Apprentissage de représentations efficaces, explicables et discriminantes pour la classification des nodules pulmonaires

La classification automatique des nodules pulmonaires est cruciale pour le diagnostic précoce des cancers du poumon. Récemment, les techniques d'apprentissage profond ont permis des progrès remarquables dans ce domaine. Cependant, ces modèles profonds sont généralement de complexité computationnelle élevée et fonctionnent de manière opaque, comme une boîte noire. Pour relever ces défis, dans cette étude, nous visons à construire un modèle de classification efficace et (partiellement) explicable. Plus précisément, nous utilisons la recherche d'architecture neuronale (NAS) pour rechercher automatiquement des architectures de réseau 3D offrant un excellent compromis entre précision et vitesse. De plus, nous intégrons le module d'attention par bloc convolutif (CBAM) dans nos réseaux, ce qui nous aide à comprendre le processus de raisonnement. Pendant l'entraînement, nous utilisons la perte A-Softmax pour apprendre des représentations angulairement discriminantes. À l'étape d'inférence, nous recourons à un ensemble de réseaux neuronaux diversifiés afin d'améliorer la précision et la robustesse des prédictions. Nous menons des expériences approfondies sur la base de données LIDC-IDRI. Comparativement aux méthodes précédentes de pointe, notre modèle montre une performance hautement comparable en utilisant moins de 1/40e des paramètres. De plus, l'étude empirique démontre que le processus de raisonnement des réseaux appris est conforme au diagnostic médical. Le code et les résultats associés ont été rendus disponibles sur : https://github.com/fei-hdu/NAS-Lung.