J'ai mené ce mémoire de fin d'études en collaboration avec un étudiant en master d'intelligence artificielle. Mon rôle portait sur la question clinique, l'interprétation et l'analyse des erreurs. Le modèle a été entraîné sur un jeu de données public anonymisé. Nous avons étudié les cartes d'activation pour vérifier que le modèle regardait bien les poumons et non des marqueurs de l'appareil. J'en retiens qu'un bon chiffre global peut cacher des erreurs graves sur des sous-groupes de patients.
Dans les services très chargés, des radiographies thoraciques attendent avant d'être relues. Un tri préalable pourrait aider à prioriser, à condition de connaître ses limites.
Sur un jeu de données public, le modèle obtient une sensibilité correcte pour les anomalies marquées. L'étude conclut qu'il ne doit en aucun cas remplacer la lecture d'un médecin.
Votre moteur de recherche comprend enfin le jargon de votre métier, en arabe comme en français.
Un travail exploratoire sur un modèle qui signale les radiographies thoraciques à revoir en priorité.
Une caméra, un éclairage maîtrisé et un modèle qui repère les produits non conformes à cadence réelle.
Quantification, export ONNX, TensorRT : le même modèle, plus léger et plus rapide sur votre matériel.
