VIT-DRN-OCAFF: An Optimized Cross-Attention Feature Fusion Framework for Multi- Class COVID-19 and Pulmonary Disease Diagnosis Using Thoracic CT Images

Le poumon humain est un organe complexe et délicat, et lorsqu'il tombe malade, les signes peuvent être subtils et facilement confondus. Une toux, de la fièvre ou une sensation d'essoufflement pourraient signaler une infection virale courante, une pneumonie bactérienne ou une condition plus grave comme la COVID-19. Pour les médecins, distinguer ces causes est critique, pourtant les symptômes se chevauchent souvent, faisant d'un diagnostic rapide et précis un défi important. Pour voir à l'intérieur de la poitrine sans chirurgie, les professionnels de santé s'appuient sur la tomographie calculée, ou scanners CT, qui créent des images transversales détaillées des poumons. Ces images révèlent la texture du tissu pulmonaire, montrant les zones d'infection, de liquide ou d'inflammation. Cependant, lire des milliers de ces scanners est une lourde charge pour les radiologues, et les différences visuelles entre des maladies similaires peuvent être si infimes que même des experts pourraient manquer un détail crucial ou identifier de manière erronée la cause.

Au cours des dernières années, les ordinateurs ont commencé à assister cette tâche, utilisant l'intelligence artificielle pour apprendre à quoi ressemblent les différentes maladies sur un scanner. Les premières tentatives utilisaient des outils de reconnaissance d'images standards, mais ceux-ci avaient souvent du mal à voir la vue d'ensemble de la propagation d'une maladie à travers le poumon tout en remarquant les minuscules points spécifiques où l'infection est la plus active. Une nouvelle étude propose une façon plus avancée d'enseigner à un ordinateur comment lire ces scanners, en combinant deux manières différentes de regarder l'image pour créer un tableau plus clair de la maladie. Les chercheurs visaient à construire un système capable non seulement de dire si un patient est malade, mais aussi de localiser précisément quel type de maladie il présente, qu'il s'agisse de la COVID-19, d'une pneumonie virale, d'une pneumonie bactérienne ou d'autres problèmes pulmonaires non viraux.

Les chercheurs ont développé un nouveau cadre informatique conçu pour agir comme une paire d'yeux experts travaillant ensemble. Une partie du système est entraînée pour regarder l'image entière du poumon à la fois, comprenant les schémas larges de la façon dont une infection pourrait se propager à travers l'organe. Cette partie est douée pour voir la « forêt », reconnaissant la forme générale et la distribution de la maladie. La seconde partie du système se concentre intensément sur les petits détails, zoomant pour trouver les textures et les bords spécifiques des zones infectées, comme les « arbres » dans cette forêt. Par elle-même, la première partie pourrait manquer un petit point d'infection mais critique, et la seconde partie pourrait se perdre dans les détails sans comprendre le contexte global. L'innovation de cette étude réside dans la manière dont ces deux parties sont connectées. Les chercheurs ont créé un mécanisme spécial qui permet aux deux systèmes de communiquer, vérifiant et affinant constamment ce qu'ils voient. Ce processus garantit que l'ordinateur priorise les caractéristiques les plus importantes pour le diagnostic tout en ignorant le bruit non pertinent ou les motifs confus qui n'aident pas à identifier la maladie.

Pour tester cette nouvelle approche, l'équipe a rassemblé une collection massive de scanners pulmonaires, totalisant près de 25 000 images. Ces images provenaient de bases de données médicales publiques et d'hôpitaux en Inde, couvrant un large éventail de patients et de sévérités de maladies. Le jeu de données comprenait des scanners de personnes présentant une COVID-19 confirmée, une pneumonie virale, une pneumonie bactérienne, ainsi que des personnes présentant d'autres anomalies pulmonaires non causées par un virus. Avant que l'ordinateur ne puisse apprendre de ces images, les chercheurs les ont soigneusement nettoyées et préparées. Ils ont supprimé les parties inutiles du corps des scanners, ajusté la luminosité et le contraste pour faire ressortir les zones infectées, et lissé le bruit granuleux qui pourrait confondre le système. Cette préparation a permis de s'assurer que l'ordinateur apprenait à partir des signes réels de la maladie plutôt que d'artefacts causés par la machine de numérisation.

L'ordinateur a ensuite été entraîné sur une grande partie de ces images, apprenant à reconnaître les signatures uniques de chaque maladie. Une fois l'entraînement terminé, le système a été testé sur un ensemble d'images distinct séparé qu'il n'avait jamais vu auparavant pour voir comment il pourrait performer dans un scénario réel. Les résultats étaient remarquablement élevés. Le système a correctement identifié le type de maladie pulmonaire avec une AUC de 0,99. Il était particulièrement efficace pour éviter les fausses alertes, identifiant correctement les poumons sains ou les conditions non pathologiques lorsqu'ils étaient présents, et il ratait rarement un véritable cas d'infection. Lorsque les chercheurs ont décomposé la performance par type de maladie, le système a excellé dans la distinction de la COVID-19 par rapport à d'autres infections, atteignant une précision quasi parfaite. Il a également performé fortement dans la séparation de la pneumonie virale et de la pneumonie bactérienne, deux conditions souvent difficiles à distinguer, même pour les médecins humains.

Pour comprendre pourquoi ce nouveau système fonctionnait si bien, les chercheurs l'ont comparé à des méthodes plus anciennes. Ils ont testé des outils de vision par ordinateur standards, des modèles d'apprentissage profond traditionnels, et même d'autres systèmes avancés qui n'utilisaient qu'une seule des deux approches décrites ci-dessus. Les anciennes méthodes, bien que meilleures qu'un choix aléatoire, tombaient systématiquement court, avec des taux de précision allant du milieu des 80 à la fin des 90 pour cent. Le nouveau système, qui combinait la vue large et la vue détaillée avec son lien de communication spécial, a surpassé tous les autres. L'étude a également montré que le système était efficace, traitant les images assez rapidement pour être utile dans un hôpital très fréquenté sans nécessenter une puissance de calcul excessive.

Les chercheurs ne se sont pas arrêtés aux chiffres ; ils ont aussi examiné comment le système « voyait » les images. Ils ont comparé les zones que l'ordinateur mettait en évidence comme infectées par rapport aux zones réellement infectées marquées par des médecins humains. La focalisation de l'ordinateur correspondait aux découvertes des experts humains avec une grande précision, identifiant correctement les limites de l'infection et les textures spécifiques associées à chaque maladie. Ce niveau d'accord suggère que le système ne se contente pas de deviner selon des schémas, mais apprend réellement les caractéristiques visuelles des maladies. L'étude conclut que ce nouveau cadre offre un outil hautement fiable pour diagnostiquer les maladies pulmonaires à partir de scanners CT. En combinant une compréhension large de l'état du poumon avec une attention aiguë aux lésions spécifiques, le système fournit un niveau de précision qui pourrait considérablement aider les médecins à prendre des décisions plus rapides et plus sûres pour leurs patients. Bien que l'étude ait été menée sur un ensemble de données spécifique, les résultats suggèrent une étape puissante vers l'utilisation de l'intelligence artificielle pour soutenir le diagnostic des maladies respiratoires.