Apprentissage artificiel basé sur la classification multiclasse pour la prédiction du syndrome du côlon

Abstract

Les maladies du côlon constituent un problème majeur de santé publique dans le monde, nécessitant des méthodes de diagnostic précises et rapides. Avec les avancées récentes dans le domaine de l’Intelligence Artificielle, les techniques de Deep Learning ont montré un potentiel important dans l’analyse automatique des images médicales. Cet article propose une approche basée sur les Convolutional Neural Networks (CNN) pour la classification multi-classes des pathologies côlon à partir d’images médicales.La méthode consiste à entrainer un modèle de réseau de neurones convolutif sur un ensemble de données d’images du côlon afin d’identifier et de classifier différentes catégories de pathologies. Les étapes principales comprennent le prétraitement des données, l’entraînement du modèle et l’évaluation de ses performances à l’aide de métriques telles que la précision, le rappel et le score F1. Les résultats expérimentaux montrent que l’approche proposée permet d’améliorer la précision de la classification et d’assister efficacement les professionnels de la santé dans le processus de diagnostic. Cette étude démontre que l’utilisateur du Deep Learning appliqué aux image médicales peut constituer un outil prometteur pour la détection précoce et la prédiction des maladies du côlon.

Colon diseases represent a significant public health challenge globally, necessitating the development of accurate and rapid diagnostic methods. Recent advancements in the field of Artificial Intelligence have highlighted the substantial potential of Deep Learning techniques in the automatic analysis of medical images. This article presents an approach based on Convolutional Neural Networks (CNN) for the multi-class classification of colon pathologies derived from medical imaging. The methodology involves training a convolutional neural network model on a dataset of colon images to identify and classify various categories of pathologies. Key steps in this process include data preprocessing, model training, and performance evaluation utilizing metrics such as accuracy, recall, and F1 score. Experimental results demonstrate that the proposed approach enhances classification accuracy and effectively assists healthcare professionals in the diagnostic process. This study underscores the promise of Deep Learning applications in medical imaging as a valuable tool for the early detection and prediction of colon diseases.