préparation

Dans cet article, le jeu de données HAM10000 (Human against Machine with 10 000 training images) est utilisé comme jeu de données principal pour la classification multi-classes des lésions cutanées. Le jeu de données contient plus de 10 000 chiffres dermoscopiques collectés auprès de diverses sources médicales. Sources cliniques et populations, ce qui en fait l’un des ensembles de données de référence les plus utilisés en analyse d’images dermatologiques. Chaque image du jeu de données est accompagnée de métadonnées cliniques importantes, incluant des identifiants d’image, des labels diagnostiques, l’âge du patient, le sexe et la localisation anatomique de la lésion. L’ensemble de données couvre sept catégories diagnostiques : kératoses actiniques (akiec), carcinome basocellulaire (BCC), kératose bénigne (BKL), dermatofibrome (df), nevus mélanocytaires (nv), lésions vasculaires (vasc) et mélanome (mel).

Prétraitement clinique des métadonnées

Les caractéristiques auxiliaires ajoutées à la chaîne de classification comprenaient des métadonnées cliniques, telles que l’âge, le sexe et la localisation de la lésion chez le patient. Il y avait des valeurs manquantes ou inconnues, qui ont été traitées par une approche de prétraitement déterministe. Dans le cas de la variable d’âge (numérique), l’âge médian calculé sur l’ensemble d’entraînement a été utilisé pour imputer les valeurs manquantes. La raison pour laquelle l’imputation médiane a été choisie est qu’elle résiste aux valeurs aberrantes et aux données biaisées, qui sont répandues dans les données cliniques. Pour le sexe et la localisation de la lésion (variables catégorielles), les valeurs manquantes ou non spécifiées n’ont pas été exclues ; Ils étaient classés dans une catégorie spéciale étiquetée « inconnue ». La méthode conserve tous les échantillons disponibles, et le modèle est libre de déterminer si l’absence elle-même est prédictive. L’encodage one-hot a ensuite été appliqué aux variables catégorielles afin de leur permettre d’être compatibles avec les modèles d’apprentissage automatique. Tout le prétraitement, tel que l’imputation, l’encodage, etc., n’était effectué que sur l’ensemble d’entraînement, et les mêmes transformations étaient effectuées sur les ensembles de validation et d’expérimentation pour éviter la perte de données. Aucun échantillon n’a été exclu simplement en raison de l’absence de métadonnées cliniques, ce qui a permis d’utiliser au maximum les données et d’assurer une cohérence méthodologique.

Figure 1 : Système multimodal pour la classification des lésions cutanées. L’approche de l’étude combine des caractéristiques d’images dermoscopiques avec des métadonnées des patients pour classer les lésions cutanées à l’aide de modèles d’apprentissage profond d’ensemble. Le cadre comprend le prétraitement, l’extraction de caractéristiques, la fusion multimodale et la classification, permettant une performance diagnostique améliorée et une meilleure interprétabilité. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Le flux de travail illustre la chaîne de classification suggérée, basée sur des images dermoscopiques et des métadonnées cliniques du jeu de données HAM10000 lésions cutanées. EfficientNet-B4, DenseNet201 et MobileNetV2 sont utilisés pour prétraiter et extraire les caractéristiques profondes dans les images. Les métadonnées cliniques sont codées, et la fusion des caractéristiques est utilisée pour combiner les caractéristiques de l’image avec les métadonnées cliniques. Pour résoudre le problème du déséquilibre de classes, la technique d’équilibrage des classes est utilisée dans l’espace multimodal fusionné des caractéristiques plutôt que dans les images brutes ou les flux de caractéristiques individuels, où les échantillons synthétiques maintiennent la combinaison des caractéristiques visuelles et cliniques et ne produisent pas d’échantillons irréalistes. Les fonctionnalités fusionnées sont ensuite entraînées sur des classificateurs tels que XGBoost, LightGBM et un classificateur neuronal profond.

