A 2-Level Stacking Ensemble Framework for Multi-Class Alzheimer’s Disease Diagnosis Using CNN Feature Extractors and SVM-XGBoost Classifiers

Le diagnostic précoce de la maladie d'Alzheimer est l'un des défis les plus pressants de la médecine moderne, reposant souvent sur l'examen par les médecins d'images de résonance magnétique, ou IRM, du cerveau. Ces images révèlent la structure physique du cerveau, montrant comment différentes régions rétrécissent ou changent à mesure que la maladie progresse à travers des stades allant de la perte de mémoire très légère à la démence sévère. Bien que les experts humains puissent repérer ces changements, la tâche est difficile car les différences entre les stades précoces sont subtiles et l'anatomie du cerveau est complexe. Pour aider, les scientifiques se sont tournés vers l'intelligence artificielle, plus précisément un type de programme informatique connu sous le nom de modèle d'apprentissage profond (deep learning). Ces programmes agissent comme des microscopes numériques, entraînés pour reconnaître des motifs dans les images médicales que l'œil humain pourrait manquer. En combinant les enseignements de plusieurs modèles informatiques différents, les chercheurs espèrent créer un système qui soit non seulement plus précis, mais aussi plus fiable qu'un seul programme travaillant seul.

Dans une étude récente, les chercheurs Shashi Kant Mourya et Ajit Kr. Singh Yadav du NERIST en Inde ont développé un système sophistiqué conçu pour classer les scanners cérébraux en quatre catégories distinctes : non dément, très légèrement dément, légèrement dément et modérément dément. Leur approche, décrite comme un ensemble de superposition à deux niveaux (two-level stacking ensemble), fonctionne en rassemblant les opinions de trois experts d'intelligence artificielle différents, puis en demandant à un quatrième juge, plus expérimenté, de prendre la décision finale. Les trois premiers experts sont des réseaux informatiques spécialisés entraînés pour analyser les coupes d'IRM. Deux de ces réseaux sont des conceptions établies et bien connues, appelées ResNet152 et DenseNet121, qui ont été utilisées dans de nombreuses études précédentes. Le troisième expert est un réseau conçu sur mesure pour ce projet, nommé Shashi-CNN, qui a été créé de toutes pièces pour se concentrer sur les textures uniques présentes dans les scanners cérébraux.

Au lieu de laisser ces trois réseaux voter sur la réponse, les chercheurs les ont fait travailler ensemble selon une séquence spécifique. D'abord, chaque réseau a analysé les images cérébrales et a extrait une liste détaillée de caractéristiques, traduisant essentiellement les données visuelles en une longue liste de chiffres décrivant l'état du cerveau. Ces listes ont ensuite été combinées et simplifiées pour éliminer tout bruit perturbateur, ne conservant que les informations les plus importantes. Ces données raffinées ont été injectées dans un premier classificateur, un type d'outil mathématique connu sous le nom de Machine à Vecteurs de Support (Support Vector Machine), qui a fait une prédiction initiale pour chaque image. Crucialement, pour s'assurer que le système ne se contente pas de mémoriser les réponses, les chercheurs ont entraîné cette première couche en utilisant une méthode où le modèle était testé sur des données qu'il n'avait pas vues lors de sa phase d'entraînement.

L'étape finale impliquait un second juge, un algorithme avancé appelé XGBoost, qui agissait comme un méta-apprenant. Ce juge ne regardait pas les images cérébrales brutes ; il examinait plutôt les scores de confiance et les prédictions générés par les trois premiers réseaux et le premier classificateur. En analysant la manière dont ces différents experts étaient d'accord ou en désaccord, le modèle XGBoost a appris à pondérer leurs opinions, décidant quel expert était le plus digne de confiance pour chaque type spécifique de scanner cérébral. Cette approche par couches a permis au système de détecter les erreurs qu'un modèle unique pourrait manquer, créant ainsi efficacement une équipe où les faiblesses de l'un étaient couvertes par les forces de l'autre.

Les résultats de cette étude ont été remarquablement élevés. Testé sur un ensemble de données de 6 400 coupes d'IRM cérébrales, le système complet a atteint un taux de précision de près de 99,97 %. Cela signifie que sur 10 000 scanners, le système identifie correctement le stade de la démence dans 9 997 cas. Le système a fonctionné de manière presque parfaite à travers les cinq cycles de test différents, montrant un niveau de cohérence qui suggère qu'il n'est pas simplement chanceux, mais qu'il comprend réellement les motifs de la maladie. En comparaison, le meilleur modèle unique utilisé dans l'étude, le Shashi-CNN personnalisé, a atteint une précision d'environ 98,4 %, tandis que les autres modèles établis ont obtenu des scores inférieurs. Les chercheurs ont confirmé que l'amélioration obtenue grâce à l'utilisation de toute l'équipe de modèles était statistiquement significative, ce qui signifie que la différence était réelle et non due au hasard.

Pour s'assurer que le système prenait ses décisions pour les bonnes raisons, les chercheurs ont utilisé une technique de visualisation appelée Grad-CAM. Cet outil crée une carte de chaleur (heat map) sur l'image cérébrale originale, mettant en évidence les zones spécifiques que l'ordinateur observait lorsqu'il faisait son diagnostic. Les visualisations ont montré que le modèle se concentrait sur des zones anatomiquement pertinentes, telles que l'hippocampe et les régions corticales, qui sont connues pour rétrécir chez les patients atteints d'Alzheimer. Il ne s'est pas laissé distraire par le bruit de fond ou des parties non pertinentes de l'image. Cette focalisation sur les structures biologiques correctes donne aux médecins la confiance que le système apprend réellement sur la maladie elle-même, plutôt que de simplement mémoriser des motifs dans les données.

Bien que l'étude ait obtenu des résultats quasi parfaits sur l'ensemble de données utilisé, les auteurs ont noté que le système n'a pas encore été testé sur des données provenant d'autres hôpitaux ou avec différents types de machines d'IRM. L'ensemble de données contenait un mélange de scanners cérébraux, mais une catégorie, représentant les patients modérément déments, était beaucoup plus petite que les autres, ce qui pourrait influencer la façon dont le système apprend. Malgré ces limites, l'étude démontre que la combinaison de plusieurs modèles d'apprentissage profond avec un système de vote intelligent peut créer un outil puissant pour distinguer les stades subtils de la maladie d'Alzheimer. Les conclusions suggèrent qu'un tel cadre pourrait servir d'aide hautement fiable pour un diagnostic précoce, permettant potentiellement de détecter la maladie lorsqu'elle est la plus traitable.