DED : Distillation de preuves diagnostiques pour le classement de la sévérité de l’acné à partir d’images faciales

L’acné affecte sérieusement la vie quotidienne des individus. Le classement du niveau de sévérité de l’acné joue un rôle déterminant dans le traitement. Toutefois, aucun critère standardisé n’est établi dans le domaine médical. La plupart des études actuelles explorent l’application de modèles visuels avancés pour le classement de la sévérité de l’acné, mais elles manquent d’adaptation aux spécificités du diagnostic de l’acné. D’autre part, certaines recherches proposent des méthodes spécifiquement adaptées à chaque critère diagnostique, mais ces approches ne sont pas transférables à d’autres critères. Dans cette étude, nous proposons une méthode de diagnostic de l’acné, appelée Diagnostic Evidence Distillation (DED), qui s’adapte de manière appropriée aux caractéristiques du diagnostic de l’acné et peut être appliquée sous différents critères diagnostiques. Premièrement, nous menons une analyse approfondie des similarités entre divers critères diagnostiques, puis reformulons le diagnostic de l’acné faciale comme un problème non conventionnel de classification d’images, fondé sur les preuves diagnostiques relatives au type et au nombre de lésions fines réparties sur l’ensemble du visage. Ensuite, nous introduisons le cadre DED, conçu pour s’adapter aux spécificités du diagnostic de l’acné. Ce cadre exploite une architecture enseignant-élève inspirée des méthodes de distillation de connaissances afin d’intégrer dans le modèle de diagnostic des preuves diagnostiques qui ne sont pas disponibles pour de nouveaux patients, mais qui sont présentes uniquement dans les données d’entraînement. Pour surmonter les limitations liées aux différences entre les critères, le cadre utilise des réseaux de neurones convolutifs (CNN) comme architectures de base afin de simuler l’estimation globale effectuée par les dermatologues. Nous proposons également une stratégie d’apprentissage conjoint pour les sous-tâches au sein du réseau enseignant, afin d’améliorer son rôle d’orientation vers l’élève. La méthode DED est évaluée sur deux jeux de données, ACNE04 et PLSBRACNE01, selon plusieurs critères diagnostiques courants. Les résultats expérimentaux démontrent que DED améliore efficacement les performances de diagnostic sur les deux jeux de données, dépassant les méthodes de pointe et atteignant un niveau de diagnostic comparable à celui des dermatologues. Sur le jeu de données ACNE04, les performances atteignent une précision de 85,31 %, une sensibilité de 84,83 %, une spécificité de 94,66 %, un indice de Youden de 79,48 % et une exactitude de 86,06 %. Sur le jeu de données PLSBRACNE01, les résultats sont respectivement de 69,16 %, 65,62 %, 88,93 %, 54,54 % et 67,56 %.