Une architecture profonde fondée sur des mécanismes d'attention pour une détection efficace en bout à bout de parasites du paludisme précoces et matures dans un scénario réaliste

Contexte : Le paludisme est une maladie grave et potentiellement fatale causée par le parasite Plasmodium, responsable de plus de 600 000 décès à l’échelle mondiale. La détection précoce et précise des parasites du paludisme est essentielle pour un traitement efficace, mais la microscopie conventionnelle présente des limites en matière de variabilité et d’efficacité.Méthodes : Nous proposons un nouveau cadre de détection assistée par ordinateur fondé sur l’apprentissage profond et les mécanismes d’attention, qui étend les modèles YOLO-SPAM et YOLO-PAM. Notre approche permet la détection et la classification des parasites du paludisme à toutes les phases d’infection, tout en supportant l’identification de plusieurs espèces.Résultats : Le cadre a été évalué sur trois jeux de données publics, démontrant une haute précision dans la détection de quatre espèces distinctes de paludisme et de leurs stades de développement. Une analyse comparative avec les méthodes de pointe indique des améliorations significatives tant en taux de détection qu’en utilité diagnostique.Conclusion : Cette étude présente une solution robuste pour la détection automatisée du paludisme, offrant un soutien précieux aux pathologistes et contribuant à améliorer les pratiques diagnostiques dans des contextes réels.