Participation à un Concours de détection du Cancer de la Peau

Actualités Conférences et concours IA Machine Learning Intelligence Artificielle Concours 0 Commentaires

Je suis ravi de vous annoncer ma participation à un concours innovant visant à développer des algorithmes basés sur l’image pour identifier les cas de cancer de la peau confirmés histologiquement. Ce concours met l’accent sur l’utilisation de photos corporelles complètes en 3D, semblables à des photos prises avec un smartphone, pour détecter précocement les cancers de la peau.

Tous les détails du concours sur le site de Kaggle en Anglai s

Je documenterai ma progression et les solutions open source développées au fur et à mesure de l’avancement du concours sur notre Github Shellbots.

L’objectif est de proposer un modèle de données et ensuite une application open source pour permettre de détecter plus précocément les mélanomes.

Restez à l’écoute pour les mises à jour ou abonnez vous à notre page Linkedin Neurones Solutions ou sur notre Github https://github.com/neuronessolutions/Shellbots.ai

Contexte du Concours

Le cancer de la peau peut être mortel s’il n’est pas détecté tôt. Cependant, de nombreuses populations n’ont pas accès à des soins dermatologiques spécialisés. Au fil des ans, les algorithmes d’IA basés sur la dermoscopie ont aidé les cliniciens à diagnostiquer le mélanome, le carcinome basocellulaire et le carcinome épidermoïde. L’identification des personnes devant consulter un clinicien est cruciale et pourrait grandement bénéficier aux populations mal desservies.

Ce concours exploite des photos corporelles complètes en 3D pour constituer un ensemble de données novateur, chaque image représentant une lésion unique de patients issus de trois continents. L’objectif est de développer des algorithmes capables de différencier les lésions cutanées malignes des lésions bénignes à partir de ces images.

Évaluation

Les soumissions sont évaluées sur la base de la zone partielle sous la courbe ROC (pAUC) au-dessus de 80 % du taux de vrais positifs (TPR) pour la classification binaire des exemples malins. L’algorithme doit prédire la probabilité qu’une lésion soit maligne pour chaque image du jeu de test.