AI Pneumonia Detector – Détection de pneumonie par IA

Contexte

La pneumonie est une infection pulmonaire pouvant être détectée à partir de radiographies thoraciques. L'analyse de ces images nécessite généralement l'expertise d'un professionnel de santé, mais les techniques de machine learning permettent aujourd'hui d'automatiser une partie de cette détection.

AI Pneumonia Detector est un prototype d'application IA médicale permettant d'analyser des radiographies pulmonaires afin d'identifier la présence éventuelle d'une pneumonie. Le projet s'appuie sur un dataset de 5856 radiographies réelles fournies dans le cadre du cursus ingénieur IA/Data à Epitech.

L'objectif du projet est de comparer différentes approches d'apprentissage automatique pour la classification d'images médicales et d'explorer leur efficacité dans la détection de pathologies pulmonaires.

Problème

L'analyse de radiographies médicales repose généralement sur l'expertise humaine. Cependant, dans certains contextes, l'utilisation d'outils d'aide à la décision basés sur l'intelligence artificielle peut permettre :

• d'accélérer l'analyse d'images médicales

• d'assister les professionnels de santé

• d'identifier des anomalies visuelles dans les radiographies.

Le défi consiste à entraîner un modèle capable de distinguer correctement des radiographies pulmonaires normales de celles présentant des signes de pneumonie, tout en évaluant la fiabilité des prédictions.

Solution

L'application met en œuvre deux approches de machine learning pour la classification des radiographies :

• Un modèle CNN (Convolutional Neural Network) spécialisé dans l'analyse d'images.

• Un modèle KNN (K-Nearest Neighbors) servant de base de comparaison avec une approche de machine learning plus simple.

Les radiographies sont prétraitées en images grayscale et redimensionnées avant d'être utilisées pour l'entraînement des modèles.

Le modèle CNN exploite une architecture de réseaux de neurones convolutifs permettant d'extraire automatiquement des caractéristiques visuelles pertinentes à partir des images.

Une interface web permet ensuite de tester les modèles en temps réel.

Les utilisateurs peuvent :

• sélectionner des radiographies d'exemple

• importer leurs propres images

• obtenir une prédiction instantanée (NORMAL ou PNEUMONIA)

• consulter les probabilités associées à chaque classe.

Fonctionnalités principales

• analyse de radiographies pulmonaires par IA

• comparaison de deux approches de machine learning (CNN vs KNN)

• interface web interactive pour tester les modèles

• import d'images personnalisées pour l'analyse

• affichage des probabilités de classification

• visualisation des métriques de performance.

Résultats

Les deux modèles ont été évalués sur un jeu de test indépendant.

Le modèle CNN obtient les meilleures performances avec :

• une précision d'environ 95%

• une courbe ROC avec une AUC proche de 0.99

Le modèle KNN atteint une précision d'environ 93%, démontrant qu'une approche plus simple peut déjà produire des résultats corrects, mais reste moins performante qu'un réseau de neurones convolutif pour l'analyse d'images médicales.

Ces résultats confirment l'efficacité des modèles de deep learning pour la classification d'images radiographiques.