Un nouveau cadre de fusion spatiotemporelle multi-agent pour le diagnostic intelligent du cancer de la peau

Introduction : Le cancer de la peau est l'une des malignités les plus courantes dans le monde, et le diagnostic précoce reste un défi en raison de sa similarité morphologique avec les lésions bénignes. La plupart des systèmes de diagnostic assisté par ordinateur existants reposent sur des images statiques uniques, négligeant les informations temporelles qui sont cruciales pour distinguer la malignité progressive. Méthodes : Nous proposons un cadre de fusion spatiotemporelle multi-agent novateur pour améliorer la précision diagnostique. Le cadre se compose de trois composants clés : (1) un agent spatial basé sur un réseau de neurones convolutifs pour l'extraction de caractéristiques statiques de haute fidélité ; (2) un agent temporel utilisant des unités récurrentes à portes pour modéliser l'évolution longitudinale des lésions ; et (3) un agent de collaboration qui fusionne dynamiquement les représentations spatiales et temporelles via une stratégie de pondération basée sur l'attention. Résultats : Des expériences sur de grands ensembles de données dermoscopiques publiques ont montré que notre méthode a atteint une précision de 94,5 %, un score F1 de 93,8 % et une AUC de 0,97, surpassant les modèles traditionnels d'apprentissage automatique, les classifieurs CNN et les bases de référence 3D-CNN. Des études d'ablation ont également confirmé la contribution essentielle de la modélisation temporelle et de la fusion adaptative, en particulier dans la différenciation des mélanomes précoces des nævus atypiques. Discussion : Ce travail met en évidence le potentiel de la modélisation spatiotemporelle pour améliorer la détection précoce du cancer de la peau et fournit une direction prometteuse pour le diagnostic assisté par IA d'autres maladies chroniques nécessitant un suivi longitudinal.