Introduction – Module de détection de mélanomes « DermaBots »

Version 2025.02.09.2, Auteur : Dominique Delaire, Neurones Solutions Inc.

Cet article est le premier article d’une série et constitue la documentation de notre Module de détection de mélanomes nommé « DermaBots » pour démontrer les possibilités des outils IA intégrés à notre OS et framework Shellbots pour créer des services d’IA innovants pour la recherche dans différents domaines et les entreprises.

Introduction

Dans un monde où les technologies de l’intelligence artificielle évoluent à une vitesse fulgurante, leur application dans le domaine médical devient de plus en plus cruciale. Parmi les nombreux défis que les professionnels de la santé doivent relever, la détection précoce du mélanome, une forme agressive de cancer de la peau, est particulièrement primordiale. C’est dans cette optique que cet article propose une exploration approfondie d’un système de machine learning capable de différencier les grains de beauté bénins des mélanomes potentiels à partir d’images dermatologiques.

Ce projet ambitieux se décompose en quatre parties. Nous commencerons par une introduction à l’utilisation de Shellbots, notre environnement puissant pour le développement de modèles de machine learning et d’IA générative intégrant les moteurs principaux du marché (Pytorch, Google Tensor Flow, Dataiku, etc.).

Nous montrerons comment intégrer efficacement Dataiku pour la préparation et l’analyse des données d’image, une étape cruciale pour garantir la précision des prédictions. Ensuite, nous plongerons dans l’utilisation de Pytorch, une bibliothèque de deep learning, pour entraîner un modèle capable d’identifier les caractéristiques distinctives d’un mélanome. Enfin, nous démontrerons comment ce modèle peut être intégré dans Shellbots pour offrir un outil précieux aux médecins, dermatologues et patients.

Ce système ne vise pas seulement à automatiser la détection, mais également à fournir un soutien décisionnel aux professionnels de santé, augmentant ainsi les chances de détection précoce et améliorant les résultats cliniques. À travers cet article, nous allons découvrir comment les technologies de l’IA peuvent transformer le domaine médical, offrant des solutions innovantes et accessibles pour lutter contre l’une des menaces les plus graves pour la santé humaine.

Création d’un contexte dans Shellbots pour accueillir les données et images d’entraînement avec Dataiku

Dans la console du système d’exploitation Shellbots, nous créons un contexte avec la commande « createcontext ».

Un contexte est une sorte de projet Shellbots où on entrepose et gère différentes choses : nos données, nos modèles, nos services pour notre base de machine learning et/ou d’IA générative.

Puis pour changer de contexte et travailler sur celui-ci dans Shellbots, il suffit d’utiliser la commande « usecontext » et de choisir son contexte spécifique.

Données de référence représentant des grains de beauté bénins ou malins

Nous utiliserons ici des données de différentes sources :

• ISIC (International Skin Imaging Collaboration) : qui contient des centaines de milliers d’images de lésions cutanées y compris des mélanomes. Ces images sont annotées par des experts, ce qui en fait une ressource idéale pour l’entraînement de modèles d’apprentissage automatique.
• PH2 Database : Une autre base de données contenant des images de mélanomes et d’autres types de lésions cutanées acquise du service de Dermatologie de l’Hôpital de Matosinhos au Portugal.
• D’autres sources anonymes de sources médicales

Voici un exemple de la base de données ISIC :

et la base données PH2 qui contient un outil de visualisation en Matlab et où l’on peut télécharger les images et leur classification respective : https://www.fc.up.pt/addi/ph2%20database.html

Sélection des données

Pour l’exemple ici, nous avons sélectionné 3500 images présentant des grains de beauté avec un cas de mélanome et 3500 images présentant des grains de beauté bénin.

Nous avons essayé d’équilibrer nos données.

La prochaine étape va être de trier et de classifier les données dans un nouveau modèle. Pour cela, nous allons utiliser Dataiku intégré à Shellbots.

Dans shellbots, la ligne de commande est aussi un prompt 🙂 Donc, si Shellbots ne reconnait pas une commande, il va interpréter votre demande comme un prompt. La réponse à ce prompt dépend du moteur par défaut configuré dans le système d’exploitation Shellbots. Par défaut ici, c’est le fournisseur OpenAi avec le modèle Gpt-4o-mini mais vous pourriez le changer avec des fonctions dédiées. Shellbots contient la majorité des moteurs IA du marché. On pourrait aussi mettre plusieurs moteurs ia par défaut pour générer plusieurs réponses en fonction des moteurs paramétrés.

Avant de lancer Dataiku, voici les principales fonctions de Dataiku. Pour cela, nous lui avons posé la question suivante : Qu’es ce que Dataiku ? 🙂

Maintenant, pour lancer Dataiku, il suffit de taper la commande dataiku

Et le navigateur par défaut va s’ouvrir pour afficher l’interface de connexion de Dataiku

Dans un prochain article, nous traiterons de la préparation, l’analyse et la classification des données et des images avec Dataiku !