Pediatric Bone Age Prediction Using Deep Learning
Cet article présente une approche d'apprentissage profond utilisant des modèles EfficientNet, particulièrement EfficientNetB4 enrichi d'un mécanisme d'attention additive, pour prédire avec précision l'âge osseux pédiatrique à partir de radiographies de la main, offrant ainsi une solution plus efficace et automatisée pour le diagnostic des troubles endocriniens par rapport aux méthodes conventionnelles.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez le corps humain comme un chantier de construction où un enfant est en train de grandir. Tandis qu'un calendrier nous indique depuis combien d'années un enfant est en vie, ses os racontent une histoire différente, plus honnête, sur la quantité réelle de « construction » qui s'est produite à l'intérieur. Les médecins appellent cela l'« âge osseux ». C'est comme vérifier le plan d'un bâtiment pour voir si les fondations sont prêtes pour l'étage suivant, peu importe depuis combien de temps le bâtiment est debout. Si les os d'un enfant sont plus « jeunes » ou plus « vieux » que son âge réel, cela peut être un indice majeur que quelque chose ne va pas avec ses hormones ou sa croissance. Traditionnellement, déterminer cet âge osseux était un travail lent et fastidieux pour les médecins. Ils devaient scruter des clichés de radiographies de la main d'un enfant et les comparer à un immense album photo d'autres mains, en essayant de deviner laquelle ressemblait le plus. C'était comme essayer de trouver une aiguille spécifique dans une botte de foin en examinant chaque brin de paille un par un. Mais aujourd'hui, les ordinateurs interviennent pour aider, utilisant un type spécial de cerveau appelé « Apprentissage Profond » (Deep Learning) pour regarder ces images et faire la supposition à leur place, dans l'espoir d'être plus rapides et plus constants qu'un œil humain fatigué.
Cet article traite de l'enseignement de ce jeu de devinettes à ces cerveaux informatiques pour qu'ils deviennent très doués. Les chercheurs ont pris une collection massive de plus de 12 000 images de radiographies de mains d'enfants — certaines provenant du célèbre ensemble de données RSNA — et les ont injectées dans un programme informatique intelligent. Ils n'ont pas utilisé n'importe quel programme ; ils ont utilisé une famille de modèles appelés « EfficientNet », qui sont comme des détectives super efficaces conçus pour repérer des motifs dans les images sans avoir besoin d'un supercalculateur pour fonctionner. L'équipe a testé deux tailles différentes de ces détectives : un plus petit et plus léger, appelé EfficientNetB0, et un plus grand et plus puissant, appelé EfficientNetB4. Ils ont même donné au plus grand détective une paire de lunettes spéciales appelée « Attention Additive » (Additive Attention), qui aide l'ordinateur à se concentrer sur les parties les plus importantes de la main, en ignorant l'encombrement.
Les résultats ont montré que le plus grand détective, en particulier celui avec les lunettes spéciales (que les auteurs appellent EN-AA), était le meilleur pour le travail. Lorsqu'ils ont comparé les suppositions de l'ordinateur aux âges réels des enfants, les modèles EfficientNetB4 et EN-AA étaient beaucoup plus proches de la vérité que le plus petit modèle EfficientNetB0. L'article suggère que cette approche fonctionne bien car l'ordinateur a appris à repérer les différences infimes et subtiles dans les os que les humains pourraient manquer. Les chercheurs ont également vérifié que l'ordinateur ne se contentait pas de mémoriser les réponses (un problème appelé « surapprentissage » ou overfitting) ou qu'il n'abandonnait pas trop facilement (appelé « sous-apprentissage » ou underfitting), et les courbes d'apprentissage ont montré qu'il apprenait juste ce qu'il faut. Bien que l'article ne prétende pas qu'il s'agit d'un produit parfait et fini prêt pour chaque hôpital dès demain, il suggère fortement que l'utilisation de ces modèles spécifiques axés sur l'attention est une manière prometteuse de rendre la prédiction de l'âge osseux plus rapide et plus précise, aidant potentiellement les médecins à diagnostiquer les problèmes de croissance plus tôt. Les auteurs espèrent qu'avec un peu plus d'entraînement et de peaufinage, ces assistants numériques pourraient devenir un outil standard dans les cliniques pédiatriques, déchargeant les médecins de la lourde tâche de lecture des radiographies afin qu'ils puissent se concentrer sur les enfants.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.