Parmi les systèmes de Diagnostic assisté par ordinateur (DAO), les CNNs parviennent à obtenir de bonnes performances après un apprentissage, grâce à leur capacité à modéliser de façon autonome des caractéristiques abstraites sur des données à l’aide des couches de convolution, mais fonctionnent comme des « boîtes noires » qui ne permettent ni d’intégrer, ni de retrouver des concepts utilisés par l’intelligence humaine. À l’inverse, des algorithmes fondés sur des approches classiques permettent d’intégrer des concepts issus de la pratique dermatologique à travers la sélection et l’extraction de descripteurs pertinents, mais sont généralement dérivés des critères ABCD. Or, les dermatologues confrontés au challenge diagnostique mélanome versus nævus, utilisent inconsciemment une analyse cognitive globale, fondée sur la perception de la lésion dans sa globalité et son aspect ordonné/désordonné, plutôt que sur les critères ABCD. À notre connaissance, le concept d’évaluation d’une lésion mélanocytaire par une échelle de désordre n’a jamais été pris en compte dans le développement des DAO. Les objectifs de notre étude étaient de développer un algorithme fondé sur l’évaluation de l’aspect ordonné/désordonné d’une lésion et de comparer ses performances à celles d’un CNN sur les mêmes images dermoscopiques (ID).

(ou Observation(s) si cas clinique(s)) : La base de données (BDD) d’ID ISIC 2019 a été utilisée, incluant 1088 mélanomes et 5036 nævus (confirmation histologique ou suivi pour certains nævus). Nous avons développé un algorithme k-NN sur des caractéristiques spécifiques du désordre : entropie, skewness, écart-type et kurtosis, extraites des ID à partir de 4 espaces couleurs. Nous avons développé un CNN ResNet-50 sur la même BDD standardisée, puis enrichie par des ID générées. Les performances de ces 2 modèles ont été comparées sur la même BDD test (273 ID mélanomes, 1260 ID nævus).

Les performances de ce 1er algorithme « ordre/désordre » (AUC 0,91, sensibilité 91 %, spécificité 74 %) fondé sur seulement 48 descripteurs sont similaires à celles du CNN utilisé comme témoin (AUC 0,89, sensibilité 86 %, spécificité 75 %) qui est fondé sur des millions de descripteurs. L’entropie caractérisant l’aspect désordonné des couleurs d’une lésion s’est révélée être le descripteur le plus discriminant significativement.

L’intégration de la caractérisation de l’aspect ordonné/désordonné des lésions au sein des algorithmes permet d’augmenter leurs performances pour la détection du mélanome et d’améliorer l’interprétation de leurs résultats. Ceci montre que l’implication des dermatologues au sein des équipes de recherche en Intelligence Artificielle est cruciale pour favoriser la modélisation de concepts dermatologiques pertinents lors du développement d’algorithmes.