Avec Une Précision Dépassant De Loin Celle Des Dermatologues Juniors, L'hôpital International De L'université De Pékin Et D'autres Ont Développé Un Algorithme D'apprentissage Profond Pour Détecter Et Classer Les Lésions D'acné

L'acné, également connue sous le nom de boutons, est une maladie inflammatoire chronique courante de la peau qui touche plus de 801 TP3T d'adolescents et 9,4 % de personnes de tous âges dans le monde. Une évaluation précise de la gravité de l’acné est essentielle tant pour le traitement clinique que pour la gestion ultérieure.Cependant, la classification traditionnelle de l’acné repose sur l’observation et l’expérience clinique des dermatologues, et les erreurs sont inévitables.

Ces dernières années, avec l’expansion continue de l’intelligence artificielle dans le domaine médical, les méthodes d’analyse d’images d’acné basées sur l’intelligence artificielle ont progressivement attiré l’attention.  Bien que certaines méthodes d’intelligence artificielle aient été développées pour automatiser la classification de la gravité de l’acné, la diversité des sources d’acquisition d’images d’acné et les différents scénarios d’application affecteront leurs performances.

Dans ce contexte, Han Gangwen, médecin-chef du département de dermatologie de l'hôpital international de l'université de Pékin, et son équipe ont développé un algorithme d'apprentissage profond appelé AcneDGNet, qui peut détecter avec précision les lésions d'acné et juger de leur gravité dans différents scénarios de soins de santé. Le résultat a été publié dans Scientific Reports, une filiale de Nature, sous le titre « Évaluation d'un modèle de détection et de classification de la gravité des lésions d'acné pour la population chinoise dans des scénarios de soins de santé en ligne et hors ligne ».

Les évaluations prospectives ont montré queL’algorithme d’apprentissage profond d’AcneDGNet est non seulement plus précis que celui des dermatologues juniors, mais est également comparable à celui des dermatologues seniors en termes de précision.  Il peut détecter avec précision les lésions d'acné et déterminer leur gravité dans différents scénarios de soins de santé, aidant efficacement les dermatologues et les patients à diagnostiquer et à gérer l'acné dans les consultations en ligne et les scénarios de traitement médical hors ligne.

Points saillants de la recherche

* Conception de modèle innovante : l'intégration du transformateur visuel et du réseau neuronal convolutif peut obtenir des tables de caractéristiques hiérarchiques plus efficaces, rendant la classification plus précise. * Ensemble de données d'évaluation diversifié : 2 157 images faciales ont été collectées, couvrant à la fois des ensembles de données publics et auto-construits. Les dispositifs d’acquisition d’images sont diversifiés, les données sont plus complètes et la formation et l’évaluation des modèles sont plus représentatives. * Évaluation complète dans plusieurs scénarios : évaluez de manière exhaustive les performances du modèle dans les scénarios de consultation en ligne et de traitement médical hors ligne. Une combinaison de données rétrospectives et prospectives a été évaluée à l’aide d’ensembles de données de nature variée. * Les données expérimentales sont hautement référencées : les données proviennent toutes de la population chinoise, et l'échelle AGS adaptée à l'ensemble de données chinoises est sélectionnée comme norme de notation, ce qui est plus conforme à la réalité clinique de la Chine et fournit un soutien solide au diagnostic et à la recherche sur l'acné au niveau national.

* Haute précision et valeur clinique : les résultats expérimentaux montrent que la précision de classification des scénarios en ligne atteint 89,5%, et celle des scénarios hors ligne atteint 89,8%, avec de petites erreurs de comptage. Le modèle était plus précis dans l’évaluation de l’acné que les dermatologues primaires.

Adresse du document :

https://www.nature.com/articles/s41598-024-84670-z

Le projet open source « awesome-ai4s » rassemble plus de 200 interprétations d'articles AI4S et fournit des ensembles de données et des outils massifs :
https://github.com/hyperai/awesome-ai4s

Ensemble de données : Formation et test de modèles assistés multivariés

Les chercheurs ont collecté deux ensembles de données publics, ACNE04 et AcneSCU, et trois ensembles de données auto-construits, AcnePA1 (données sur l'acné de Ping An Good Doctor), AcnePA2 et AcnePKUIH (données sur l'acné de l'hôpital international de l'université de Pékin). Toutes les images d'ACNE04, AcneSCU et AcnePA1 sont divisées aléatoirement en ensembles de données d'entraînement et en ensembles de données de test, tandis que les images d'AcnePA2 et AcnePKUIH sont uniquement utilisées comme ensembles de données de test.

