Classification multiclasses des lésions cutanées : comparaison de modèles classiques, d'un réseau convolutif et d'un montage hybride sur la base publique HAM10000

Abstract

Parmi les cancers de la peau, le mélanome demeure le plus meurtrier, alors qu'une ablation précoce en guérit la quasi-totalité des cas. Nous comparons, sur un protocole d'évaluation unique, quatre façons d'assigner une image dermoscopique à l'une des sept classes de la base HAM10000 (10 015 images, réparties en 7 009 images d'entraînement, 1 503 de validation et 1 503 de test). Deux classifieurs classiques machine à vecteurs de support à noyau gaussien et forêt d'arbres décisionnels travaillent directement sur les pixels ; viennent ensuite un réseau convolutif EfficientNetB0 affiné par transfert, puis un montage hybride qui emploie ce même réseau, gelé, comme extracteur de descripteurs avant un vote des plus proches voisins. Le réseau affiné de bout en bout arrive en tête avec 78,44 % de bonnes réponses sur le jeu de test, devant le montage hybride (73,79 %), la forêt (72,12 %) et la machine à vecteurs de support (71,06 %). Ce classement se fissure dès qu'on descend au niveau des classes : pour l'hybride, le F1 moyen non pondéré tombe à 51,90 % contre 73,24 % en moyenne pondérée, la sensibilité au mélanome plafonne à 46,7 % et l'aire sous la courbe de cette classe s'établit à 0,697. Une exactitude globale flatteuse peut donc n'être portée que par la classe bénigne majoritaire. Toute évaluation orientée vers la clinique doit s'accompagner des métriques par classe. Les pistes d'amélioration dégel progressif, enrichissement des données, repondération des classes, explicabilité et fusion des variables cliniques sont discutées en vue d'un usage en appui au diagnostic dermatologique.