Détection du parasite du paludisme à l’aide d’ensembles neuronaux efficaces

Provocée par la piqûre du moustique Anopheles infecté par le parasite du genre Plasmodium, le paludisme constitue depuis de nombreuses années un fardeau majeur pour les systèmes de santé, avec environ 400 000 décès rapportés chaque année à l’échelle mondiale. Le diagnostic traditionnel du paludisme repose sur l’examen au microscope d’un frottis sanguin. Ce processus est non seulement long mais exige également une expertise élevée de la part des pathologistes. Un diagnostic rapide, ainsi qu’une disponibilité de structures diagnostiques fiables et de techniciens de laboratoire qualifiés, sont essentiels pour réduire le taux de mortalité. Cette étude vise à concevoir un système robuste en appliquant des techniques d’apprentissage profond telles que le transfer learning et l’ensemblage par snapshots afin d’automatiser la détection du parasite dans les images de frottis sanguins minces. Tous les modèles ont été évalués selon les métriques suivantes : score F1, précision, rappel, coefficient de corrélation de Matthews (MCC), aire sous la courbe ROC (AUC-ROC) et aire sous la courbe précision-rappel (AUC-PR). Le modèle d’ensemblage par snapshots, construit à partir des snapshots du modèle pré-entraîné EfficientNet-B0, a surpassé tous les autres modèles, atteignant un score F1 de 99,37 %, une précision de 99,52 % et un rappel de 99,23 %. Les résultats démontrent le potentiel des ensembles de modèles combinant la puissance prédictive de plusieurs modèles faibles pour former un modèle unique, plus efficace et mieux adapté à la gestion des données réelles. L’expérience GradCAM a permis d’afficher les cartes d’activation des gradients de la dernière couche convolutive, offrant une visualisation explicite de la région que le modèle « voit » dans une image afin de la classer dans une catégorie donnée. Les modèles de cette étude ont correctement activé les zones d’intérêt parasitaires teintées dans les images de frottis sanguins minces. De telles visualisations rendent le modèle plus transparent, interprétable et fiable, des caractéristiques essentielles pour le déploiement de modèles d’intelligence artificielle dans les réseaux de santé.