🤖 machine learning

Early Detection of Acute Myeloid Leukemia (AML) Using YOLOv12 Deep Learning Model

Cette étude propose l'utilisation du modèle de deep learning YOLOv12, couplé à une segmentation basée sur les cellules et au seuillage d'Otsu, pour détecter précocement la leucémie myéloïde aiguë avec une précision de validation et de test atteignant 99,3 %.

Auteurs originaux : Enas E. Ahmed, Salah A. Aly, Mayar Moner

Publié 2026-04-20

📖 4 min de lecture☕ Lecture pause café

CC0 1.0

Auteurs originaux : Enas E. Ahmed, Salah A. Aly, Mayar Moner

Article original placé dans le domaine public sous CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🩸 Le Problème : Un Tri de Légumes dans le Brouillard

Imaginez que vous êtes dans une grande cuisine (la moelle osseuse) où l'on prépare des soupes pour le corps humain. Parfois, des légumes pourris ou bizarres (les cellules cancéreuses de la Leucémie AML) se mélangent aux bons légumes. Le problème, c'est que ces "mauvais" légumes ressemblent énormément aux "bons", surtout quand on les regarde de très près.

Traditionnellement, un chef (le médecin) doit les trier un par un à la loupe. C'est fatiguant, lent, et parfois, même les meilleurs chefs peuvent se tromper à cause de la fatigue ou de la ressemblance des légumes.

🤖 La Solution : Un Robot Super-Rapide (YOLOv12)

Les auteurs de ce papier, des chercheurs d'Égypte, ont décidé de construire un robot chef ultra-intelligent pour faire ce tri à la place des humains. Ce robot s'appelle YOLOv12.

Le nom "YOLO" signifie "You Only Look Once" (Tu ne regardes qu'une seule fois). Contrairement aux vieux robots qui devaient scruter l'image lentement, ce nouveau robot jette un coup d'œil rapide à toute l'image et dit instantanément : "Ah ! C'est un mauvais légume ici, et un bon là-bas !"
Pourquoi YOLOv12 ? C'est la toute dernière version (sortie en 2025 dans l'article). C'est comme passer d'une vieille voiture de 2010 à une Formule 1. Elle est non seulement plus rapide, mais elle a aussi un nouveau système de "vision" appelé l'attention par zone.
- L'analogie : Imaginez que vous cherchez une aiguille dans une botte de foin. Les vieux robots regardaient tout le tas de foin en détail (très lent). Le YOLOv12, lui, divise le tas en 4 grands carrés et se concentre intelligemment sur les zones où l'aiguille a le plus de chances d'être, sans perdre de temps.

🔍 La Préparation des Images : Le Filtre Magique

Avant de donner les images au robot, les chercheurs ont dû préparer le terrain. Les images de cellules sont parfois floues ou ont un fond trop clair. Ils ont utilisé deux techniques de "nettoyage" pour aider le robot à mieux voir :

Le filtre "Teinte" (Hue Channel) : Imaginez que vous enlevez toutes les couleurs sauf le rouge ou le bleu pour faire ressortir les contours. C'est comme mettre des lunettes de soleil spéciales qui ne laissent passer que les formes importantes.
Le filtre "Otsu" : C'est comme un tri automatique qui dit : "Tout ce qui est plus sombre que cette ligne devient noir, tout ce qui est plus clair devient blanc". Cela crée un contraste parfait, comme un dessin au crayon noir sur papier blanc.

🧪 L'Expérience : Qui gagne ?

Les chercheurs ont entraîné leur robot avec deux types d'images :

Des images de cellules entières.
Des images où l'on ne voit que le noyau de la cellule (le cœur de la cellule).

Ils ont testé le robot avec les deux méthodes de nettoyage (Teinte et Otsu).

Le résultat final ?
Le robot a gagné la course avec une performance incroyable !

La meilleure combinaison était : Cellules entières + Filtre Otsu + Robot YOLOv12.
Le score : Le robot a eu raison 99,3 % du temps sur les tests. C'est comme si, sur 1000 légumes, il ne s'était trompé que sur 7 !

💡 Pourquoi c'est important ?

Vitesse et Précision : Ce système peut détecter la leucémie beaucoup plus tôt et plus vite qu'un examen humain classique.
Fiabilité : Souvent, les robots d'intelligence artificielle sont "trop confiants" et se trompent. Ici, les chercheurs ont été très rigoureux : ils ont séparé les images d'apprentissage, de validation et de test pour s'assurer que le robot apprenait vraiment et ne faisait pas de triche.
L'avenir : Avec un tel outil, les médecins pourraient avoir un "super-assistant" qui vérifie leurs diagnostics, réduisant ainsi les erreurs et sauvant des vies plus rapidement.

En résumé :
C'est comme avoir un détective privé (YOLOv12) qui, grâce à des lunettes spéciales (les filtres Otsu), peut repérer le criminel (la cellule cancéreuse) dans une foule de 5 types de suspects différents, avec une précision de presque 100 %. C'est une avancée majeure pour la lutte contre le cancer du sang.