Figure 2 : Exemples d’images dermoscopiques provenant de sept groupes diagnostiques différents issus du jeu de données HAM10000. Les images montrent des caractéristiques visuelles typiques utilisées pour la classification automatisée. (A) Kératoses actiniques (akiec), présentant des surfaces rugueuses avec une pigmentation irrégulière. (B) carcinome basocellulaire (BCC), avec formes et vaisseaux sanguins irréguliers. (C) Lésions bénignes de type kératose (bkl), présentant des caractéristiques kératotiques avec des surfaces brun clair. (D) Dermatofibrome (df), avec une apparence centrale de cicatrice et une pigmentation. (E) Nevus mélanocytaires (nv), grains de beauté bénins et relativement symétriques. (F) Lésions vasculaires (vasc), présentant une apparence rougeâtre-pourpre due aux vaisseaux sanguins. (G) Mélanome (mel), qui se présente sous forme irrégulière, asymétrique et multipigmentée. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Ces images dermoscopiques révèlent l’hétérogénéité visuelle des lésions cutanées, qui présentent des variations de pigmentation, de texture et de morphologie de la structure. Ces variations posent un grand défi aux systèmes de classification automatisés et soulignent l’importance des systèmes basés sur l’apprentissage profond. Techniques d’extraction de caractéristiques sensibles à la révélation de schémas diagnostiques subtils. Suite à la description du jeu de données, la Figure 2 illustre les sept catégories de lésions cutanées incluses dans le jeu de données HAM10000, couramment étudiées dans la recherche en imagerie diagnostique dermatologique. Ces classes incluent les kératoses actiniques (akiec), le carcinome basocellulaire (bcc), la kératose bénigne (bkl), le dermatofibrome (df), les névus mélanocytaires (nv), les lésions vasculaires (vasc) et le mélanome (mel⁾²¹. Tous ces types de lésions présentent des caractéristiques visuelles uniques, comme le montre la Figure 3, qui incluent des variations dans les motifs de pigmentation, la texture de la surface, la distribution des couleurs et les anomalies le long des bordures de la lésion. Les caractéristiques visuelles de toutes ces lésions sont différentes, et elles se caractérisent par des variations dans les motifs de pigmentation, la texture de surface, la distribution des couleurs et des anomalies sur les bords des lésions. Ce sont des caractéristiques importantes que les dermatologues auraient à l’esprit lors de l’examen clinique, et doivent donc être bien modélisées par des modèles d’apprentissage automatique afin d’obtenir la bonne classification. Bien que ce soient ces caractéristiques différenciantes, beaucoup de ces lésions semblent pratiquement identiques, ce qui rend difficile la différenciation lorsqu’on regarde uniquement des images dermoscopiques. La distinction entre certains types de lésions est généralement très subtile mais cliniquement pertinente, ce qui rend la classification automatique difficile. C’est pourquoi il est urgent de créer des modèles d’IA puissants capables de s’entraîner à apprendre des images visuelles fine et des différences subtiles dans les lésions entre les classes de lésions. Ces propriétés seront non seulement renforcées par une description appropriée, ce qui améliorera les compétences discriminatives du modèle avec différents types de lésions, mais aidera aussi à diagnostiquer plus tôt certaines affections périlleuses, comme le mélanome. Enfin, il peut améliorer la précision diagnostique, informer les cliniciens dans la prise de décisions qui aboutissent à de meilleurs résultats pour les patients, et aider à prendre de meilleures décisions.

Figure 3 : Répartition par classe des lésions cutanées dans le jeu de données HAM10000. La figure montre la répartition des sept catégories de lésions considérées dans cette étude : kératoses actiniques (akiec), carcinome basocellulaire (bcc), lésions bénignes de type kératose (bkl), dermatofibrome (df), névus mélanocytaires (nv), lésions vasculaires (vasc) et mélanome (mel). Ce graphique illustre le déséquilibre de classe des classes de lésions. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

