Un modèle de deep learning peut identifier la tuberculose sur un smartphone

Un diagnostic précoce de la tuberculose est crucial mais difficile à obtenir dans les pays pauvres. C’est pourquoi TBShoNet, comme se nomme le modèle de deep-learning développé pour en détecter les signes radiologiques sur un smartphone, peut être utile dans ces contrées. Il pourrait aider les prestataires de soins de santé dans ces régions où les radiologues et les images numériques haute résolution ne sont pas disponibles.

Il s'agit de la première étude appliquant le transfert par deep learning des radiographies thoraciques capturées par un smartphone pour le diagnostic de la tuberculose.

Trois ensembles de données accessibles au public ont été utilisés pour le modèle entrainement, transfert et évaluation. Le réseau neuronal a été entrainé sur une base de données contenant 250 044 radiographies pulmonaires avec 14 tags pulmonaires n’identifiant pas la tuberculose. Le modèle a ensuite été recalibré pour les photographies des radiographiques thoraciques en utilisant des méthodes de simulation pour améliorer l'ensemble de données.

Le modèle TBShoNet a été construit en connectant le modèle pré-entraîné à un réseau neuronal à 2 couches supplémentaires formés sur des images de radiographie thoracique augmentées. Puis 662 photographies de radiographiques thoraciques prises par cinq téléphones différents ont été utilisées pour tester la performance du modèle. La sensibilité et la spécificité de ce modèle pour la tuberculose étaient de 81% et 84%, respectivement.