Titre : Détection précoce de la Leucémie Myéloïde Aiguë (LMA) utilisant le modèle de Deep Learning YOLOv12

1. Problématique

La Leucémie Myéloïde Aiguë (LMA) est l'une des formes de cancer du sang les plus mortelles. Son diagnostic précis repose sur la classification des cellules sanguines, une tâche complexe en raison de la similarité visuelle entre différents types de cellules (notamment entre les myéloblastes immatures et d'autres cellules myéloïdes).
Les recherches actuelles font face à plusieurs limitations majeures :

Disponibilité des données : Manque de jeux de données histopathologiques bien annotés.
Fiabilité de l'évaluation : Problèmes de sur-ajustement (overfitting) lorsque les ensembles de test sont utilisés pour le réglage des hyperparamètres, faussant les résultats.
Déséquilibre des classes : Sous-représentation de certains types de cellules immatures (comme les myéloblastes), ce qui réduit la capacité des modèles à apprendre leurs caractéristiques distinctes.

2. Méthodologie

L'étude propose un pipeline complet de deep learning en trois phases principales :

Préparation des données :
- Utilisation d'un jeu de données équilibré et amélioré provenant de sources comme TCIA et le laboratoire du Hôpital Clinic de Barcelone.
- Classes cibles : 5 types de cellules critiques pour la LMA : myéloblastes, neutrophiles segmentés, basophiles, monocytes et érythroblastes.
- Prétraitement : Les images (1024x1024, coloration Wright-Giemsa) sont divisées en ensembles d'entraînement (70 %), de validation (15 %) et de test (15 %).
Stratégies de Segmentation :
Deux approches de segmentation ont été appliquées pour isoler les cellules et leurs noyaux avant classification :
1. Filtrage par canal Teinte (Hue Channel) : Extraction basée sur les propriétés chromatiques.
2. Seuillage d'Otsu : Méthode d'adaptation automatique du seuil pour la binarisation.
  Cela a généré quatre jeux de données distincts : Cellules-Hue, Cellules-Otsu, Noyaux-Hue, Noyaux-Otsu.
Modèle de Classification :
- Le cœur de la méthode est l'utilisation de YOLOv12 (version N), le modèle le plus récent de la série YOLO (développé par Ultralytics).
- Innovation clé : YOLOv12 intègre un mécanisme d'Attention de Zone (Area Attention). Contrairement aux mécanismes d'attention traditionnels coûteux en calcul ( $O(n^2)$ ), cette méthode divise la carte de caractéristiques en segments (horizontaux ou verticaux), réduisant la complexité à environ $O(1/2 n^2)$ tout en maintenant une compréhension contextuelle précise. Cela permet une détection rapide et précise en temps réel.
- Le modèle est entraîné sur les quatre jeux de données segmentés pour comparer les performances.

3. Contributions Clés

Généralisation améliorée : Entraînement sur un jeu de données équilibré couvrant une diversité de types cellulaires myéloïdes.
Application du Transfer Learning : Utilisation de modèles pré-entraînés (YOLOv12, ResNet50, Inception-ResNet50 v2) adaptés aux données histopathologiques.
Détection précoce : Amélioration significative de la précision pour le diagnostic précoce de la LMA.
Utilisation de l'état de l'art (2025) : Intégration de YOLOv12, exploitant les dernières avancées en matière d'attention pour une classification plus robuste.

4. Résultats

Les performances ont été évaluées via la précision (Accuracy), la sensibilité, la spécificité, la précision (Precision) et le score F1.

Meilleure performance : Le modèle YOLOv12 combiné à la segmentation Cellules-Otsu a obtenu les résultats les plus élevés.
- Précision de validation : 99,3 %
- Précision de test : 99,3 %
Comparaison des méthodes :
- Les images segmentées par Otsu (sur les cellules entières) ont surpassé celles segmentées par canal Teinte (Hue) et celles basées uniquement sur les noyaux.
- Les autres configurations (Hue, Noyaux) ont atteint une précision de 98,8 %.
Analyse des courbes : Les courbes de perte (loss) montrent une convergence stable, bien que quelques fluctuations aient été observées lors de la validation, confirmant la robustesse du modèle sans sur-ajustement majeur.

5. Signification et Impact

Cette étude démontre que l'application de modèles de détection d'objets de dernière génération (YOLOv12) couplée à des techniques de prétraitement d'images optimisées (seuillage d'Otsu) peut surpasser les méthodes traditionnelles pour la classification des cellules leucémiques.

Fiabilité : La séparation stricte des ensembles de validation et de test garantit des résultats non biaisés et reproductibles.
Potentiel clinique : Avec une précision de 99,3 %, ce système offre une base solide pour le développement d'outils de diagnostic automatisés, scalables et rapides, capables d'aider les pathologistes à détecter la LMA plus tôt et avec plus de précision, réduisant ainsi le risque d'erreurs humaines dues à la fatigue ou à la complexité visuelle des échantillons.