A Neuro-Symbolic Fuzzy Rule-based Approach forMelanoma Classification
Cet article propose un cadre neuro-symbolique à base de règles floues qui intègre l'estimation d'attributs dermoscopiques par apprentissage profond avec des règles cliniques extraites automatiquement afin d'améliorer la précision et l'interprétabilité de la classification du mélanome par rapport aux approches d'apprentissage profond basées uniquement sur l'image.
Article original sous licence CC BY 4.0 (https://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 ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous êtes un détective essayant de résoudre un mystère, mais au lieu d'une scène de crime, vous examinez un minuscule et complexe grain de beauté sur la peau de quelqu'un. Le mystère ? Ce grain de beauté est-il un grain de beauté inoffensif ou un cancer de la peau dangereux appelé mélanome ? Pendant longtemps, les médecins ont été les détectives, utilisant leurs yeux et leur expérience pour chercher des indices spécifiques, comme des motifs ou des couleurs étranges. Mais ces derniers temps, les ordinateurs ont rejoint la force de l'ordre. Ces ordinateurs à « apprentissage profond » (deep learning) sont comme des scanners super rapides capables d'examiner des milliers d'images et de repérer des motifs que les humains pourraient manquer. Cependant, il y a un piège : ces super-ordinateurs sont souvent des « boîtes noires ». Ils donnent une réponse, mais ne peuvent pas vraiment expliquer pourquoi ils pensent qu'il est dangereux. Ils disent simplement : « Faites-moi confiance, c'est mauvais. » Cela est risqué car en médecine, connaître la raison est tout aussi important que la réponse.
Pour corriger cela, les scientifiques essaient d'apprendre aux ordinateurs à penser davantage comme les médecins humains, en utilisant un mélange de logique « neuro-symbolique ». Considérez le « neuro » comme la capacité de l'ordinateur à apprendre à partir d'images (comme un étudiant étudiant des fiches de révision) et le « symbolique » comme la capacité de suivre des règles claires (comme un étudiant suivant une liste de contrôle dans un manuel). Mais la peau n'est pas toujours noire ou blanche ; un indice peut être « un peu présent » ou « plus ou moins absent ». C'est là que la « logique floue » (fuzzy logic) entre en jeu. Au lieu d'un simple interrupteur marche/arrêt, la logique floue utilise un variateur, permettant à un indice d'être « présent à 50 % » ou « présent à 80 % ». Ce document traite de la construction d'un nouveau type de détective qui combine la vue perçante d'un ordinateur scannant des images avec les règles claires et explicables d'un médecin, en utilisant des variateurs flous pour gérer les zones grises du diagnostic du cancer de la peau.
Les chercheurs, Mohamed Amine Ibrahimi et Umberto Straccia, ont entrepris de construire ce système de détective hybride. Ils ont commencé par rassembler deux ensembles différents d'images de peau et de notes (appelés les ensembles de données PH2 et Derm7pt) et les ont fusionnés en une seule grande bibliothèque cohérente. Ils se sont assurés que les « indices » dans les notes — comme le « réseau pigmentaire » ou le « voile bleu-blanchâtre » — étaient décrits de la même manière dans les deux ensembles. Ensuite, ils ont enseigné à un modèle informatique puissant (appelé EfficientNet-B3) à regarder les images de la peau et à deviner la force de chaque indice. Au lieu de simplement dire « réseau pigmentaire : oui », l'ordinateur a donné un score de 0 à 1, comme un variateur, montant ainsi à quel point ce indice était visible.
Ensuite, ils ont pris ces scores flous et les ont injectés dans un ensemble de règles qu'ils ont automatiquement extraites des données. Ces règles sont comme des instructions simples de type « Si-Alors » qu'un médecin pourrait utiliser. Par exemple, une règle pourrait dire : « SI le voile bleu-blanchâtre est absent ET que le réseau pigmentaire est absent, ALORS il est probable que ce ne soit PAS un mélanome. » Mais comme les indices sont flous (variateurs), l'ordinateur utilise des mathématiques spéciales (appelées opérateurs flous) pour combiner ces scores. Ils ont testé différentes façons de combiner les mathématiques, comme la méthode « Hamacher », qui agit comme un mélangeur fluide pour les indices.
L'équipe a constaté que cette approche de mélange et d'association fonctionnait mieux qu'en regardant simplement les images seules. Lorsqu'ils ont testé le système dans un scénario du « monde réel » où l'ordinateur devait deviner les indices à partir de l'image elle-même (sans l'aide des notes d'un médecin), la meilleure configuration était une stratégie de « fusion tardive » (late fusion). C'est comme avoir deux détectives : un qui regarde l'image et un qui vérifie le manuel de règles. Chacun donne sa propre opinion, puis un chef combine les deux. L'article a révélé que lorsqu'ils combinaient la supposition basée sur l'image avec la supposition basée sur les règles en utilisant un poids spécifique (où la partie basée sur l'image comptait pour 60 % de la décision finale), le système devenait bien meilleur pour repérer le mélanome. La précision est passée d'environ 81,8 % pour le détective basé uniquement sur l'image à 86,7 % pour l'équipe de choc.
De manière intéressante, l'article a également montré que même si l'on entraîne l'ordinateur avec des notes médicales parfaites, il performe le mieux lorsqu'il utilise cette méthode de « fusion tardive » pour combiner sa vision par image avec les règles floues. La partie du raisonnement flou seule (sans l'ordinateur d'image) était également assez performante, atteignant environ 85,9 % de précision, prouvant que les règles elles-mêmes sont puissantes. Cependant, les auteurs précisent avec prudence que cela est une suggestion basée sur leurs tests spécifiques avec ces deux ensembles de données, qui sont relativement petits. Ils ne prétendent pas avoir résolu le diagnostic du cancer de la peau pour toujours. Au contraire, ils suggèrent que l'ajout de ces règles floues et claires au deep learning rend l'ordinateur plus intelligent et plus digne de confiance. L'étude conclut que bien que leur nouvelle méthode soit prometteuse, elle doit être testée sur des groupes de patients beaucoup plus larges et diversifiés avant de pouvoir être pleinement fiable dans un véritable hôpital.
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.