L’analyse de l’ensemble de données montre qu’il existe un déséquilibre dans les classes des différents types de lésions. Le type le plus courant de Nevi mélanocytaires (nv), avec environ 6 705 échantillons, est le plus fréquent, suivi par le mélanome (1 113) et la kératose bénigne (1 099). Au contraire, certaines formes de lésions d’importance clinique sont significativement moins représentées, telles que le dermatofibrome (115) et les lésions vasculaires (142). Cette disproportion représente une menace pour les modèles d’apprentissage automatique car ils peuvent avoir tendance à être biaisés en faveur des classes majoritaires et sont incapables de détecter des lésions inhabituelles mais cliniquement significatives. Pour traiter ce problème et améliorer l’entraînement du modèle sur les performances du modèle par rapport à toutes les classes, un prétraitement avancé est nécessaire. Des stratégies sont nécessaires. Cela inclut des techniques telles que l’augmentation ciblée des données et l’équilibrage des classes. Les données peuvent être équilibrées grâce à la technique (technique d’équilibrage des classes et ajustement du poids des classes) qui encouragent le modèle à découvrir des tendances substantielles dans les classes sous-représentées. Les hyperparamètres utilisés pour XGBoost et LightGBM étaient principalement réglés selon leurs configurations par défaut, avec des ajustements mineurs basés sur des expériences préliminaires. Pour le classificateur neuronal profond, des paramètres architecturaux et d’entraînement tels que le nombre de couches, de neurones, le taux d’apprentissage, la taille du lot et le nombre d’époques ont été sélectionnés empiriquement à l’aide de données de validation. L’ensemble complet des hyperparamètres est fourni dans le tableau 3. En général, le nombre d’images dermoscopiques utilisées dans la présente étude est de 10 015 au total. Cela a pour avantage de fournir une vaste collection de données à entraîner et à tester, et c’est aussi un critère fastidieux mais gratifiant. Évaluez l’efficacité du système de classification des lésions cutanées proposé.

Prétraitement des données

Le pipeline de prétraitement prépare le jeu de données HAM10000 pour l’apprentissage multimodal en standardisant les images, en extrayant des caractéristiques profondes, en intégrant des métadonnées cliniques et en corrigeant le déséquilibre de classe.

Standardisation de l’image : Toutes les images dermoscopiques ont été redimensionnées à 224 × 224 pixels et normalisées par normalisation par score z.

(1)

Là où je représente l’image brute, μ désigne la moyenne pixel par pixel, et σ est l’écart-type.

Extraction profonde de caractéristiques : Des caractéristiques profondes complémentaires ont été extraites à l’aide de trois réseaux neuronaux convolutionnels pré-entraînés : Efficient-Net B4, DenseNet201, ainsi que MobileNetV2. Chaque réseau mappe l’image normalisée sur un vecteur de caractéristiques.

(2)

Les caractéristiques extraites ont été concaténées pour former une représentation unifiée :

_{F fusion} = F_EffB4 ||F_dense ||F_MobV2 (3)

(où || signifie concaténation)

Intégration des métadonnées cliniques : Les attributs cliniques, y compris l’âge, le sexe ainsi que la localisation des lésions, ont été propres, encodés et normalisés à l’aide d’un ajustement min-max :

(4)

Le vecteur de métadonnées traité M_clinical a été fusionné avec des caractéristiques d’image pour construire l’entrée multimodale finale :

F_combiné=_{F fusionM clinique} (5)

Répartition des ensembles de données : Une division stratifiée a été appliquée pour préserver la répartition des classes

D_train,_{D test}=Split (_{F comité}, 0.8) (6)

Gestion du déséquilibre de classe : L’ensemble de données HAM10000 présente un déséquilibre sévère des classes, où les échantillons « nevus » (NV) prédominent et sont sous-représentés dans d’autres groupes minoritaires, comme DF avec VASC. Pour réduire ce problème, la « technique de suréchantillonnage des minorités synthétiques » (technique d’équilibrage des classes) a été employée. Utilisant : De nouveaux échantillons synthétiques ont été produits comme suit :

x_nouveau=_{x i} + λ(x_zi -_{x i}) (7)

Où x_i est un échantillon de classe minoritaire, x_zi est l’un de ses plus proches voisins, et λ est une valeur aléatoire échantillonnée à partir d’une distribution uniforme entre 0 et 1. L’échantillon synthétique, comme montré à la Figure 4, est généré le long du segment de droite reliant x sub i.et xent rejoignant x_i et_{x zi}.