Ensemble de données de formation :Contient 586 images d'ACNE04, capturées par un appareil photo numérique ; 220 images d'AcneSCU, collectées par le système VISIA (système d'imagerie numérique pour la détection de la peau) ; 791 images d'AcnePA1, capturées par des smartphones.

Ensemble de données de test :Cinq ensembles de données ont été sélectionnés pour deux scénarios d’application différents : consultation en ligne et traitement médical hors ligne. Les données de test du scénario de consultation en ligne comprennent 118 images d'AcnePA1 et 148 images d'AcnePA2, toutes prises par des smartphones. Les données de test de la scène médicale hospitalière comprennent 147 images d'ACNE04 prises par un appareil photo numérique, 56 images d'AcneSCU collectées par le système VISIA et 91 images d'AcnePKUIH prises par un appareil photo. Comme indiqué ci-dessous.

Architecture du modèle : Combinaison de Visual Transformer et de CNN

Selon les données de l'étude « Global Burden of Disease Study (GBD) 2021 », il y a 231 millions de patients souffrant d'acné parmi les personnes âgées de 10 à 24 ans dans le monde, soit près de 300 millions de personnes, soit 1/4 de la tranche d'âge ! Dans le diagnostic traditionnel de l’acné, les médecins jugent principalement la gravité de l’acné par une évaluation visuelle.Cependant, cette méthode repose largement sur l’expérience personnelle du médecin et comporte de nombreuses erreurs. De plus, dans les régions où les ressources médicales sont rares, il est difficile pour les gens d’obtenir un diagnostic et un traitement auprès de dermatologues professionnels.

L'AcneDGNet de cette étude est basé sur un algorithme d'apprentissage profond innovant qui combine intelligemment le Visual Transformer (ViT) et le réseau neuronal convolutif.

*Visual Transformer présente un avantage unique dans l’extraction de caractéristiques et peut capturer une gamme plus large de relations entre caractéristiques dans les images.
* Les réseaux neuronaux convolutifs sont efficaces pour traiter les caractéristiques locales et peuvent identifier avec précision diverses lésions d’acné.

Le transformateur visuel est utilisé pour extraire des caractéristiques d'images d'acné collectées à partir de différentes sources et générer de puissantes fonctionnalités globales. alors,Des réseaux neuronaux convolutifs ont été utilisés pour détecter quatre types de lésions d'acné, à savoir les comédons, les papules, les pustules et les nodules/kystes, conformément aux directives du système de classification de l'acné (AGS).Enfin, la gravité de l’acné est déterminée en fusionnant les caractéristiques globales et les caractéristiques locales liées aux lésions.

Le modèle AcneDGNet mentionné dans cette étude se compose de trois modules principaux : un module d’extraction de caractéristiques, un module de détection de lésions et un module de classification de la gravité.Le module d'extraction de fonctionnalités adopte l'architecture visuelle Transformer pour générer une représentation globale des fonctionnalités plus forte ; le module de détection des lésions utilise un réseau neuronal convolutif (CNN) pour détecter 4 types de lésions d'acné ; et le module de classement de la gravité détermine la gravité de l'acné en fusionnant les représentations de caractéristiques globales et locales tenant compte des lésions.

Le framework AcneDGNet est présenté ci-dessous. Tout d’abord, l’image du visage est entrée dans le module d’extraction de caractéristiques.Ce module comprend l'architecture Swin Transformer et l'architecture pyramidale des fonctionnalités.Ensuite, la carte de caractéristiques multi-échelles générée par le module d'extraction de caractéristiques est respectivement entrée dans le module de détection des lésions et dans le module de degré de gravité.

Dans le module de détection de lésion, la carte des caractéristiques de la région candidate à l'acné est obtenue via l'architecture du réseau de proposition de région pour prédire l'emplacement et la catégorie de chaque lésion d'acné dans l'image. Dans le module d'évaluation de la gravité,Les cartes de caractéristiques multi-échelles sont redimensionnées et combinées avec les cartes de caractéristiques régionales sensibles aux lésions du module de détection des lésions pour prédire le degré de gravité des images d'acné.

