Un ensemble à distance floue basé sur des modèles profonds pour la détection du cancer du col utérin

Contexte et objectifLe cancer du col de l’utérus constitue l’une des principales causes de mortalité chez les femmes. Comme pour toute maladie, la détection précoce du cancer du col de l’utérus, suivie d’un traitement approprié et d’un avis médical optimal, représente les étapes essentielles pour minimiser les séquelles liées à cette pathologie. Les clichés de frottis de Papanicolaou (PaP) représentent l’une des méthodes les plus efficaces pour détecter la présence de ce type de cancer. Cet article propose une approche originale d’ensemble basée sur la distance floue, combinant des modèles d’apprentissage profond, afin de détecter le cancer du col de l’utérus à partir d’images de frottis PaP.MéthodesNous utilisons trois modèles d’apprentissage par transfert pour cette tâche : Inception V3, MobileNet V2 et Inception ResNet V2, complétés par des couches supplémentaires afin d’apprendre des caractéristiques spécifiques aux données. Pour combiner les résultats de ces modèles, nous proposons une nouvelle méthode d’ensemble fondée sur la minimisation des erreurs entre les prédictions observées et les étiquettes de référence (ground-truth). Pour les échantillons présentant plusieurs prédictions, nous calculons initialement trois mesures de distance — euclidienne, manhattan (ou distance en bloc de ville) et cosinus — pour chaque classe par rapport à la solution optimale correspondante. Ces mesures sont ensuite déflouées à l’aide de la règle du produit afin d’obtenir les prédictions finales.RésultatsDans les expériences actuelles, les performances individuelles atteignent respectivement 95,30 %, 93,92 % et 96,44 % pour Inception V3, MobileNet V2 et Inception ResNet V2. Après l’application de la technique d’ensemble proposée, la précision s’améliore à 96,96 %, dépassant ainsi les performances de chaque modèle individuel.ConclusionLes résultats expérimentaux obtenus sur trois jeux de données publiques démontrent que le modèle proposé atteint des performances compétitives par rapport aux méthodes de pointe. L’approche proposée offre une solution complète (end-to-end) pour la classification du cancer du col de l’utérus à partir d’images de frottis PaP. Ce système pourrait aider les professionnels de santé à améliorer le traitement du cancer du col de l’utérus, tout en augmentant l’efficacité globale du processus de dépistage. Le code source de ce travail est disponible sur GitHub à l’adresse : github.com/rishavpramanik/CervicalFuzzyDistanceEnsemble.