Figure 4 : Distribution des classes dans le jeu de données HAM10000 avant/après l’application de la technique d’équilibrage des classes. (A) Avant l’équilibrage des classes, avec un déséquilibre entre les classes de lésions. (B) Après l’équilibrage des classes dans l’espace combiné des caractéristiques, où la représentation de toutes les classes est égale pour éviter les biais dans le processus d’entraînement des classificateurs. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Pour résoudre le problème du déséquilibre de classes dans le jeu de données HAM10000, la technique de suréchantillonnage des minorités synthétiques (technique d’équilibrage des classes) est appliquée. La technique d’équilibrage des classes génère des échantillons synthétiques pour les classes minoritaires en interpolant entre les points de données existants, ce qui aide à augmenter la représentation des catégories de lésions sous-représentées. Le résultat final de la production de plus d’exemples de ces classes minoritaires est un ensemble de données globalement plus équilibré, par rapport aux sept types de lésions. Cette représentation équilibrée permettra aux modèles de classification d’apprendre mieux avec chaque classe et de minimiser le biais avec les classes majoritaires. Par conséquent, le modèle est plus clair dans sa classification et plus sensible, notamment aux lésions cutanées rares mais cliniquement importantes.

Cadre d’apprentissage préservant la vie privée

Le système proposé propose un système multimodal de classification automatisée des lésions sur la peau, respectueux de la vie privée et interprétable. L’objectif ultime du système est d’améliorer la performance diagnostique tout en protégeant les informations sensibles des patients tout au long du processus de formation. La vie privée des patients est un besoin essentiel dans la pratique médicale car les lois sur la protection des données de santé et les considérations éthiques sont très importantes dans les milieux de santé. Ainsi, le modèle proposé inclura un modèle d’apprentissage décentralisé basé sur les idées de l’apprentissage fédéré. Dans cet environnement décentralisé, l’entraînement par modèle est réalisé sur un groupe de clients distribués au lieu d’agréger toutes les données des patients dans un emplacement centralisé. Tous les clients participants entraînent localement le modèle sur leurs propres données, et les données brutes des patients ne quittent pas l’environnement local. Au lieu de déplacer des dossiers médicaux sensibles, des mises à jour ou paramètres de modèle sont envoyés à un serveur central pour être agrégés. Cette approche coopérative de l’apprentissage permet aux différentes institutions ou sources de données de contribuer à l’entraînement des modèles sans compromettre la confidentialité des données.

Soit w_t^(k) les paramètres du modèle du k-ième client à la t-ième itération, et n_k soit la taille de l’échantillon à ce client. La mise à jour du modèle global est calculée comme suit :

(8)

Cette stratégie d’agrégation garantit que les clients disposant de jeux de données plus importants contribuent proportionnellement davantage au modèle mondial tout en permettant aux plus petits clients de participer au processus d’apprentissage. En permettant une formation collaborative sans échanger de données brutes des patients, le cadre proposé maintient la confidentialité tout en bénéficiant de la répartition des connaissances entre les ensembles de données.

Installation expérimentale fédérée

Un système d’apprentissage fédéré simulé avec le jeu de données HAM10000 a été conçu pour confirmer l’efficacité du cadre de confidentialité proposé. Les données ont été divisées en trois clients pour simuler un environnement multi-institutionnel réel avec des données non identiquement réparties (non-IID). Chaque client présente un mélange variable de classes de lésions, ce qui représente une variation dans le monde entre les centres cliniques. Le pipeline d’extraction de fonctionnalités multimodal identique (EfficientNet-B4, DenseNet201, MobileNet V2 et métadonnées cliniques) était exécuté localement sur chaque client. Lors de leur entraînement, les clients mettaient eux-mêmes à jour leurs modèles locaux, et les paramètres appris n’étaient échangés qu’avec le serveur central pour être agrégés par l’algorithme FedAvg. Le compromis entre la précision prédictive et la confidentialité a été comparé entre le modèle fédéré et l’approche d’entraînement centralisée pour mesurer la performance de chacun. Les résultats des tests indiqués à la Figure 5 montrent que le modèle fédéré peut fonctionner de manière compétitive, avec seulement une légère diminution de la précision par rapport à l’apprentissage centralisé, et une vie privée des données nettement améliorée.

