An Interpretable AI Framework for Multiclass Classification of Thalassemia Using Combined CBC and HPLC Biomarkers

La thalassémie est une maladie sanguine héréditaire qui affecte des millions de personnes à travers le monde, particulièrement en Asie du Sud, en Asie du Sud-Est et dans le bassin méditerranéen. Elle survient lorsque le corps ne peut pas produire suffisamment de protéines qui constituent l'hémoglobine, la substance des globules rouges qui transporte l'oxygène. Sans suffisamment de ces protéines, le corps peine à fabriquer des globules rouges sains, ce qui entraîne une anémie et une multitude d'autres complications de santé. Pendant des décées, les médecins ont diagnostiqué cette affection en examinant des échantillons de sang sous un microscope et en utilisant des machines spécialisées pour mesurer les différents types d'hémoglobine présents. Bien que ce processus soit précis, il est coûteux, chronophage et dépend fortement de la compétence du médecin qui interprète les résultats. Par conséquent, il est difficile de dépister de larges populations rapidement, surtout dans les régions où la maladie est la plus répandue.

Ces dernières années, les scientifiques se sont tournés vers l'intelligence artificielle pour aider à automatiser ce processus. L'idée est d'apprendre à un ordinateur à reconnaître les modèles dans les résultats d'analyses sanguines qui indiquent la thalassémie, tout comme le fait un médecin chevronné, mais avec la rapidité et la constance d'une machine. Cependant, la création d'un tel système n'est pas simple. Les analyses de sang produisent une vaste quantité de données, et les modèles des différents types de la maladie se chevauchent souvent. De plus, dans tout groupe important de personnes faisant l'objet d'un dépistage, la grande majorité est en bonne santé, tandis qu'une infime fraction présente réellement la maladie ou porte le trait génétique. Cela crée une situation difficile pour les programmes informatiques, qui ont tendance à ignorer les cas rares et à simplement supposer que tout le monde est en bonne santé parce que c'est ce qui arrive la plupart du temps.

Une équipe de chercheurs de l'Université SR et de l'Institut Jyothishmathi de Technologie et de Science en Inde a développé un nouveau cadre pour résoudre ces problèmes spécifiques. Ils ont créé un système informatique conçu pour examiner simultanément deux types différents de résultats d'analyses sanguines : une numération formule sanguine standard, qui mesure la taille et le nombre de globules rouges, et un test plus détaillé appelé chromatographie liquide à haute performance, qui sépare et mesure les fractions spécifiques d'hémoglobine. En combinant ces deux sources d'information, les chercheurs visaient à construire un modèle capable non seulement de détecter la maladie, mais aussi de distinguer trois groupes distincts : les personnes en bonne santé, les personnes porteuses du trait génétique (et qui pourraient le transmettre à leurs enfants) et les personnes présentant la forme active et sévère de la maladie.

Les chercheurs ont commencé par un ensemble massif de données contenant les dossiers de plus de 13 000 patients. Cette collection comprenait des mesures détaillées de neuf marqueurs sanguins clés, ainsi que des informations démographiques telles que l'âge et le sexe. Les données étaient fortement déséquilibrées, les individus sains représentant plus de 90 % des dossiers, tandis que les cas de maladie grave représentaient moins de 0,5 %. Pour gérer ce déséquilibre, l'équipe a d'abord nettoyé les données, corrigeant les erreurs dans l'enregistrement des informations et convertissant les descriptions d'âge en nombres simples. Ils ont ensuite regroupé les treize étiquettes de diagnostic différentes trouvées dans les dossiers originaux en les trois catégories plus larges nécessaires à leur système. Crucialement, ils ont utilisé une technique pour créer artificiellement davantage d'exemples de cas de maladies rares au sein des données d'entraînement, garantissant que l'ordinateur apprenne à les reconnaître aussi bien que les cas sains les plus courants.

Pour trouver la meilleure façon de classifier ces patients, l'équipe a testé quatre types différents d'algorithmes d'apprentissage informatique avancés. Les deux premiers étaient basés sur des arbres de décision, une méthode où l'ordinateur pose une série de questions de type oui-ou-non sur les valeurs sanguines pour parvenir à une conclusion. Le troisième était un modèle d'apprentissage profond conçu spécifiquement pour les données tabulaires, qui tente de trouver des relations complexes et non linéaires entre les chiffres. La quatrième approche était un ensemble de type « stacking », qui ne reposait pas sur un algorithme unique mais combinait les prédictions des autres modèles pour prendre une décision finale. Les chercheurs ont soumis ces modèles à un processus de test rigoureux, en veillant à ce que les données utilisées pour enseigner à l'ordinateur ne soient jamais les mêmes que celles utilisées pour le tester, une étape nécessaire pour prouver que le système fonctionne sur de nouveaux patients inconnus.

Les résultats ont montré que l'approche combinée était la plus efficace. Le modèle d'ensemble de type stacking, qui regroupait les forces des autres algorithmes, a atteint une précision de 99,89 % dans l'identification correcte des trois groupes. Il a identifié avec succès 94,7 % des cas réels de maladie et de porteurs, une mesure critique en médecine où manquer un diagnostic peut avoir de graves conséquences. Les autres modèles ont également bien performé, les modèles basés sur les arbres de décision arrivant de près, mais le modèle combiné a systématiquement surpassé tous les autres. Les chercheurs ont également utilisé une méthode pour comprendre exactement comment l'ordinateur prenait ses décisions. Ils ont découvert que le système s'appuyait le plus fortement sur cinq biomarqueurs spécifiques : le taux d'un type d'hémoglobine appelé HbA2, la taille moyenne des globules rouges, la quantité d'hémoglobine à l'intérieur de ces cellules, le nombre total de globules rouges et le taux d'hémoglobine fœtale.

Ces conclusions sont significatives car elles s'alignent parfaitement avec les connaissances médicales établies. Les médecins savent depuis longtemps que des taux élevés d'HbA2 et des globules rouges plus petits que la moyenne sont les caractéristiques des porteurs de thalassémie, tandis que les changements de l'hémoglobine fœtale signalent souvent des formes plus graves de la maladie. Le fait que l'intelligence artificielle ait identifié de manière indépendante ces mêmes facteurs comme étant les plus importants donne aux médecins la confiance que le système ne fait pas que deviner, mais apprend réellement les règles biologiques de la maladie. L'étude a également souligné que, bien que les modèles d'apprentissage profond soient puissants, ils peuvent nécessiter des ensembles de données encore plus vastes pour surpasser les méthodes plus traditionnelles d'arbres de décision lorsqu'il s'agit de travailler avec des données médicales structurées.

Les chercheurs reconnaissent que leur système n'est pas encore une solution parfaite pour toutes les situations. Les données provenaient d'une seule région de l'Inde, et les profils génétiques de la maladie peuvent varier dans d'autres parties du monde. De plus, le système est complexe, et le modèle le plus précis est plus difficile à expliquer qu'un simple arbre de décision. Cependant, l'étude démontre qu'il est possible de construire un outil de dépistage automatisé hautement précis capable de gérer la réalité désordonnée des données médicales du monde réel. En combinant différents types de tests sanguins et en utilisant une combinaison intelligente d'algorithmes informatiques, ce cadre offre une voie prometteuse vers un dépistage plus rapide et plus fiable de la thalassémie, permettant potentiellement d'identifier les porteurs et les patients plus tôt et plus efficacement que les méthodes actuelles le permettent.