Le pôle R&D en biostatistiques d'un laboratoire pharmaceutique mondial constatait l'inefficacité des méthodes existantes de classification de cancer par imagerie. Nous avons prouvé que le Deep Learning pouvait surpasser ces méthodes même sur de petits échantillons tout en restant interprétable par les pathologistes.
Détection de cancer via Deep Learning
Le pôle R&D en biostatistiques d'un laboratoire pharmaceutique mondial constatait l'inefficacité des méthodes existantes de classification de cancer par imagerie. Nous avons prouvé que le Deep Learning pouvait surpasser ces méthodes même sur de petits échantillons tout en restant interprétable par les pathologistes.
Problématique
Solution
Ce que nous avons construit
Nous avons déployé 1 Data Scientist et 1 Data Engineer en mode Scrum pour concevoir un POC de classification d'images médicales par Deep Learning, validable par les pathologistes.
Étape 1 — Préparation des données. Création et nettoyage du jeu de données, normalisation et data augmentation à la volée pour compenser la taille réduite de l'échantillon et maximiser la robustesse du modèle.
Étape 2 — Modélisation Deep Learning. Développement d'un réseau de neurones convolutif (CNN) basé sur une architecture ResNet, avec transfer learning pour tirer parti de modèles pré-entraînés et progressive resizing pour optimiser l'apprentissage sur un petit dataset.
Étape 3 — Interprétabilité. Mise en place d'un système complet d'explicabilité : matrice de confusion, métriques de performance (accuracy, precision, recall) et heatmaps montrant les zones de l'image qui ont influencé la classification. Les pathologistes pouvaient vérifier que le modèle se basait sur les bonnes caractéristiques cliniques.
Étape 4 — Validation par les experts. Présentation du POC à la direction R&D et aux pathologistes. Validation des résultats et des caractéristiques cliniques identifiées par le modèle.
Projets dans la même catégorie