Figure 5 : Distribution client par client de l’ensemble de données HAM10000. Cela montre l’allocation des données sur les lésions cutanées entre les clients, démontrant la diversité de la distribution des données. Cela démontre l’hétérogénéité des données entre les clients, un aspect crucial de l’apprentissage fédéré. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Les distributions hétérogènes (non-IID) des clients formés en HAM10000 ont été divisées en trois groupes pour modéliser des conditions cliniques réelles. La répartition des différentes catégories de lésions au sein de chaque client est différente, en particulier la classe des nevus (nv), qui n’est pas répartie de manière égale entre les patients. Cette organisation illustre les difficultés réelles de l’apprentissage fédéré, où les données dans les établissements ne sont pas réparties de manière égale.

Comparaison de performances : apprentissage centralisé vs fédéré

Pour évaluer l’efficacité du cadre d’apprentissage fédéré proposé, une analyse comparative a été réalisée entre les stratégies de formation centralisées et fédérées à l’aide du jeu de données HAM10000, comme le montre la Figure 6. Dans le cadre centralisé, tous les échantillons de données étaient agrégés dans un seul pool d’entraînement. Le modèle centralisé le mieux performant, l’ensemble empilé, a atteint une précision globale de 96 %. En revanche, le cadre fédéré a distribué l’ensemble de données entre trois clients avec des données non identiquement distribuées (non-IID), chaque client entraînant localement le modèle et partageant uniquement les paramètres du modèle via FedAvg. Le modèle fédéré a atteint une précision globale d’environ 94 %, correspondant à une différence de performance de 2 % par rapport à l’approche centralisée, comme illustré dans le tableau 4. Cette diminution marginale est attendue en raison d’une optimisation décentralisée et d’une distribution hétérogène des données entre les clients.

Même si ce petit changement s’est produit, le modèle fédéré a tout de même bien réussi à prévoir. Dans la formation centralisée, le comportement par classe montre que la majorité des classes, comme le nevus (nv) (score F1 = 1,00), restent stables, tandis que les classes minoritaires, comme le dermatofibrome (df) (score F1 ≈ 0,65–0,66), sont plus sensibles au déséquilibre de distribution, ce qui pourrait affecter encore davantage la performance fédérée. Notamment, la structure fédérée minimise les risques d’exposer des informations sensibles des patients puisqu’elle n’exige pas le partage de données médicales brutes entre les clients.

Figure 6 : Comparaison entre apprentissage fédéré et apprentissage centralisé. Cette figure compare les paradigmes d’apprentissage à l’aide de métriques de performance telles que la précision, la précision, la mémoire et le score F1. Cela démontre la capacité de l’apprentissage fédéré à atteindre des performances comparables à celles de l’approche traditionnelle tout en préservant la vie privée. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Les résultats du Tableau 4 indiquent que le modèle d’apprentissage fédéré est capable d’être compétitif, et que la baisse de précision n’est que d’environ 2 % par rapport au modèle centralisé. Cette légère réduction peut s’expliquer par l’optimisation décentralisée et la distribution des données non-IID. Cependant, le modèle fédéré présente un avantage considérable en matière de protection de la vie privée, car les informations sensibles des patients ne sont pas partagées entre les clients. Pour fournir une comparaison équitable entre le modèle fédéré et le modèle d’ensemble empilé centralisé, le modèle fédéré a été testé avec la même architecture et les mêmes hyperparamètres. L’aspect de la préservation de la vie privée abordé dans cette étude est conceptuel et vise à mettre en avant l’intégration potentielle de techniques telles que l’apprentissage fédéré dans les travaux futurs. Aucune validation expérimentale des mécanismes de préservation de la vie privée n’est réalisée dans la mise en œuvre actuelle.

