Introduction

L'intelligence artificielle est devenue très performante dans l'identification des lésions cutanées, mais sa précision reste inégale selon le type de lésion. Les algorithmes actuels ne permettent pas de garantir une sensibilité minimale de détection pour chaque catégorie de lésion, ce qui conduit à des performances insuffisantes sur certains types de lésions telles que les mélanomes ou les kératoses séborrhéiques. Pour pallier ce problème, nous avons développé une nouvelle stratégie de type un contre tous. Cette approche combine les atouts d’un modèle multiclasse avec la possibilité de fixer une sensibilité cible pour chaque type de lésion. Elle s'inspire des modèles binaires dédiés à la détection de mélanomes.

Matériel et méthodes

Le modèle a été entraîné sur plus de 80 000 images dermoscopiques et évalué sur un jeu test indépendant de 5229 images. Lors de l'analyse d'une image par un modèle d’intelligence artificielle multiclasse, une probabilité est attribuée à chaque type de lésion. Le diagnostic retenu correspond à la lésion dont la probabilité est la plus élevée. Afin de garantir une sensibilité spécifique pour chaque lésion, un ensemble de modèles binaires a été élaboré à partir du modèle multiclasse. Chaque modèle binaire a pour but de différencier une lésion spécifique de toutes les autres, en se basant uniquement sur la probabilité de cette lésion fournie par le modèle multiclasse. Pour garantir une sensibilité spécifique pour chaque lésion, nous avons dérivé du modèle initial un ensemble de classifieurs binaires indépendants. Chaque modèle binaire utilise uniquement la probabilité fournie par le modèle multiclasse pour la lésion qu’il cible, et la compare à un seuil optimisé. Ce seuil, ajusté en fonction de la sensibilité souhaitée, détermine si l’image est classée comme appartenant au type de lésion concerné.

Résultats

Le modèle multiclasse couvrant huit types de lésions atteint une précision globale de 88 %. Avant réajustement, la sensibilité s’élevait à 93 % pour les mélanomes et à 68 % pour les kératoses séborrhéiques. L’ajout des classifieurs “un contre tous” porte ces sensibilités à 95 % et 74 % respectivement, sans altérer la précision globale.

Discussion

Avec cette méthode, une même image peut dépasser les seuils de détection de plusieurs lésions à la fois, ce qui témoigne de l’hésitation du modèle entre plusieurs diagnostics. Cette information est précieuse, car elle révèle des doutes entre plusieurs diagnostics, comme les mélanomes et les kératoses séborrhéiques, qui sont souvent difficiles à trancher pour les modèles classiques. Par ailleurs, l’approche un contre tous se montre également pertinente pour les images comportant simultanément plusieurs lésions de nature différente, comme c’est le cas dans les collisions de lésions.

Conclusion

La méthode proposée offre un meilleur compromis entre sensibilité et précision diagnostique. L’ajustement de seuils spécifiques à chaque lésion permet un contrôle précis de la sensibilité de détection sans dégrader les performances globales du modèle.

E-poster JDP 2025 - PO05_088