Apprentissage Auto-Supervisé pour Construire des Modèles de Classification Robustes des Radiographies Thoraciques Pédiatriques

Les avancées récentes dans l'apprentissage profond pour l'Intelligence Artificielle Médicale ont démontré que les modèles peuvent égaler la performance diagnostique des experts cliniques dans l'interprétation des radiographies thoraciques (CXR) des adultes. Cependant, leur application dans le contexte pédiatrique reste limitée en raison de la rareté de grands ensembles de données d'images pédiatriques annotées. De plus, des défis significatifs surgissent de la variabilité substantielle des images de CXR pédiatriques à travers différents hôpitaux et de la diversité des tranches d'âge des patients de 0 à 18 ans. Pour relever ces défis, nous proposons SCC, une approche novatrice qui combine l'apprentissage par transfert avec l'apprentissage contrastif auto-supervisé, complétée par une technique d'amélioration du contraste non supervisée. L'apprentissage par transfert à partir d'un modèle de CXR adulte bien entraîné atténue les problèmes liés à la rareté des données d'entraînement pédiatriques. L'apprentissage contrastif avec amélioration du contraste se concentre sur les poumons, réduisant l'impact des variations d'image et produisant des embeddings de haute qualité à travers des images de CXR pédiatriques diverses. Nous entraînons SCC sur un ensemble de données de CXR pédiatrique et évaluons sa performance sur deux autres ensembles de données pédiatriques provenant de différentes sources. Nos résultats montrent que la performance hors distribution (zero-shot) de SCC dépasse celle de l'apprentissage par transfert régulier en termes d'AUC de 13,6 % et 34,6 % sur les deux ensembles de test. De plus, avec un apprentissage à quelques exemples en utilisant 10 fois moins d'images étiquetées, SCC égalise la performance de l'apprentissage par transfert régulier entraîné sur l'ensemble de données étiquetées complet. Pour tester la généralité du cadre, nous vérifions sa performance sur trois ensembles de données de référence sur le cancer du sein. Partant d'un modèle entraîné sur des images naturelles et ajusté sur un ensemble de données de sein, SCC surpasse la base d'apprentissage entièrement supervisée sur les deux autres ensembles de données en termes d'AUC de 3,6 % et 5,5 % en apprentissage zero-shot.