Utilisation de l'augmentation de données contextuelles pour une détection généralisable du mélanome

Bien que la détection du cancer de la peau ait été une application précieuse de l'apprentissage profond depuis plusieurs années, son évaluation a souvent négligé le contexte dans lequel les images de test sont analysées. Les classifieurs traditionnels de mélanome supposent que leurs environnements de test sont comparables aux images structurées sur lesquelles ils ont été formés. Cet article remet en question cette idée et soutient que la taille des taches, un attribut critique en dermatologie professionnelle, peut être trompeuse dans la détection automatisée du mélanome. Bien que les mélanomes malins soient généralement plus grands que les mélanomes bénins, s'appuyer uniquement sur la taille peut être peu fiable et même nuisible lorsque l'échelle des images n'est pas possible dans un contexte donné. Pour résoudre ce problème, cette mise en œuvre propose un modèle personnalisé qui effectue diverses procédures d'augmentation de données afin d'éviter le surapprentissage à des paramètres incorrects et de simuler l'utilisation réelle des applications de détection du mélanome. Plusieurs modèles personnalisés utilisant différentes formes d'augmentation de données sont mis en œuvre pour mettre en lumière les caractéristiques les plus significatives des classifieurs de taches. Ces mises en œuvre soulignent l'importance de prendre en compte l'imprévisibilité des utilisateurs lors du déploiement de telles applications. La prudence nécessaire lors de la modification manuelle des données est reconnue, car elle peut entraîner une perte de données et des conclusions biaisées. De plus, l'importance de l'augmentation de données est considérée tant dans la communauté dermatologique que dans celle de l'apprentissage profond.