Impact d’un artefact fréquent sur la détection automatique du mélanome à partir d’images dermoscopiques : approche deep learning combinée à l’algorithme Support Vector Machine

Introduction Grâce a l’introduction recente du deep learning (DL), l’intelligence artificielle a montre, pour la reconnaissance automatique du melanome a partir d’images dermoscopiques (ID), des performances quasi-similaires a celles des dermatologues. Cependant, des artefacts frequents inherents a la prise photographique dermoscopique tel que le halo noir peripherique pourraient interferer sur la prediction diagnostique de ces algorithmes, parfois utilises via des applications smartphones. Cette etude evalue l’impact du halo sur un algorithme de DL developpe par notre laboratoire. Materiel et methodes La base de donnees (BDD) publique ISIC 2019, a ete utilisee pour l’entrainement de notre algorithme classifiant melanome vs naevus, contenant 1259 melanomes (confirmes par histologie) et 5716 naevus, puis enrichie par des ID generees pour un total de 10 000 melanomes et 10 000 naevus. Un algorithme de type Convolutionnal Neural Network (CNN), pre-entraine ResNet-50, a permis d’extraire les descripteurs de l’ensemble des ID qui ont ete utilises pour entrainer un algorithme Support Vector Machine. Sa performance a ete evaluee sur deux BDD tests d’ID, chacune modifiee par un traitement d’images specifique : 1re BDD, un groupe controle constitue d’ID sans halo (271 melanomes et 1283 naevus) sur lequel des halos artificiels de 3 superficies differentes ont ete ajoutes (semblables aux halos originels), pour evaluer l’impact du halo sans que l’aspect de la lesion n’intervienne ; 2e BDD, un groupe test, constitue d’ID avec halo originel (457 melanomes, 597 naevus) sur lequel un traitement d’images par rognage de l’ID a ete effectue pour tenter d’eliminer le halo. Resultats La performance de l’algorithme de DL a ete evaluee selon l’aire sous la courbe ROC (AUC), la sensibilite (S) et la specificite (Sp), avec un seuil de probabilite superieur a 0,5 pour la prediction de melanome ( Tableau 1 ). Les resultats du groupe controle demontrent l’impact du halo : la S pour la detection du melanome sur les ID sans halo de 73 % diminue graduellement selon la taille du halo artificiel ajoute sur ces memes images jusqu’a 27 %. De plus, les resultats du groupe test demontrent que la S des ID avec halo originel de 67 % augmente a 90 % apres avoir rogne automatiquement les ID. Discussion Pour la premiere fois, nous demontrons que l’artefact halo interfere sur la prediction diagnostique des CNN initialement correcte des melanomes, en augmentant le nombre de faux negatifs, et diminue la performance des algorithmes de DL. Le heat map represente en rouge la zone de decision du CNN et demontre la deviation de cette zone hors de la lesion vers le halo, lorsqu’il est present. Il est primordial de limiter la presence de cet artefact lors de la prise de photographies dermoscopiques ou de l’eliminer par traitement d’images avant son analyse par un algorithme.