Fusion multimodale des caractéristiques

Le diagnostic des lésions cutanées inclut généralement l’observation cutanée et l’historique clinique. Dans la plupart des cas, les dermatologues ne considèrent pas seulement les images dermoscopiques en les plaçant en relation avec les informations du patient (âge, sexe et localisation de la lésion) afin de porter leurs jugements diagnostiques. Le système proposé s’inspire de ce flux de travail clinique et intègre une approche multimodale de l’apprentissage combinant des données basées sur l’image et cliniques. Les CNN sont entraînés sur des caractéristiques profondes d’image dermoscopique préexistantes. Ces réseaux reconnaissent des designs visuels complexes, incluant les changements de couleur, les formes de lésions, les anomalies structurelles et les caractéristiques de textures. Cependant, les caractéristiques des images peuvent ne pas suffire à refléter la situation clinique d’une lésion. Les métadonnées cliniques liées à chaque image sont donc également incluses dans l’apprentissage. Un module de fusion des caractéristiques sera créé pour intégrer les caractéristiques d’images profondes avec les attributs cliniques traités et les informations démographiques. Cette représentation composite constitue une représentation multimodale intégrée des caractéristiques qui comprend à la fois des informations visuelles et contextuelles de chaque lésion. Le modèle peut intégrer plusieurs sources de données pour obtenir des motifs complémentaires qui améliorent la capacité globale de classification. La représentation multimodale permet au système de mieux différencier les lésions visuellement similaires ainsi que de prendre en compte les indicateurs cliniques. Ce modèle est plus cliniquement significatif et efficace car il s’approche davantage de la manière dont les dermatologues étudient les lésions en pratique.

Apprentissage en ensemble empilé
Le cadre proposé utilise une stratégie d’apprentissage en ensemble empilé pour améliorer encore la capacité prédictive du système. L’apprentissage en ensemble est une méthode composite de prédiction qui utilise deux modèles prédictifs ou plus pour améliorer la généralisation et minimiser les erreurs de prédiction pouvant survenir avec des modèles uniques. Plusieurs apprenants de base sont formés indépendamment sur la représentation multimodale des caractéristiques plutôt que d’utiliser un seul classificateur. Tous les apprenants de base fournissent une estimation de la probabilité qu’un échantillon particulier appartienne à une classe de lésion particulière. Ces prédictions de probabilité sont ensuite agrégées au niveau méta. Un poids est attribué à chaque apprenant de base pour montrer son importance relative par rapport à la prédiction finale. Une fonction d’activation softmax est utilisée pour calculer la sortie agrégée afin de générer des probabilités de classe normalisées. La méthode de l’ensemble empilé présente de nombreux avantages. Premièrement, elle minimise la variance de prédiction due à la combinaison de différents modèles et améliore ainsi la performance de la généralisation. Deuxièmement, cela renforce la force puisque divers modèles décrivent différentes tendances dans les données. Troisièmement, l’apprentissage par ensemble améliore la classification des classes de lésions minoritaires, en particulier dans les données médicales, où certaines conditions d’intérêt clinique sont moins fréquentes.

Intégration explicable de l’intelligence artificielle

Les systèmes d’IA médicale doivent également offrir des explications claires de leurs choix, même si une grande précision de prédiction est essentielle. Pour accorder confiance aux systèmes d’IA et être efficaces dans leur pratique, les cliniciens doivent être capables de comprendre comment un modèle s’adapte au diagnostic qu’il produit. Pour répondre à ce besoin, le cadre proposé intègre des méthodes d’intelligence artificielle explicable (XAI), comme illustré à la Figure 7.