Évaluation du modèle dans les scénarios de consultation en ligne et de traitement médical hors ligne

Afin de vérifier de manière plus complète l'efficacité du modèle AcneDGNet, les chercheurs ont conçu deux scénarios d'application :Il comprend des scénarios de consultation en ligne utilisant des smartphones pour prendre des images faciales et des scénarios de consultation médicale hors ligne utilisant des appareils photo numériques, des systèmes VISIA et d'autres équipements professionnels pour prendre des photos.Sélectionnez différents ensembles de données pour l’évaluation correspondante et adoptez différentes méthodes d’évaluation.

1. Haute précision dans les scénarios médicaux en ligne

Dans le scénario médical en ligne, les chercheurs ont soigneusement sélectionné les données de test des ensembles de données AcnePA1 et AcnePA2. Ces données proviennent toutes d’images prises et téléchargées par des patients à l’aide de smartphones, comme le montre la figure ci-dessous, qui reflète véritablement la situation réelle de l’acquisition d’images dans les soins médicaux en ligne.

Les résultats expérimentaux sont surprenants. AcneDGNet obtient de bons résultats dans la classification de la gravité de l’acné.La précision globale a atteint 89,5%.Pour l'ensemble de données AcnePA1,La précision est de 85,6%,Sur l'ensemble de données AcnePA2,Le taux de précision est aussi élevé que 92,6%.  Cela signifie qu'AcneDGNet peut déterminer avec précision la gravité de l'acné et fournir aux médecins une base fiable pour le diagnostic. Les résultats détaillés de l’évaluation sont présentés dans le tableau suivant :

En plus du classement, AcneDGNet a également démontré de fortes capacités à détecter les tendances changeantes dans les conditions d'acné.Lors de tests sur l'ensemble de données AcnePA2, il a été possible d'identifier avec précision si le niveau d'acné d'un patient s'était amélioré, était resté inchangé ou s'était dégradé, avec un taux de précision de 87,8%.Au cours de 74 visites de suivi, 65 cas de tendances à l'acné ont été correctement identifiés, comme indiqué ci-dessous :

En termes d’erreur de comptage, AcneDGNet fonctionne également bien. L’erreur totale de comptage des différentes lésions d’acné n’était que de 1,91 ± 3,28.L'erreur de comptage des comédons était de 0,70±1,92, celle des papules de 1,28±2,01, celle des pustules de 0,07±0,29 et celle des nodules/kystes de 0,12±0,38, comme le montre la figure ci-dessous. Un taux d’erreur aussi faible indique qu’AcneDGNet peut détecter avec précision le nombre de lésions d’acné, fournissant ainsi un support de données précis aux médecins pour évaluer la maladie.

(II) Les performances de diagnostic hospitalier hors ligne dépassent celles des médecins ayant plus de 5 ans d'expérience

AcneDGNet fonctionne également bien dans les scénarios médicaux hors ligne. Les chercheurs ont mené des évaluations rétrospectives et prospectives basées respectivement sur les ensembles de données ACNE04, AcneSCU et AcnePKUIH. Comme indiqué ci-dessous :

Dans l’évaluation rétrospective, AcneDGNet a été testé sur les ensembles de données ACNE04 et AcneSCU.Les résultats montrent que sa précision globale atteint 90,1%. Parmi eux, la précision sur l'ensemble de données ACNE04 est de 91,2% et la précision sur l'ensemble de données AcneSCU est de 87,5%.Les résultats détaillés de l’évaluation sont présentés dans le tableau ci-dessous.

Dans l'évaluation prospective, AcneDGNet a été testé sur l'ensemble de données AcnePKUIH et comparé aux résultats diagnostiques de deux dermatologues juniors avec plus de 5 ans d'expérience (JD1 et JD2) et de deux dermatologues seniors avec plus de 10 ans d'expérience (SD1 et SD2), comme le montre la figure.

