Une méthode adaptative et altruisitique de sélection de caractéristiques profondes basée sur la PSO pour la détection de la pneumonie à partir de radiographies thoraciques

La pneumonie est l'une des principales causes de mortalité infantile, en particulier dans les régions du monde à faible revenu. Bien qu'elle puisse être détectée et traitée à l'aide d'instruments et de médicaments relativement simples, le dépistage de la pneumonie demeure un enjeu majeur dans les pays en développement. Les systèmes de diagnostic assisté par ordinateur (CAD) peuvent être particulièrement utiles dans ces contextes en raison de leurs coûts d'exploitation inférieurs à ceux des experts médicaux. Dans cet article, nous proposons un système CAD pour la détection de la pneumonie à partir de radiographies thoraciques, en s'appuyant sur les concepts d'apprentissage profond et sur un algorithme méta-heuristique. Nous extrayons d'abord des caractéristiques profondes à partir d'un modèle pré-entraîné ResNet50, ajusté finement sur un jeu de données cible de pneumonie. Ensuite, nous proposons une méthode de sélection de caractéristiques basée sur l'optimisation par essaim de particules (PSO), améliorée par un paramètre d'adaptation fondé sur la mémoire et enrichie par l'introduction d'un comportement altruiste chez les agents. Nous appelons cette méthode PSO adaptative et altruiste (AAPSO). La méthode proposée parvient efficacement à éliminer les caractéristiques non informatives issues du modèle ResNet50, améliorant ainsi la capacité de détection de la pneumonie du cadre global. Des expérimentations étendues et une analyse approfondie sur un jeu de données public de pneumonie établissent la supériorité de la méthode proposée par rapport à plusieurs autres architectures utilisées pour la détection de la pneumonie. En outre, AAPSO est évaluée sur divers jeux de données standards du UCI, des jeux de données d'expression génique pour la prédiction du cancer, ainsi qu'un jeu de données de prédiction du COVID-19. Les résultats globaux sont satisfaisants, confirmant ainsi l'utilité d'AAPSO dans la résolution de divers problèmes du monde réel. Le code source associé à ce travail est disponible à l'adresse suivante : https://github.com/rishavpramanik/AAPSO