CheXNet un algorithme capable de rivaliser avec les radiologistes
Xray4ll est une application web développée par les étudiants de Stanford qui intègre un algorithme CheXNet qui permet d’interpréter les radios thoraciques. Cet algorithme est le premier à évaluer simultanément les radios thoraciques pour une multitude de maladies possibles et à donner des résultats conformes aux lectures des radiologues.
Les scientifiques ont entrainé l’algorithme pour détecter 14 pathologies différentes : Pour 10 maladies, l’algorithme a donné d’aussi bons résultats que les radiologues ; pour trois, il a donné des résultats inférieurs à ceux des radiologues ; et pour une, l’algorithme a surpassé les experts.
Il suffit d’up-loader une radio du thorax depuis sont ordinateur ou son téléphone mobile et d’attendre l’analyse de Xray4ll capable de valider ou non la présence de la pathologie mais également de localiser visuellement la zone d’attention soulignée par l’algorithme grâce à un mapping visuel. Ce mapping visuel est obtenu grâce à un second algorithme GRAD-CAM.
Les applications de CheXNet à la COVID-19
Certains chercheurs ont essayé d’utiliser le modèle CheXNet pour détecter la COVID-19. La priorité numéro un était de constituer un jeu de données avec des radios du thorax de patients atteints de la COVID-19.
Les chercheurs ont mis en partage sur Github des bases de données Open Source de radios du thorax pour faire avancer la recherche. L’objectif du projet était de créer un ensemble de données publiques de radiographies pulmonaires de patients positifs ou suspectés d’être atteints de COVID-19 ou d’autres pneumonies virales et bactériennes (MERS, SARS et ARDS).
Les chercheurs ont ensuite utilisé la technique de l’apprentissage par transfert (Transfer learning) en reprenant les paramètres pré-entrainés de CheXNet.
“L’apprentissage par transfert est une approche de l’apprentissage profond (et de l’apprentissage automatique) dans laquelle les connaissances sont transférées d’un modèle à un autre.”
Généralement, les premières couches du réseau (en particulier pour les CNN) sont gelées. Cela permet aux chercheurs d’effectuer un entraînement complet sur le modèle existant et de modifier les paramètres dans les toutes dernières couches.
“Il a été observé que les premières couches d’un réseau capturent des caractéristiques plus génériques alors que les dernières sont très spécifiques à un ensemble de données.”
Le modèle DarkCovidNet proposé est capable d’effectuer des tâches binaires et multi-classification avec une précision de 98,08% et 87,02%, respectivement.
Aller plus loin …
Pie & AI: Real-world AI Applications in Medicine (à partir de 1h23, démo de Xray4ll appliqué à la covid-19 par Bora Uyumazturk)
Transfer Learning par Andrew Ng
