Analyse de données médicales par Machine Learning
Ce projet illustre l’application du Machine Learning à des données médicales réelles. L’objectif est de classifier des radiographies thoraciques (Chest X‑ray) en deux classes : NORMAL et PNEUMONIA. Le travail couvre la préparation des données, l’entraînement d’un modèle ResNet18, l’évaluation des performances et la mise en place d’une interface interactive pour tester les prédictions.
Données et méthode
Sources et préparation
- Dataset : radiographies thoraciques publiques (Chest X‑ray Pneumonia).
- Organisation : dossiers
train,val,testavec classes NORMAL et PNEUMONIA. - Prétraitement : redimensionnement (224×224), normalisation, conversion en tenseurs.
Approche analytique
- Modèle : réseau ResNet18 pré‑entraîné, adapté pour classification binaire.
- Entraînement : optimiseur Adam, fonction de perte CrossEntropy.
- Évaluation : accuracy sur validation et test, matrice de confusion.
Outils : Python (PyTorch, Torchvision), Dash pour l’interface interactive.
Résultats et visualisations
Le modèle atteint une bonne capacité de distinction entre les deux classes. L’interface permet de sélectionner une image et d’obtenir une prédiction instantanée avec les probabilités associées. Une matrice de confusion illustre la performance globale sur un échantillon.
Utilité
Ce projet démontre un pipeline complet de Machine Learning appliqué à des données médicales : de la préparation des données brutes jusqu’à la mise en place d’une interface interactive. Il constitue une base reproductible pour des projets similaires, qu’ils soient orientés santé ou industrie, et illustre la valeur ajoutée des outils IA pour l’analyse et la prise de décision.