PulmoDiagAI: An Intelligent Medical Diagnosis System for Automated Pulmonary Pathology Classification using Deep Learning

Le poumon humain est un réseau délicat et ramifié de voies respiratoires et de sacs, conçu pour échanger l'oxygène contre le dioxyde de carbone à chaque inspiration. Lorsque ce système défaille, les conséquences peuvent être rapides et graves. Deux des menaces les plus pressantes pour la santé respiratoire aujourd'hui sont le cancer du poumon et l'infection virale connue sous le nom de COVID-19. Ces deux pathologies se cachent souvent à la vue de tous au sein du corps, ne se révélant qu'à travers les ombres et les textures subtiles visibles sur les images médicales telles que les radiographies et les scanners. Pendant des décennies, la tâche d'interprétation de ces images est revenue aux radiologues, des spécialistes hautement qualifiés qui doivent scruter des milliers d'images, à la recherche des signes ténus de la maladie. Ce processus est vital, mais il est également épuisant et sujet à l'erreur humaine, surtout lorsque les médecins sont submergés par un volume élevé de patients ou lorsque les signes de maladie sont ambigus.

Au cours des dernières années, un nouvel outil est apparu pour assister ces experts médicaux : l'intelligence artificielle. Plus précisément, une branche de l'IA appelée apprentissage profond (deep learning) permet aux ordinateurs d'apprendre à reconnaître des motifs dans les images, tout comme le fait un cerveau humain, mais en traitant des millions d'exemples à la fois. Des chercheurs ont entraîné ces systèmes numériques pour repérer les marques caractéristiques de la pneumonie, des tumeurs et des infections virales. L'objectif n'est pas de remplacer le médecin, mais de fournir une seconde paire d'yeux qui ne fatigue jamais, ne manque jamais un détail à cause de la fatigue, et peut offrir un avis rapide et cohérent sur ce à quoi le patient est confronté. La question demeure toutefois de savoir quel type spécifique de cerveau numérique fonctionne le mieux pour quelle maladie spécifique, et si ces systèmes complexes peuvent être rendus assez simples pour être utilisés quotidiennement dans un hôpital.

Une équipe de chercheurs de l'Université Mouloud Mammeri en Algérie a abordé ces questions avec un nouveau système qu'ils appellent PulmoDiagAI. Leur travail se concentre sur la création d'un outil intelligent capable de trier automatiquement les images thoraciques pour diagnostiquer deux menaces distinctes : le cancer du poumon et la COVID-19. Pour construire ce système, ils n'ont pas inventé un nouveau type de cerveau informatique à partir de zéro. Au lieu de cela, ils ont testé cinq architectures existantes différentes — des modèles d'apprentissage profond pré-construits qui ont déjà été entraînés sur de vastes bibliothèques d'images générales. Ces modèles, connus sous des noms tels que VGG19, ResNet50 et EfficientNet-B3, ont été adaptés pour observer spécifiquement le thorax humain. Les chercheurs ont nourri ces modèles avec des milliers d'images médicales, leur apprenant à distinguer les poumons sains, les excroissances bénignes (non cancéreuses), les tumeurs malignes (cancéreuses) et les infections virales.

Le processus a commencé par une préparation minutieuse des images elles-mêmes. Les scanners médicaux présentent souvent des variations de luminosité, de bruit ou de contraste qui peuvent confondre un ordinateur. L'équipe a appliqué une série d'améliorations numériques à chaque image, les convertissant en niveaux de gris, éliminant le bruit statique et accentuant le contraste pour que les contours des poumons et de toute anomalie potentielle ressortent clairement. Cette étape était cruciale, car elle garantissait que l'intelligence artificielle regardait la version la plus claire possible de l'anatomie du patient avant de commencer son diagnostic. Une fois les images prêtes, les chercheurs ont laissé les cinq modèles différents s'affronter, testant leur capacité à identifier correctement la pathologie présente sur l'image.

Les résultats ont révélé qu'aucun modèle unique n'était parfait pour chaque tâche ; le meilleur choix dépendait entièrement de la maladie étudiée. Lorsqu'il s'agissait d'identifier la COVID-19 à partir de radiographies thoraciques, un modèle, EfficientNet-B3, s'est distingué des autres. Il a identifié correctement le virus dans 97 % des cas et a démontré une capacité exceptionnelle à distinguer les patients infectés, ceux souffrant d'autres types de pneumonie et ceux ayant des poumons sains. Ce modèle s'est avéré si fiable qu'il pouvait presque parfaitement séparer les trois groupes, ce qui en fait le candidat idéal pour la détection des épidémies virales.

Cependant, l'histoire a changé lorsque l'équipe a porté son attention sur le cancer du poumon. Pour cette tâche plus complexe, qui impliquait l'analyse de scanners pour trouver des tumeurs, un modèle différent a pris la tête. MobileNetV3, une conception initialement créée pour être légère et rapide pour les appareils mobiles, a atteint une précision stupéfiante de 99 %. Plus impressionnant encore, MobileNetV3 et un autre modèle appelé ResNet50 ont réussi à identifier chaque cas de cancer malin dans leurs ensembles de tests. Ils n'ont manqué aucun de ces tumeurs dangereuses. C'est une conclusion critique, car dans le dépistage médical, manquer un diagnostic de cancer est bien plus dangereux que de déclencher une fausse alerte. Alors que d'autres modèles avaient parfois du mal à faire la distinction entre une croissance inoffensive et un poumon sain, ces modèles de tête maintenaient une distinction nette, garantissant qu'aucune condition potentiellement mortelle ne passe entre les mailles du filet.

Les chercheurs ne se sont pas arrêtés à la simple recherche des meilleurs chiffres. Ils ont compris qu'un algorithme puissant est inutile si un médecin ne peut pas l'utiliser facilement. Pour combler cette lacune, ils ont construit un programme informatique simple et interactif que n'importe qui pourrait utiliser. Cette interface permet à un clinicien de télécharger une image thoracique, de sélectionner s'il recherche un cancer ou la COVID-19, et de recevoir une réponse instantanée. Le système ne se contente pas de dire « cancer » ou « pas de cancer » ; il fournit un score de confiance, un pourcentage qui indique au médecin à quel point l'ordinateur est sûr de sa conclusion. Cette transparence aide le professionnel de santé à décider quel poids accorder à l'opinion de l'ordinateur, transformant un calcul mathématique complexe en un assistant pratique et en temps réel.

L'étude confirme que l'apprentissage profond peut être un allié puissant dans la lutte contre les maladies respiratoires, mais elle souligne également qu'il n'existe pas de solution universelle. Le meilleur outil pour repérer un virus n'est pas nécessairement le meilleur pour trouver une tumeur. En associant soigneusement le bon cerveau numérique à la bonne tâche médicale, et en enveloppant cette technologie dans une interface conviviale, les chercheurs ont créé un système prêt pour le monde réel. PulmoDiagAI démontre que lorsque l'intelligence artificielle avancée est couplée à une préparation médicale minutieuse, elle peut offrir un moyen fiable, rapide et accessible pour soutenir les médecins dans le sauvetage de vies humaines.