01Résumé

02Description

Ce projet R&D vise à comparer différentes approches d’IA de vision médicale appliquées à la détection précoce des cancers cutanés. À partir d’un corpus d’images dermatologiques annotées, plusieurs familles de modèles de deep learning sont entraînées et évaluées sur leur capacité à distinguer lésions bénignes et lésions suspectes. Au-delà du seul niveau de performance brute, l’étude s’intéresse à la stabilité des résultats, à la sensibilité aux variations de données et à la capacité des modèles à fournir des éléments d’explicabilité utilisables par les médecins. La stack technique détaillée est confidentielle, mais le projet s’appuie sur des frameworks scientifiques de référence et des bonnes pratiques d’IA médicale (validation croisée, splits patients, métriques adaptées).

03Enjeux

• Contribuer à la détection plus précoce des cancers de la peau, où le pronostic dépend fortement de la rapidité du diagnostic.
• Identifier les architectures de deep learning les plus adaptées aux images dermatologiques dans un contexte de pratique clinique réelle.
• Évaluer la robustesse des modèles face aux variations de qualité d’image, de matériel ou de conditions de prise de vue.
• Intégrer des éléments d’explicabilité pour favoriser l’acceptation de l’IA par les dermatologues et respecter les exigences de confiance en santé.

04Notre solution

• Constitution et préparation d’un dataset d’images dermatologiques annotées, avec procédures de nettoyage, d’anonymisation et de normalisation.
• Entraînement et évaluation de plusieurs architectures de deep learning (modèles de vision avancés), avec protocoles d’expérimentation rigoureux.
• Mise en place d’une batterie de métriques (sensibilité, spécificité, AUC, calibration) pour comparer les modèles sur des critères cliniquement pertinents.
• Analyse de la robustesse (tests de stress, perturbations d’images) et exploration de techniques d’explicabilité (cartes de chaleur, attribution de caractéristiques).
• Production d’une matrice de performance et de recommandations scientifiques permettant de guider les choix d’architecture pour de futurs dispositifs médicaux basés sur l’IA.

05Résultats & impact

• Matrice comparative de performance, robustesse et explicabilité des principales architectures testées sur les images dermatologiques.
• Identification de pistes d’optimisation (pré-traitements, stratégies d’augmentation, réglages de modèles) pour améliorer la sensibilité sans sacrifier la spécificité.
• Base scientifique exploitable pour de futurs projets d’industrialisation (dispositifs médicaux, outils d’aide à la décision pour dermatologues).
• Capitalisation méthodologique sur la manière de mener des expérimentations IA en santé dans un cadre exigeant de robustesse et de confiance.

06Technologies clés