Figure 7 : Matrices de confusion de différents modèles de classification pour la classification multi-classes de lésions cutanées. (A) XGBoost, (B) LightGBM, (C) Classification Neuronale Profonde, et (D) modèle d’ensemble empilé. Chaque matrice de confusion montre la relation entre la vraie classe (lignes) et la classe prédite (colonnes) pour les sept types de lésions cutanées : akiec, bcc, bkl, df, mel, nv et vasc. Les modèles XGBoost et LightGBM fonctionnent bien pour les classes nv et bkl, bien qu’il y ait une certaine confusion entre mel et nv. Le Classificateur Neural Profond améliore la classification de bkl et df et diminue la confusion hors diagonale. Le modèle de l’ensemble empilé montre la plus grande cohérence de classification, la diagonale devenant de plus en plus dominante. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Le système comprend deux approches populaires d’explicabilité (la technique d’interprétabilité du modèle (SHapley Additive Explanations) et la technique d’interprétabilité du modèle (Local Interpretable Model-agnostic Explanations)) afin de donner un aperçu de ce que le modèle prédit. La méthode d’interprétabilité du modèle explique les caractéristiques au niveau des caractéristiques en mesurant dans quelle mesure chaque caractéristique d’entrée a contribué à la prédiction globale. Elle aide à déterminer quelles variables cliniques ou qualités visuelles ont le plus d’impact sur le résultat de la classification. Cela permet aux chercheurs et aux cliniciens d’observer le comportement global du modèle à travers l’ensemble de données. La technique d’interprétabilité des modèles, en revanche, traite des explications locales des prédictions individuelles. Il met en avant les zones de l’image dermoscopique qui ont le plus d’impact sur la décision du modèle. Ces explications visuelles au niveau des pixel permettent aux cliniciens d’inspecter visuellement les zones de la lésion qui ont servi à la classification. Le cadre proposé offre une interprétabilité globale et locale ; elle est réalisée en intégrant la technique d’interprétabilité du modèle. Le mécanisme à double explication améliore la transparence et permet aux cliniciens d’évaluer si le modèle cible des schémas médicalement significatifs.

Potentiel de soutien à la décision clinique

L’apprentissage préservant la confidentialité, la fusion multimodale des caractéristiques, la modélisation d’ensembles et l’IA explicable sont des éléments clés d’un système intégré et robuste pour la classification automatique des lésions cutanées. Idéalement, le système devrait non seulement avoir un fort pouvoir pronostique, mais aussi être transparent et sécurisé, deux facteurs clés dans les systèmes médicaux, comme le montre la Figure 8.

Figure 8 : Courbes de caractéristiques de fonctionnement du récepteur (ROC) pour le modèle d’ensemble empilé. (A–C) Cela montre les courbes ROC pour les sept types de lésions cutanées, avec un taux de vrai positif (sensibilité) et un taux de faux positifs (1-spécificité). L’aire sous la courbe (AUC) représente la performance du modèle d’ensemble empilé dans la distinction entre les classes. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Ce système fournit des prédictions explicables et une protection de la vie privée. En conséquence, c’est un système bénéfique pour d’autres systèmes de diagnostic dermatologique. Ce système permet aux professionnels de santé/dermatologues d’évaluer la suspicion des lésions et d’améliorer la précision diagnostique, et par conséquent, d’aider les praticiens/dermatologues à diagnostiquer les patients à un stade précoce lorsqu’ils peuvent avoir une maladie plus grave (par exemple, un mélanome). En somme, comme le montre la Figure 9, ce système vise à mettre en pratique les technologies d’utilisation de systèmes d’intelligence artificielle (IA) de haute technologie et la mise en œuvre d’applications concrètes, afin d’aider les dermatologues à diagnostiquer les patients avec plus de précision et de plus de confiance, tout en garantissant la confidentialité et la sécurité des patients ainsi que leur confort.

Figure 9 : Résultats d’explicabilité utilisant des techniques d’interprétation du modèle pour la classification multi-classes des lésions cutanées. (A) Graphique SHAP montrant les contributions des caractéristiques influençant les prédictions des lésions bénignes et malignes. (B) Explication LIME de la prédiction du CCB, illustrant les caractéristiques contribuant positivement et négativement au résultat de classification. (C) Explication LIME de la prédiction d’akiec, mettant en lumière les caractéristiques les plus influentes impliquées dans le processus décisionnel du modèle. Ces visualisations d’interprétabilité démontrent les régions et les caractéristiques extraites qui influencent significativement les prédictions du modèle, améliorant la transparence et la compréhension du processus de classification dans l’évaluation des lésions cutanées. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Stratégie d’évaluation

