Deep Learning-Based Tongue Pathology Detection: Mapping Fine-Grained Computer Vision Features to Ayurvedic Diagnostic Heuristics

Résumé Technique : Détection de la Pathologie de la Langue Basée sur l'Apprentissage Profond

Énoncé du Problème
La médecine ayurvédique traditionnelle repose sur l'examen de la langue pour classer les individus en types constitutionnels (doshas : Vata, Pitta, Kapha) et fournir des recommandations de bien-être personnalisées. Cependant, cette évaluation dépend actuellement de l'expertise du praticien, de l'expérience visuelle et d'une interprétation subjective, ce qui entraîne une variabilité et une reproductibilité limitée. Bien que les progrès récents de l'intelligence artificielle (IA) et de la vision par ordinateur aient transformé l'analyse d'images médicales, les études existantes en diagnostic de la langue se concentrent principalement sur la classification des maladies dans la Médecine Traditionnelle Chinoise (MTC) ou reposent largement sur des évaluations basées sur des questionnaires. Il existe une pénurie notable de systèmes légers, adaptés aux appareils mobiles, qui intègrent la détection de caractéristiques fines de la langue avec l'évaluation constitutionnelle ayurvédique via une inférence sur l'appareil. De plus, des défis tels que l'absence de jeux de données de référence publics, des protocoles d'annotation incohérents et le manque de méthodologies d'évaluation standardisées entravent le développement de systèmes robustes et interprétables dans ce domaine.

Méthodologie
L'article propose « Jihwa », un cadre léger d'IA en périphique (edge-AI) pour mobile, conçu pour l'analyse non invasive des caractéristiques de la langue et l'évaluation du bien-être ayurvédique basée sur des règles. L'architecture du système se compose de trois couches principales :

1. Couche de Perception (Vision par Ordinateur) :

   • Modèle : Le système utilise un modèle de détection d'objets YOLO11n, choisi pour son équilibre entre précision et efficacité computationnelle, adapté au déploiement mobile.
   • Entraînement : Le modèle a été entraîné via l'apprentissage par transfert sur le jeu de données TMC-Tongue, qui contient 6 719 images annotées réparties en 20 catégories de caractéristiques de la langue (incluant la couleur du corps de la langue, l'enduit, les fissures, les empreintes dentaires, le gonflement et les indicateurs de zones organiques).
   • Prétraitement : Les images ont été redimensionnées en 640×640 pixels. Des techniques d'augmentation de données (mise à l'échelle, translation, retournement horizontal et transformations HSV contrôlées) ont été appliquées pour renforcer la robustesse tout en préservant les motifs de couleurs cliniquement significatifs.
   • Inférence : Le modèle entraîné est converti au format TensorFlow Lite, permettant une inférence en temps réel directement sur l'appareil sans transmettre les images à des serveurs externes. Le modèle produit des boîtes englobantes (bounding boxes), des étiquettes de classe et des scores de confiance, qui sont affinés par des seuils de confiance et la suppression des non-maxima (NMS).

2. Couche d'Interprétation (Fusion Multimodale) :

   • Questionnaire : Les utilisateurs remplissent une auto-évaluation de 22 questions couvrant les traits physiologiques et comportementaux (digestion, sommeil, énergie, etc.), qui sont mappés vers des scores Vata, Pitta et Kapha.
   • Mécanisme de Fusion : Le cadre utilise une stratégie de fusion pondérée transparente basée sur des règles. Les caractéristiques visuelles extraites par le modèle YOLO11n contribuent à 60 % à l'évaluation finale, tandis que les réponses au questionnaire contribuent à 40 %.
   • Notation : Les caractéristiques de la langue détectées se voient attribuer des poids ayurvédiques basés sur des heuristiques de diagnostic prédéfinies. Le score visuel ($S_{visual}$) est calculé en sommant le produit des poids des caractéristiques et des scores de confiance. Celui-ci est combiné avec le score normalisé du questionnaire ($S_{questionnaire}$) via la formule : $S_{final} = 0,6S_{visual} + 0,4S_{questionnaire}$.
   • Classification : Les scores fusionnés sont normalisés pour générer des valeurs en pourcentage pour les trois doshas. Le système identifie une constitution dominante ou une constitution mixte (ex. : Vata-Pitta) sur la base de seuils de score, supportant sept types de constitutions distincts.

3. Couche de Recommandation :

   • Sur la base de la constitution identifiée, le système génère des recommandations de bien-être personnalisées, incluant des conseils diététiques, des stratégies d'hydratation et un plan de mode de vie échelonné sur huit semaines. Toutes les recommandations sont générées sur l'appareil pour préserver la confidentialité de l'utilisateur.

Contributions Clés

• Intégration des Modalités : L'article présente un cadre unifié qui combine la détection d'objets fine des caractéristiques de la langue avec un raisonnement structuré basé sur des questionnaires, une combinaison rarement trouvée dans les applications de santé actuelles d'IA en périphique.
• Implémentation de l'IA en Périphique (Edge-AI) : Contra�à l'approche basée sur le cloud, le système exécute le modèle YOLO11n entièrement sur l'appareil mobile de l'utilisateur, garantissant une faible latence, la confidentialité des données et l'indépendance vis-à-vis de la connectivité internet.
• Interprétabilité : Le cadre distingue la composante d'apprentissage automatique (détection de caractéristiques) de l'interprétation du bien-être basée sur des règles. Cette transparence permet une correspondance claire entre les caractéristiques visuelles et les heuristiques ayurvédiques, évitant la nature de « boîte noire » du diagnostic par apprentissage profond de bout en bout.
• Utilisation de Jeu de Données : Ce travail exploite le jeu de données TMC-Tongue pour entraîner un détecteur capable d'identifier 20 caractéristiques spécifiques de la langue, comblant ainsi le fossé de la détection de caractéristiques fines pour les contextes ayurvédiques.

Résultats Expérimentaux
Le modèle YOLO11n a été entraîné pendant 150 époques sur le jeu de données TMC-Tongue. La performance a été évaluée à l'aide de métriques de détection d'objets standards sur un ensemble de test non utilisé lors de l'entraînement :

• Précision : 0,424
• Rappel (Recall) : 0,318
• mAP@50 : 0,293
• mAP@50-95 : 0,232

Les résultats indiquent que le modèle a réussi à apprendre des caractéristiques de la langue discriminantes. L'analyse de la matrice de confusion a révélé que la plupart des classes présentaient une forte dominance diagonale, les erreurs de classification se produisant principalement entre des caractéristiques visuellement similaires (par exemple, des motifs d'enduit ou de fissures spécifiques). Les courbes d'entraînement ont montré une convergence stable, avec des pertes diminuant et des métriques s'améliorant au fil des époques. La courbe F1-confiance a identifié une région de seuil optimale où la précision et le rappel sont équilibrés.

Signification et Revendications
L'auteur positionne ce travail non pas comme un remplacement de l'expertise clinique, mais comme un outil de suivi du bien-être accessible et personnalisé. La signification de l'article réside dans sa démonstration d'un cadre transparent et efficacement calculable qui fait le pont entre les heuristiques de diagnostic ayurvédiques traditionnelles et l'apprentissage profond moderne. En séparant clairement la détection validée par apprentissage automatique de l'interprétation basée sur des règles, l'étude pose les bases de futures recherches à l'intersection de l'IA en périphique, de la santé numérique et de la médecine traditionnelle computationnelle. L'auteur affirme que cette approche offre une solution pratique pour surmonter la subjectivité du diagnostic traditionnel de la langue tout en maintenant la confidentialité et l'accessibilité requises pour les applications de santé quotidiennes.