Détection automatisée du mélanome fondée sur l’analyse cognitive globale du dermatologue et comparaison aux approches neuronales

Abstract

Introduction

Les approches neuronales (CNN) montrent des performances élevées pour la détection automatisée du mélanome à partir d’images dermoscopiques ; cependant l’absence d’explicabilité des erreurs de classification et la présence d’erreurs flagrantes freinent leur utilisation. À l’opposé, les approches classiques (algorithme fondé sur l’extraction manuelle des descripteurs) peuvent s’inspirer des concepts utilisés par les dermatologues lors de l’analyse d’une lésion pigmentée fondée sur l’analyse cognitive globale, tels que le désordre, l’aspect chaotique ou l’asymétrie globale de la lésion. Ces concepts n’ont à notre connaissance pas été intégrés à des systèmes de détection automatisée du mélanome. L’objectif de cette étude était de développer à partir des approches classiques des modèles intégrant ces concepts, de les fusionner puis de les comparer aux approches par CNN.

Matériel et méthodes

Pour ce faire, nous avons utilisé la base de données (BDD) publiques de l’International Skin Imaging Collaboration (ISIC) d’images dermoscopiques de 2019, incluant après standardisation 1 533 mélanomes et 6124 nævus. Nous avons développé trois modèles à partir des approches classiques : un « modèle désordre » fondé sur le classifieur K-Nearest-Neighbors (KNN) grâce au descripteur de l’entropie caractérisant le désordre au sein d’une image, sur plusieurs espaces couleur, le modèle « chaos » grâce à une modélisation par graphes mettant en évidence les contrastes de couleur au sein des lésions et le modèle « asymétrie » fondé sur les symétries centrale et axiale issues de quatre espaces couleur, nous permettant d’entraîner un artificial neural network (ANN). Nous avons également développé un CNN fondé à partir de l’architecture EfficientNet sur la même BDD. Nous avons fusionné tous nos modèles par une méthode de fusion originale « Decision template » qui se réfère aux prédictions de chaque modèle prenant en compte nos 3 algorithmes et nous les avons comparés aux performances des CNN.

Résultats

La fusion « Decision Template » de nos trois modèles fondés sur l’approche cognitive globale a montré d’excellentes performances avec une AUC à 0,95, une sensibilité à 91 % et une spécificité à 88 %. Les performances étaient équivalentes à celles des CNN avec une AUC à 0,914, sensibilité à 85 % et spécificité à 80 %. L’analyse des résultats obtenus montrent que notre approche corrige la majorité des erreurs flagrantes initiales des CNN.

Discussion

Nous avons fait l’hypothèse selon laquelle le diagnostic clinique du mélanome par un dermatologue repose sur la perception par l’expert humain de ces différents concepts originaux qui diffèrent d’une liste de critères telle la règle ABCDE, sur laquelle sont fondées la plupart des publications utilisant les approches classiques pour la détection du mélanome et qui montrent des résultats moins élevés que les nôtres (Sies et al.). De plus, nos algorithmes inspirés de l’intelligence humaine sont reproductibles et limitent les erreurs de classification flagrantes pour un clinicien comme peut le faire parfois un CNN, dissuadant l’utilisateur.

Conclusion

Ce travail souligne les performances diagnostiques d’une approche classique basée sur des concepts d’analyse cognitive globale (« désordre », « chaos » et « asymétrie ») inspirée de l’analyse du dermatologue pour la détection automatisée du mélanome. Il souligne l’intérêt de la collaboration entre dermatologues et chercheurs en intelligence artificielle pour améliorer les performances de ces outils.