Dans une étude récente publiée dans le Medicine in Novel Technology and Devices Journal, les chercheurs ont utilisé un vaste ensemble de données comprenant des images de lésions cutanées de patients atteints de monkeypox (mpox) pour développer un outil de détection basé sur l’apprentissage automatique pour détecter le mpox.
Étude: Détection basée sur l’apprentissage en profondeur du virus monkeypox à l’aide d’images de lésions cutanées. Crédit d’image : sulit.photos/Shutterstock.com
Sommaire
Arrière-plan
Mpox est une maladie zoonotique systémique causée par le virus monkeypox (MPV), qui appartient à la Orthopoxvirus genre de la famille des Poxviridae.
Jusqu’au début de 2022, la maladie était endémique en Afrique occidentale et centrale, mais à la fin de 2022, des cas de monkeypox ont été signalés dans plus d’une centaine de pays en dehors de la région endémique, et cette propagation récente du MPV en Amérique du Nord et en Europe est étant considérée comme une épidémie mondiale.
Outre la fièvre, les maux de tête, les douleurs musculaires et le gonflement des ganglions lymphatiques, la maladie provoque également des éruptions cutanées et des lésions sur les paumes, la plante des pieds, le visage et les muqueuses de la bouche et des régions génitales.
Les éruptions cutanées commencent sur la plante des pieds et les paumes, se propagent aux yeux, aux organes génitaux et à la bouche, et progressent généralement de la forme plate ou maculaire à des lésions fermes et surélevées appelées papules qui finissent par se remplir de pus pour former des pustules.
La méthode standard actuelle de détection du monkeypox utilise des tests de réaction en chaîne par polymérase (PCR), qui peuvent souvent être peu concluants en raison de la courte durée pendant laquelle le virus reste dans le corps et/ou de l’inaccessibilité dans les zones rurales et éloignées.
Cependant, l’intelligence artificielle et les méthodes d’apprentissage automatique fournissent des méthodes de diagnostic des maladies plus rapides et plus accessibles.
À propos de l’étude
La présente étude a développé un modèle basé sur des méthodes d’apprentissage en profondeur pour détecter le mpox à l’aide d’images de lésions cutanées prises sur des caméras de smartphone ordinaires. L’étude visait à utiliser diverses méthodes d’apprentissage en profondeur, notamment AlexNet et GoogLeNet, pour détecter avec précision mpox.
Ils ont également comparé les mesures de performance d’autres modèles d’apprentissage automatique utilisés pour diagnostiquer mpox en termes d’exactitude, de rappel, de précision et de score f1.
L’ensemble de données de formation comprenait 228 images, dont 102 étaient de mpox, et les 126 restantes étaient des lésions de rougeole et de varicelle. Diverses méthodes d’augmentation telles que la traduction, la rotation, le cisaillement, la réflexion, la teinte, le contraste, la luminosité, la saturation et la mise à l’échelle ont été utilisées pour augmenter l’ensemble de données, qui consistait en 1 428 images de lésions mpox et 1 764 photos d’autres lésions.
Les réseaux de neurones profonds ont été formés à l’aide de l’ensemble de données d’images de formation dans Deep Network Designer exécuté sur MATLAB 2022. Des essais pilotes ont été effectués pour plusieurs réseaux de neurones, notamment Places365-GoogleNet, GoogLeNet, AlexNet, SqueezeNet, Vision Transformer et ResNet-18.
Résultats
Les résultats ont indiqué que de tous les réseaux de neurones testés, les résultats de ResNet-18 avaient la précision la plus élevée (99,49%).
Les chercheurs pensent que ResNet-18 a fonctionné avec une meilleure précision que Places365-GoogleNet, Squeezenet et GoogLeNet en raison de son architecture efficace et simple, qui lui a permis d’apprendre les fonctionnalités complexes de la méthode de détection sans de nombreuses entrées. ResNet-18 a également moins de couches convolutives que les autres réseaux de neurones et demande moins de mémoire informatique.
Le modèle Vision Transformer a été utilisé comme alternative aux modèles de réseau neuronal conventionnels, et il s’est avéré qu’il fonctionnait mal par rapport aux modèles de réseau neuronal lors de l’utilisation d’hyperparamètres de formation et de validation similaires.
Cette différence de performances pourrait être due à des modèles de transformation de la vision nécessitant un grand ensemble de données d’entraînement grâce à leurs nombreux paramètres.
Les méthodes d’apprentissage en profondeur en médecine offrent des options de test plus rapides et plus précises. Ils peuvent filtrer efficacement de grandes quantités de données patient sans compromettre la précision et le temps.
De plus, l’efficacité des ressources et le manque d’équipements lourds ou coûteux en font une méthode de détection mpox idéale dans divers établissements de santé et cliniques de diverses régions.
conclusion
Pour résumer, les chercheurs ont utilisé un vaste ensemble de données de lésions de mpox et de lésions de la rougeole et de la varicelle pour former divers réseaux de neurones afin de détecter les cas de mpox à partir d’images prises sur des caméras de smartphone facilement accessibles.
Dans l’ensemble, les résultats ont indiqué que le modèle de réseau neuronal ResNet-18 était le plus performant, avec une précision de 99,49 %.
De plus, avec d’autres techniques, telles que les explications indépendantes du modèle interprétable localement (LIME), les professionnels de la santé peuvent potentiellement utiliser cette méthode pour détecter mpox et interpréter visuellement les prédictions en fonction des résultats du modèle de réseau neuronal.
