DeepCath : Newsletter

Après plusieurs mois sans donner de nouvelles du projet DEEPCATH, nous sommes ravis de partager avec vous les dernières avancées, réalisées en collaboration avec Lyse Gallay, spécialiste de l’IA de l’Institut d’intelligence Artificielle en Santé (@IIAS) de Reims.

✅ Progrès des Modèles de Deep Learning ✅

A ce jour, Lyse a expérimenté 6 modèles de Deep Learning (DL), allant des architectures des plus aux moins complexes :

1. VGG16 (~138 millions de paramètres)
2. ResNet101(~44 millions de paramètres) – modèle retenu
3. ResNet50 (~25 millions de paramètres)
4. InceptionV3 (~24 millions de paramètres)
5. EfficientNetV2B3 (~12 millions de paramètres)
6. MobileNetV2 (~3 millions de paramètres)

Lyse a finalement opté pour le modèle ResNet101, qui offre un bon équilibre entre complexité et performance de prédiction.

📚 Configurations d’apprentissage 📚

Par la suite, Lyse a testé les 4 configurations d’apprentissage suivantes :

• Scratch
• Transfer learning avec :
• Fine-tuning (ré-entraînement des couches basales et ajout d’une nouvelle couche Fully-Connected)
• Sans fine-tuning (entraînement seulement de la nouvelle couche Fully-Connected) – configuration retenue
• Feature extraction (utilisation d’un algorithme de Machine Learning basique pour la prédiction sur les caractéristiques extraites)

🤖 Modèles de Machine Learning 🤖

En parallèle et pour la configuration de transfer learning par feature extraction, ce sont ces 4 modèles de Machine Learning basiques que nous avons expérimentés :

1. Support Vector Machine (SVM)
2. XGBoost
3. Random Forest
4. Logistic Regression

🔮 Prédiction des Classes 🔮

Concernant l’entraînement de l’algorithme, Lyse s’est concentrée sur la prédiction de 4 classes distinctes :

1. état du site
2. Présence de sang
3. Rougeur
4. Hématome

A ce jour, notre algorithme s’est entrainé plus de 120 fois ! Et cela pour identifier la meilleure combinaison de prétraitements, modèles, configurations et hyperparamètres pour la prédiction de chaque classe.

📊 Meilleures Performances Atteintes 📊

Les résultats obtenus jusqu’à présent montrent des performances prometteuses :

• Etat du site : 76% de détection correcte des cas positifs et 94% des cas négatifs, avec une prédiction correcte de 85% des photos sur un ensemble équilibré (autant de positifs que de négatifs).
• Sang : 85% de détection correcte des cas positifs et 95% des cas négatifs, avec une prédiction correcte de 90% des photos sur un ensemble équilibré.
• Hématome : 70% de détection correcte des cas positifs et 99% des cas négatifs, avec une prédiction correcte de 84% des photos sur un ensemble équilibré.
• Rougeur : 31% de détection correcte des cas positifs et 99% des cas négatifs, avec prédiction correcte pour de 65% des photos sur un ensemble équilibré.

Nous concentrons maintenant notre travail sur l’amélioration de la détection de la classe “Rougeur”.

Du côté d’ICUREsearch

Marwa travaille sur la détection des cathéters et des points d’insertion de cathéter sur les photos. Un peu de patience et nous vous donnerons des nouvelles sur cette partie au congrès du SPIADI !

🤝 Retrouvez-nous 🤝

Retrouvez le projet DEEPCATH lors de la 6e Journée de la Mission Nationale SPIADI, qui se tiendra le 8 octobre à Tours. Nous serons présents pour discuter de nos avancées, des prochaines étapes et pour échanger avec vous.

👀 Suivez le projet DeepCath 👀

Restez connectés sur nos réseaux sociaux pour suivre toutes les actualités liées au projet DEEPCATH :

– Linkedin : @ICUREsearch ⟹ https://www.linkedin.com/company/icuresearch/
– Twitter : @ICUREsearch_eu ⟹ https://twitter.com/ICUREsearch_eu

A bientôt ! 🤩 🤩 🤩
L’équipe DEEPCATH