Résumé Technique : Détection précoce et robuste du mélanome par voie non invasive grâce à l'auto-supervision légère et l'apprentissage de représentations focalisées sur les lésions

1. Énoncé du problème

La classification précise et non invasive des lésions cutanées est cruciale pour la détection précoce du mélanome, pourtant les approches actuelles de l'apprentissage profond (DL) se heurtent à des obstacles majeurs pour un déploiement clinique réel. Les méthodes existantes reposent souvent sur :

• Des jeux de données externes à grande échelle et des architectures complexes à paramètres lourds (ex. : ResNet, Vision Transformers) qui sont coûteuses en calcul et inadaptées aux appareils mobiles ou de bordure (edge devices).
• Des images dermoscopiques de haute qualité, ce qui les rend fragiles lorsqu'elles sont appliquées à des images à basse résolution et sujettes aux artefacts, comme celles capturées par des smartphones dans des contextes non cliniques.
• Un déséquilibre des classes, où les lésions bénignes (ex. : nævus) sont largement plus nombreuses que les lésions malignes, entraînant des modèles biaisés.
• Des pipelines en deux étapes (segmentation suivie de la classification) qui augmentent la complexité du système et la latence d'inférence.

Les auteurs visent à développer un cadre léger et robuste qui atteint une précision de pointe en utilisant uniquement le jeu de données standard HAM10000, reste résilient à la dégradation de l'image (ex. : flou, bruit) et est adapté à la télédermatologie mobile.

2. Méthodologie

Le cadre proposé est construit sur une architecture YOLOv11 modifiée, optimisée pour la vitesse et l'efficacité. Le pipeline se compose de quatre composantes centrales :

A. Prétraitement et élimination des artefacts

Pour atténuer les artefacts non liés à la lésion (poils, ombres, reflets spéculaires) qui obscurcissent les contours des lésions :

• Une transformation morphologique black-hat utilisant un noyau en forme de croix diagonale de 13×13 accentue les structures de poils sombres contre l'arrière-plan de la peau.
• Le seuil d'Otsu génère un masque binaire pour isoler les régions d'artefacts.
• Une interpolation bicubique est utilisée pour l'inpaint de ces régions, reconstruisant des surfaces de lésions lisses et sans artefacts tout en préservant la texture naturelle de la peau.

B. Augmentation des données et équilibrage des classes

Pour remédier au déséquilibre sévère des classes dans HAM10000 (où le Nævus représente environ 67 % des données) :

• Une augmentation ciblée est appliquée aux classes minoritaires jusqu'à ce qu'elles correspondent à la taille de la classe dominante Nævus ($N_{target} = 6705$).
• La bibliothèque Albumentations est utilisée pour appliquer des transformations géométriques (basculements, rotations, déformations affines) et des décalages photométriques (teinte, luminosité, contraste, flou de mouvement) afin de simuler la variabilité réaliste de l'acquisition.

C. Préentraînement auto-supervisé axé sur la maladie (DS-MAE)

Pour réduire la dépendance vis-à-vis des grands jeux de données étiquetés et apprendre des représentations orientées vers la pathologie, les auteurs introduisent un Autoencodeur Masqué Spécifique à la Maladie (DS-MAE) :

• Masquage axé sur la lésion : Contrairement aux MAE standards qui masquent les patchs de manière aléatoire, le DS-MAE utilise des masques de lésions générés automatiquement (via CLAHE, seuillage d'Otsu et opérations morphologiques) pour guider l'occlusion.
• Stratégie de masquage : 80 % des pixels à l'intérieur de la région de la lésion et 10 % des pixels de l'arrière-plan sont masqués. Cela force l'encodeur à reconstruire des caractéristiques cliniquement pertinentes (morphologie, motifs de couleur, contours) plutôt que de s'appuyer sur le contexte de l'arrière-plan.
• Architecture : Un décodeur entièrement convolutionnel et léger reconstruit l'image masquée en utilisant une perte d'erreur quadratique moyenne (MSE).

D. Classification hiérarchique à deux étapes

La stratégie d'entraînement imite les flux de travail de triage clinique :

1. Étape 1 (Priorisation de la malignité) : Un classificateur grossier à 4 classes distingue entre Bénin et trois catégories Malignes (Mélanome, Carcinome basocellulaire, Kératose actinique/Carcinome intraépithélial).
2. Étape 2 (Classification fine) : L'apprentissage par transfert est appliqué au modèle de l'étape 1 pour effectuer la classification complète à 7 classes de HAM10000.