Pour éviter le biais d’échantillonnage et maintenir la distribution de classes initiale sur toutes les catégories de lésions cutanées, le jeu de données a été divisé en une répartition 80:20 train–test. Le sous-ensemble d’entraînement a ensuite été divisé dans le ratio 90:10 train : valider, ajuster les hyperparamètres et optimiser le modèle. Le jeu de test n’a jamais été utilisé lors du processus d’entraînement à aucune étape et n’a été appliqué qu’à la fin du processus comme test final pour éviter la fuite de données et garantir une évaluation impartiale des performances. Tous les modèles étaient pré-traités et entraînés dans des conditions égales, les données étaient partitionnées et augmentées de la même manière, et les protocoles d’évaluation étaient appliqués et suivis de la même manière, ce qui permettait des comparaisons équitables et reproductibles. Les modèles ont été soigneusement évalués en fonction de la précision, de la précision, du rappel, du score F1 et de l’AUC, avec une analyse détaillée des résultats par classe afin de déterminer leur robustesse tant pour les classes majeures que minoritaires de lésions. Cet outil de validation standardisé aiderait à accroître la fiabilité, la transparence et la généralisabilité de l’approche proposée, et à surmonter les incohérences potentielles dans le rapport de performance.

Results

Quatre méthodes de classification (XGBoost, LightGBM, un Classificateur Neural Profond et un modèle d’ensemble empilé) ont été évaluées pour la classification multi-classe des lésions cutanées. Les modèles ont atteint des précisions globales de 92 %, 90 %, 94 % et 96 %, démontrant que c

Performance par classe

Une évaluation détaillée par classe, incluant la précision, la rappel et le score F1 pour chaque catégorie d...

Discussion

Le protocole actuel décrit un pipeline reproductible pour créer un cadre multimodal interprétable, sensible à la vie privée afin de classer automatiquement les lésions cutanées. Le protocole suit un schéma systématique d’amélioration des performances diagnostiques grâce à la transparence du modèle, combinant analyse dermoscopique d’images avec des métadonnées cliniques et des méthodes d’apprentissage automatique interprétables. Le jeu de données HAM10000 lésions cutanées est accessible a...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
DenseNet201 CNN Architecture	IBM	https://arxiv.org/abs/1608.06993	Modèle d'apprentissage profond pour la classification d'images
EfficientNet-B4 CNN Architecture	Google	https://arxiv.org/abs/1905.11946	Modèle d'apprentissage profond pour la classification d'images
Google Colaboratory Platform	Google	https://colab.research.google.com	Environnement de calcul basé sur le cloud
HAM10000 Skin Lesion Dataset	Harvard Dataverse	https://doi.org/10.7910/DVN/DBW86T	Ensemble de données d'images dermoscopiques
Keras Deep Learning API	Google	Version 2.x	API de réseau neuronal
LIME Explainability Library	LIME Project	Version 0.x	Technique d'interprétabilité des modèles
MobileNetV2 CNN Architecture	Google	https://arxiv.org/abs/1801.04381	Modèle d'apprentissage profond pour la classification d'images
Matplotlib Visualization Library	Matplotlib Development Team	Version 3.x	Utilisé pour générer des graphiques et la visualisation des performances
NVIDIA GPU	NVIDIA	Série RTX	Matériel de calcul pour l'entraînement de modèles
NumPy Numerical Computing Library	NumPy Developers	Version 1.x	Logiciel d'analyse de données
OpenCV Image Processing Library	OpenCV Foundation	Version 4.x	Bibliothèque de traitement d'images
Pandas Data Analysis Library	Pandas Development Team	Version 1.x	Logiciel d'analyse de données
Python Programming Environment	Python Software Foundation	Version 3.9+	Logiciel d'analyse de données
SHAP Explainability Library	SHAP Project	Version 0.x	Technique d'interprétabilité des modèles
SMOTE Oversampling Technique	imbalanced-learn Project	Version 0.x	Technique d'équilibrage de classe pour gérer les ensembles de données déséquilibrés
Scikit-learn Machine Learning Library	scikit-learn Project	Version 1.x	Bibliothèque d'apprentissage automatique
TensorFlow Deep Learning Framework	Google	Version 2.x	Framework d'apprentissage profond