Vers Un Traitement Intelligent Et Transparent Des Données Médicales

Résumé: Problématique : La thèse examine l’efficacité des réseaux de neurones convolutifs (CNN) dans la classification des cas de pneumonie, une tâche essentielle pour le diagnostic médical précis. Elle aborde spécifiquement les défis posés par la pandémie de COVID-19, où un diagnostic rapide et fiable est crucial pour la gestion et le traitement des patients. Contexte : Dans un environnement médical où les méthodes de diagnostic traditionnelles rencontrent des limites en termes de précision et de rapidité, l’urgence de la crise COVID-19 a mis en évidence la nécessité d’outils de diagnostic avancés. La recherche vise à exploiter les capacités de l’intelligence artificielle pour améliorer la précision du diagnostic des maladies pulmonaires. Résultats : Le modèle CNN développé pour la pneumonie a démontré une précision remarquable de 93% et un score F1 de 92.96%, surpassant les résultats des études antérieures qui utilisaient des méthodes d’apprentissage par transfert ou des architectures plus complexes. Pour la détection du COVID-19, un modèle basé sur DenseNet201, combiné avec l’algorithme Grad-CAM, a produit des résultats exceptionnels, atteignant une accuracy de 98.8%, une précision de 99.5%, un rappel de 98.54% et une spécificité de 99.22%. Ces découvertes soulignent le potentiel significatif des CNN dans l’amélioration du diagnostic médical, surtout en période de crise sanitaire comme la pandémie de COVID-19.

Publié dans la revue: