Communauté Virtuelle pour les Etablissements de Santé (VCHF)
Le système VCHF est un système d'aide à la décision médicale en ligne pour le diagnostic et le traitement du paludisme. Il est développé pour assister les professionnels de la santé lors de la consultation médicale afin d'optimiser la qualité des soins des patients atteints de paludisme.
Le système est basé sur des Logiciels Intelligents, qui sont dotés des capacités leur permettant d'effectuer les tâches concourant à l'analyse parasitologique.
L'Intelligence Artificielle (IA) dans le Diagnostic Parasitologique du Paludisme
Analyse Automatique d'Image
L'apprentissage automatique s'en mêle!
Notre approche est basée sur la segmentation d'images. Il est établi que la segmentation d'image est le processus de séparation d'une image numérique en plusieurs ensembles de pixels (également appelés segments ou objets d'image) et est une étape préalable à une analyse d'image plus poussée pour localiser des objets d'intérêt spécifiques.
Il est indéniable que l'utilisation de l'analyse d'images automatisée pour identifier les structures d'intérêt rend le processus exponentiellement plus rapide et plus efficace.
L'une des techniques d'intelligence artificielle utilisées pour analyser les images (Virtual Slide), est l'apprentissage non supervisé.
Rappelons qu'un apprentissage automatique non supervisé est une branche de l'apprentissage automatique, caractérisée par l'analyse et le regroupement de données non assises.
En particulier, nous avons développé des algorithmes de clustering capables de détecter, segmenter et classer des images dans le cadre du diagnostic parasitologique du paludisme.
Il convient de noter qu'à partir d'une image d'entrée donnée, nos algorithmes ne connaissent pas à l'avance la sortie exacte. En pratique, le résultat de l'algorithme d'apprentissage non supervisé semble être moins précis car les données d'entrée ne sont pas étiquetées.
Simulation
Nous avons fait notre expérience sur Plasmodium Falciparum. Les parasites au stade sanguin de l'espèce Plasmodium Falciparum présentent différentes morphologies. Ces stades sanguins constituent des classes ou clusters de référence.
Nous avons simulé 40 exemples d'images provenant de plusieurs sources, mais ici la majorité provient de la Division des maladies parasitaires et du paludisme (DPDM) du CDC.
Ci-dessous, nous reprenons un exemple d'analyse d'image effectuée par notre système VLAB.
Métrique de Performance du VLab
Évaluer les performances d'un algorithme de clustering n'est pas aussi trivial que de compter le nombre d'erreurs ou la précision et le rappel comme dans le cas des algorithmes d'apprentissage supervisé.
Cependant, il existe une certaine façon de valider les résultats de notre modèle d'apprentissage non supervisé.
Le test devra répondre à la question "Quelle est la probabilité que nous voyions des ensembles d'échantillons se former comme s'ils étaient tirés de la même distribution de probabilité (mais inconnue)?".