Apprentissage profond pour aide dans le diagnostic et le triage des tumeurs cutanées

Ce projet vise à utiliser l’apprentissage profond (DL) pour développer un outil de triage des tumeurs cutanées chez les enfants, améliorer la précision du diagnostic et simplifier l’accès aux soins spécialisés.

Objectifs

Objectif principal : Develop a DL-based tool to provide ranked differential diagnoses and triage recommendations for pediatric skin tumors.

Objectif secondaire : Evaluate the performance of the algorithm with a prospective dataset and evaluate the tool’s clinical utility.

Plan de recherche

Objectif 1 : Développement et validation d’algorithmes

1. Collecte de données rétrospectives : création d’un ensemble de données d’images rétrospectives d’une lésion unique de tumeurs cutanées provenant des archives de photographies médicales du CHU Sainte-Justine et de sources publiques.
2. Modèle de formation : entrainer un réseau neuronal convolutif par le transfert d’apprentissage à partir de modèles ResNet34 et utiliser des techniques d’augmentation de données pour atténuer les biais dans des conditions rares et des types de peau plus foncée.
3. Validation : évaluer la performance de triage de l’algorithme sur le jeu de données de test en analysant l’impact de l’algorithme sur la réduction des consultations et l’identification des cas nécessitant des consultations dermatologiques.

Objectif 2 : Validation prospective et utilisabilité clinique

1. Collecte de données prospectives : compilation d’un ensemble de données d’images prospectives de 500 patients pédiatriques avec des tumeurs cutanées sur deux ans au CHU Sainte-Justine.
2. Validation prospective : évaluer la performance de l’algorithme sur le jeu de données prospectif en utilisant des mesures telles que l’exactitude du diagnostic, la sensibilité, la spécificité et l’efficacité du triage.
3. Étude clinique : mener une étude avec les cliniciens pour comparer les diagnostics précision, efficacité du tri, fiabilité et temps par cas avec ou sans l’aide de l’IA.