Une approche de fusion hybride pour la détection du cancer de la peau utilisant l'apprentissage en profondeur sur des images cliniques et l'apprentissage automatique sur les métadonnées des patients

Le cancer de la peau reste un problème de santé mondial, la détection précoce étant cruciale pour améliorer les résultats des traitements. Bien que les modèles d'apprentissage en profondeur tels que les réseaux de neurones convolutionnels (CNN) se soient révélés très efficaces pour la classification du cancer de la peau à partir d'images dermatologiques, ils négligent souvent les précieuses métadonnées des patients qui peuvent contribuer à une meilleure précision diagnostique. Dans la présente étude, nous introduisons un cadre de fusion tardive multimodal qui intègre à la fois des images de cancer de la peau et des métadonnées de patients. L'approche utilise le modèle Inception-ResNet-v2 (IRv2) pour extraire les caractéristiques d'image, et un modèle d'ensemble par empilement composé de classificateurs Extra Trees et Random Forest pour le prétraitement des métadonnées des patients. Ensuite, un classificateur de vote final appliquant une stratégie de vote doux, qui agrège les probabilités de classe provenant de la régression logistique et de Random Forest en tant que votants de base, est utilisé pour la méthodologie de fusion finale. Cela conduit à une précision de 95,9 % sur le jeu de données HAM10000. Nos résultats soulignent le potentiel des approches multimodales dans les applications de soins de santé.