Les résultats sont étonnants.La précision d'AcneDGNet a atteint 89,0%, ce qui est supérieur aux 80,8% des dermatologues juniors et très proche des 90,7% des dermatologues seniors. Sur la base des résultats de l’évaluation rétrospective et prospective, la précision globale d’AcneDGNet dans les scénarios hors ligne a atteint 89,8%.Cette réalisation démontre sans aucun doute la grande valeur d’AcneDGNet dans les scénarios médicaux hors ligne. Il peut non seulement diagnostiquer avec précision l'acné, mais également fournir une assistance puissante aux médecins inexpérimentés, les aidant à améliorer la précision du diagnostic.

L'IA renforce le diagnostic cutané et entre dans l'ère du diagnostic et du traitement intelligents

En fait, l’application de l’IA en dermatologie est déjà courante. En 2019, L'Oréal et le groupe Alibaba ont lancé conjointement la première application mobile au monde de détection d'intelligence artificielle pour les problèmes d'acné——La Roche-Posay EFFACLAR SPOTSCAN.

De plus, en mai 2023, l'équipe du professeur Liu Jie du département de dermatologie du Peking Union Medical College Hospital et de Hangzhou Yongliu Technology Co., Ltd. ont développé conjointementSystème intelligent d'évaluation de la gravité de l'acnéIl est également officiellement publié dans l’industrie. Après un an de pratique et de retours d'expérience de médecins professionnels, le système a subi de multiples mises à niveau d'algorithmes et optimisations de fonctions. En février 2024, l'hôpital universitaire médical de l'Union de Pékin a officiellement publié l'annonce de la transformation des réalisations scientifiques et technologiques sur son site Web officiel. Après examen par l’hôpital, le système est officiellement entré dans la phase de transformation clinique et d’application.

En juillet 2024, le robot de diagnostic et de traitement de l'acné basé sur l'IA de Tencent a été officiellement lancé sur le marché. Il peut établir un diagnostic précis en seulement 3 secondes et fournir un plan de traitement en seulement 10 secondes.De plus, le système d’IA médicale de Tencent a été déployé dans plus de 1 300 établissements.Les résultats des essais cliniques sont stupéfiants : la précision diagnostique de l’acné kystique est de 99,7% (les médecins humains n’ont que 82,4%) ; les poussées d'acné peuvent être prévenues 6 mois à l'avance (la sensibilité de prédiction est de 91,3%) ; le risque de cicatrices dû au traitement est réduit de 76% (sur la base de 3,2 millions de simulations d'IA)

Après des itérations continues de l’algorithme, le diagnostic de l’acné a fondamentalement mûri. Ensuite, le diagnostic cutané assisté par l’IA continuera de s’étendre à davantage de domaines.

L’avenir est prometteur, l’IA pour la science aura des possibilités illimitées

Le succès d’AcneDGNet dans le diagnostic de l’acné est une nouvelle avancée de l’IA dans le domaine médical, nous permettant de voir l’énorme potentiel de l’IA pour la science. Il fournit non seulement une méthode de diagnostic plus précise et plus pratique pour les patients souffrant d'acné, mais fournit également une expérience et des exemples précieux pour l'application de l'IA dans le domaine médical.

L’impact de l’IA pour la science ne se limite pas au domaine médical. L’IA peut également jouer un rôle important dans d’autres domaines scientifiques tels que la science des matériaux, la physique et l’astronomie. Il peut aider les scientifiques à traiter et à analyser des quantités massives de données et à accélérer les progrès de la recherche scientifique. En science des matériaux, l’IA peut aider les scientifiques à concevoir des matériaux plus performants en simulant et en prédisant les propriétés des matériaux ; en physique, il peut aider les scientifiques à analyser des données expérimentales et à découvrir de nouveaux phénomènes et lois physiques ; en astronomie, l'IA peut aider les astronomes à traiter et à analyser les données d'observation astronomique et à découvrir de nouveaux corps célestes et phénomènes cosmiques...

L’IA est comme une clé principale, ouvrant les portes de domaines scientifiques inconnus. Je crois qu’à l’avenir, l’IA pour la science apportera davantage de percées et d’innovations et contribuera davantage au progrès et au développement humains !

Références :
1.https://mp.weixin.qq.com/s/vlzUWNQsxYaSVXKSt2dhhQ
2.https://cloud.tencent.com/developer/article/1526199
3.https://mp.weixin.qq.com/s/vN2q