Résumé technique : Au-delà de la précision dans le diagnostic du paludisme

Problématique

Le paludisme demeure une cause majeure de mortalité en Afrique subsaharienne, où les infrastructures de diagnostic sont souvent limitées. Bien que l'apprentissage profond (deep learning - DL) offre une voie vers le dépistage automatisé, l'adoption clinique est entravée par deux facteurs principaux : le coût computationnel élevé des modèles complexes et l'« opacité » de leurs processus de décision. Dans des contextes médicaux à enjeux élevés, les cliniciens exigent non seulement des prédictions précises, mais aussi des justifications mécanistes pour ces prédictions. De plus, les évaluations existantes se concentrent souvent uniquement sur la précision prédictive, négligeant des dimensions critiques telles que l'efficacité du modèle, la robustesse face à la corruption d'images (fréquente en microscopie dans les zones à faibles ressources) et la fiabilité des explications post-hoc.

Méthodologie

Cette étude évalue quatre architectures d'apprentissage profond distinctes sur l'ensemble de données NLM-Malaria, en les testant selon trois dimensions : la performance prédictive, l'efficacité computationnelle et l'explicabilité.

1. Architectures de modèles :
L'étude compare des modèles aux philosophies de conception et capacités variées :

• ResNet-18 : Un CNN standard utilisant des connexions de saut (skip connections).
• EfficientNet-B0 : Un CNN mettant l'accent sur l'efficacité via une mise à l'échelle composée de la profondeur, de la largeur et de la résolution.
• MobileNet-v3-Large : Un CNN léger utilisant des convolutions séparables en profondeur (depthwise separable convolutions).
• Vision Transformer (ViT-B/16) : Une architecture basée sur les transformers remplaçant les convolutions par une auto-attention par patchs.
  Tous les modèles ont été pré-entraînés sur ImageNet et affinés (fine-tuned) pour la classification binaire (sain vs infecté) via une validation croisée stratifiée à 5 plis.

2. Cadre d'IA explicable (XAI) :
Quatre méthodes d'attribution post-hoc ont été employées pour générer des cartes de saillance :

• Basées sur le gradient : Grad-CAM et Integrated Gradients (Itgd-Grad).
• Sans gradient / Basées sur le score : Score-CAM.
• Théorie des jeux : SHAP (variante basée sur le gradient).
  Ces méthodes ont été utilisées pour visualiser quelles régions de l'image ont influencé la décision du modèle.

3. Métriques d'évaluation :

• Performance prédictive : Précision (Accuracy), score F1, AUC, Sensibilité, Spécificité, VPP (Valeur Prédictive Positive) et VPN (Valeur Prédictive Négative).
• Efficacité : Nombre de paramètres, FLOPs, latence d'inférence et utilisation de la mémoire de pointe (mesurée sur CPU).
• Robustesse : Performance sous trois types de corruption d'image (bruit gaussien, bruit de type sel et poivre, et flou gaussien) à différents niveaux de sévérité. Les métriques incluent la précision moyenne et la confiance prédite moyenne.
• Qualité de l'explication :
  • Qualitative : Inspection visuelle des cartes de saillance et analyse de cohérence (cartes d'accord/désaccord) entre différentes méthodes XAI.
  • Quantitative : Scores d'insertion et de suppression (Insertion/Deletion), mesurant la rapidité avec laquelle la confiance du modèle change lorsque des patchs d'image importants (ou non importants) sont révélés ou occultés.
• Analyse statistique : Le test de Friedman suivi de tests de rang signé de Wilcoxon avec correction de Bonferroni ont été utilisés pour déterminer la signification statistique entre les modèles.

Résultats clés

1. Performance prédictive et efficacité :

• Les quatre architectures ont atteint des performances de diagnostic comparables. Le test de Friedman a produit une p-valeur de 0,4717, indiquant qu'il n'y a aucune différence statistiquement significative en termes de précision, de score F1 ou d'AUC entre les modèles.
• Les modèles légers (MobileNet-v3 et EfficientNet-B0) égalent les performances de leurs homologues plus lourds (ResNet-18 et ViT) tout en offrant des gains d'efficacité substantiels. MobileNet-v3 a présenté la latence la plus faible (14,37 ms) et le plus bas nombre de FLOPs (0,22 G), tandis que ViT-B/16 était le plus coûteux en calcul (latence de 293,8 ms, 16,8 G FLOPs).
• Un ensemble des quatre modèles a atteint la précision la plus élevée (0,972), mais le gain marginal par rapport aux modèles légers individuels est faible.

2. Robustesse à la corruption :

• Les modèles ont démontré une forte robustesse au bruit de type sel et poivre, mais étaient plus sensibles au bruit gaussien et au flou.
• Une conclusion critique est que la confiance du modèle se dégrade plus rapidement que la précision sous des niveaux de bruit croissants. Cela suggère que les scores de confiance peuvent servir de signal pratique pour déclencher une révision humaine lorsque la qualité de l'image est médiocre, même si la prédiction reste techniquement correcte.

3. Explicabilité et robustesse de l'XAI :

• Localisation : Les méthodes basées sur CAM (Grad-CAM, Score-CAM) ont systématiquement localisé les régions diagnostiquement pertinentes (le parasite). En revanche, les méthodes plus fines (Integrated Gradients, SHAP) ont produit des explications moins ciblées, distribuant souvent les pixels à haute attribution de manière diffuse sur toute l'image, particulièrement avec des architectures plus lourdes comme ResNet-18.
• Cohérence : Il existe un désaccord structuré entre Grad-CAM et Score-CAM, concentré dans des zones anatomiquement significatives. Inversement, le désaccord entre Integrated Gradients et SHAP apparaît sous forme de bruit diffus et non structuré.
• Fragilité de l'XAI : Crucialement, aucune méthode XAI n'est robuste à la corruption d'image. La fiabilité de l'explication s'est dégradée de manière significative à des niveaux de bruit plausibles en pratique clinique, même lorsque les prédictions sous-jacentes restaient précises. Cela indique que les explications ne peuvent être considérées comme des signaux stables dans des environnements bruyants.
• Comportement de ViT : Le Vision Transformer s'est concentré sur des régions hautement localisées (spécifiquement le point de chromatine), contrastant avec les motifs d'activation plus diffus des CNN.

Signification et affirmations

L'article soutient que pour les contextes cliniques à ressources limitées, les modèles légers et conçus pour l'efficacité (MobileNet-v3, EfficientNet-B0) sont suffisants pour le diagnostic du paludisme, car ils égalent les performances prédictives des modèles plus larges sans l'overhead computationnel.

Cependant, l'étude souligne une limitation majeure de l'état actuel du déploiement de l'IA responsable : la vulnérabilité des explications post-hoc. Les auteurs affirment que bien que les modèles puissent rester précis sous l'effet du bruit, leurs explications deviennent peu fiables. Ce découplage entre la précision de la prédiction et la stabilité de l'explication suggère que s'appuyer sur l'XAI pour la validation clinique dans des environnements bruités nécessite une prudence extrême. Ce travail soutient le déploiement d'architectures efficaces, mais met en garde contre le fait que l'interprétabilité de ces systèmes n'est pas garantie dans les conditions imparfaites typiques des régions endémiques du paludisme.