• Améliorations de l'architecture : Le modèle intègre des modules Shuffle Attention pour affiner les caractéristiques centrées sur la lésion et une tête de classification redessinée avec des couches de dropout empilées et de normalisation par lots pour prévenir le surapprentissage.

E. Évaluation de la robustesse

Pour simuler les conditions d'imagerie mobile réelles, les auteurs appliquent un filtrage bilatéral à l'ensemble de test. Cette technique préserve les bords tout en lissant les textures, imitant le flou de défocalisation et de mouvement sans éliminer les indices structurels.

3. Principales contributions

1. Cadre léger de haute performance : Un système basé sur YOLOv11 optimisé pour un déploiement sur des ressources contraintes, qui atteint une grande précision sans données externes.
2. Architecture axée sur la lésion : Intégration de la Shuffle Attention et d'une tête de classification structurée pour améliorer l'extraction de caractéristiques spécifiques à la lésion avec un surcoût computationnel minimal.
3. Auto-supervision axée sur la lésion : Adaptation d'un autoencodeur masqué sensible à la région (DS-MAE) qui apprend des représentations orientées vers la pathologie en masquant fortement les régions de la lésion, accélérant ainsi la convergence et réduisant la dépendance aux données.
4. Stratégie hiérarchique motivée cliniquement : Un flux de travail en deux étapes qui priorise la détection de la malignité avant la sous-typologie fine, s'alignant sur les principes de triage clinique.
5. Robustesse du système : Évaluation complète démontrant la résilience à la dégradation de l'image (simulée par filtrage bilatéral) et validation externe réussie sur le jeu de données ISIC 2019 dédoublonné.

4. Résultats

Le modèle a été évalué sur l'ensemble de test officiel ISIC 2018 et sur un ensemble de validation externe indépendant ISIC 2019.

• Performance primaire (HAM10000) :

  • Précision Top-1 : 0,961
  • Précision équilibrée : 0,971
  • AUC OvO : 0,999
  • MCC : 0,935
  • Le modèle a obtenu une classification quasi parfaite pour l'AKIEC, le BCC et le VASC. Certaines confusions subsistaient entre le Mélanome (MEL), la Kératose Bénigne (BKL) et le Nævus (NV), avec 8 cas de MEL classés à tort comme NV.

• Robustesse à la dégradation de l'image :

  • Sous un lissage bilatéral léger, la précision n'a que légèrement diminué (0,961 $\to$ 0,951).
  • Sous un lissage bilatéral fort, le modèle a maintenu une précision équilibrée de 0,934 et un AUC OvO de 0,997, démontnant sa résilience à la perte de texture.

• Validation externe (ISIC 2019) :

  • Après dédoublonnage, le modèle a atteint une précision Top-1 de 0,918 et un AUC OvO de 0,996, confirmant sa généralisabilité à des données inédites.

• Comparaison :

  • Le modèle proposé (0,961 de précision) rivalise avec ou dépasse les méthodes de pointe comme FixCaps (0,965) et IRv2 + Soft Attention (0,934), malgré l'utilisation d'aucune donnée d'entraînement externe et d'une architecture nettement plus légère.
  • Le temps d'inférence est de 4,88 ms sur GPU, ce qui le rend adapté aux applications mobiles en temps réel.

5. Signification et affirmations

Les auteurs affirment que cette étude démontre que des performances de pointe en classification de lésions cutanées peuvent être atteintes en utilisant uniquement le jeu de données HAM10000, éliminant ainsi le besoin de collecter des données externes massives. En intégrant l'auto-supervision axée sur la lésion et une stratégie hiérarchique motivée cliniquement, le cadre parvient à équilibrer précision, efficacité computationnelle et robustesse.

L'article positionne le modèle non pas comme un diagnostiqueur autonome, mais comme un outil de triage robuste et assisté adapté au déploiement mobile et à la télédermatologie. Il souligne que la capacité du modèle à maintenir un fort pouvoir discriminatoire sous une dégradation d'image sévère (simulant la capture par smartphone) soutient son potentiel d'utilisation dans les régions mal desservies et les contextes non cliniques. Les auteurs reconnaissent que bien que la performance soit robuste, les faux négatifs dans les stades précoces du mélanome restent un risque, nécessitant le rôle du modèle comme un « second lecteur » pour alerter les cliniciens plutôt que de les remplacer.