L'IA face aux grands problèmes du monde · Médecine et découverte de médicaments · Nature (computational biology) · 2026-10-17
Un cadre d'apprentissage profond multitâche pour la prédiction automatisée de l'état de santé à partir d'images de fond d'œil rétiniennes, utilisant une attention hybride et une IA explicable
Titre original: A multi task deep learning framework for automated health condition prediction from retinal fundus images using hybrid attention and explainable AI
Les modèles d'apprentissage profond existants pour les images de fond d'œil rétiniennes ne gèrent qu'une seule tâche, offrent une interprétabilité limitée et peinent à s'adapter aux variations entre jeux de données. Les auteurs proposent un réseau multitâche qui classe la gravité de la rétinopathie diabétique, le glaucome, le stade de la DMLA et le risque cardiovasculaire à partir d'une seule image en une seule passe avant, avec des explications Grad-CAM. Il a atteint une précision de 94.7 % et une AUC de 0.978 sur quatre jeux de données, surpassant statistiquement tous les modèles monotâche, ainsi qu'une AUC d'au moins 0.951 en évaluation inter-jeux de données en zero-shot.