Contexte et problématique

Le pôle R&D en biostats d’un laboratoire pharmaceutique de renommée mondiale, constate l’inefficacité des méthodes existantes de classification de cancer. Le métier a besoin également de pouvoir interpréter les résultats obtenus.

Objectifs

Prouver la plus value du deep learning dans la classification d’images médicales même sur de petits échantillons (<2000 images). Fournir un modèle interprétable : le métier doit être capable de comprendre le choix du modèle. Classifier ces images selon 4 catégories de cancer : Poumon, Sein, Prostate et Côlon.

Notre intervention

1 Data Scientist et 1 Data Engineer en mode SCRUM

• Création et nettoyage du jeu de données
• Préparation de la donnée (normalisation, data augmentation à la volée, etc…)
• Modélisation à l’aide d’un Réseau de Neurones Convolutif (CNN) et plus précisément un modèle ResNet avec du transfer learning et du progressive resizing
• Interopérabilité du modèle (matrice de confusion, accuracy, precision, recall, heatmap, etc…)

Résultats

Mise en évidence de caractéristiques cliniques essentielles pour la détection de cancer

PoC présenté et validé par la direction et les pathologistes

87% d’Accuracy et 85% de F-measure sur le test set.

Environnement technique

Python, Jupyter Lab, Pytorch, FastAI, Plotly
Azure
Api Rest
Networkx
Dash
Scrum