L'IA face aux grands problèmes du monde · Médecine et découverte de médicaments · Nature (computational biology) · 2026-10-17
Un cadre d'apprentissage profond hiérarchique interprétable pour la détection du cancer du poumon et du côlon
Titre original: An interpretable hierarchical deep learning framework for lung and colon cancer detection
La classification du cancer du poumon et du côlon à partir d'images histopathologiques est difficile, car les classes se ressemblent et la morphologie tissulaire varie, et les modèles d'apprentissage profond conventionnels offrent peu de transparence. Les auteurs découpent la tâche à cinq classes en étapes allant du grossier au fin : d'abord tissu normal ou cancer, puis un classifieur spécialisé pour les catégories de tissu normal ou les sous-types de cancer, avec la meilleure architecture choisie pour chaque étape. Le cadre a atteint une exactitude de 98.50% sur LC25000 et de 82.01% sur le jeu de données indépendant LungHist700, et Grad-CAM, Grad-CAM++, LIME et Occlusion Sensitivity ont été utilisés pour mettre en évidence les régions de l'image à l'origine de ses prédictions.