Eduardo Silva Alvarado, directeur de la Fundación Universitaria Iberoamericana (Fondation universitaire ibéro-americaine, FUNIBER), à son siège au Guatemala, collabore à une étude qui propose une technique innovante pour améliorer la qualité de la détection du paludisme, en utilisant la technologie de l’apprentissage profond.
Le paludisme est une maladie dangereuse causée par les piqûres de moustiques femelles infectés. Elle est infectieuse non seulement pour les humains, mais aussi pour les animaux. Elle provoque des symptômes bénins tels que fièvre, maux de tête, transpiration, vomissements et gêne musculaire. Les symptômes graves comprennent le coma, les convulsions et l’insuffisance rénale.
Le nombre élevé de cas de paludisme, en particulier en Afrique, en Asie du Sud-Est et en Méditerranée orientale, a mis à l’épreuve l’efficacité de la détection manuelle des globules rouges infectés. La méthode conventionnelle de diagnostic de la maladie implique l’examen déterministe d’échantillons de sang au microscope. Cette approche peut s’avérer difficile, en raison du chevauchement des cellules dans les échantillons épais, ce qui peut rendre difficile la distinction entre les cellules saines et les cellules infectées.
Afin d’accélérer le diagnostic des infections paludéennes, il a été proposé d’utiliser des appareils photo numériques à haute résolution ou des téléphones portables pour capturer des images d’échantillons sanguins. Cependant, la qualité des photographies prises avec des téléphones portables peut être inférieure, ce qui complique l’interprétation manuelle et la détection des maladies à l’aide d’algorithmes d’apprentissage automatique.
Pour surmonter ces difficultés, l’utilisation d’algorithmes d’apprentissage profond capables de traiter rapidement les images et d’estimer les caractéristiques importantes pour le diagnostic et la classification du paludisme a été mise en œuvre. Les méthodes d’apprentissage automatique, telles que les machines à vecteurs de support, les classificateurs Naive Bayes et les réseaux neuronaux, ont démontré une précision de détection des infections comprise entre 83,5 % et 85 %. Cependant, le succès de ces algorithmes dépend fortement de l’accès à des vecteurs de caractéristiques bien construits et discriminants, extraits par des professionnels formés.
Par conséquent, un modèle automatisé et efficace basé sur l’apprentissage profond a été développé à partir d’échantillons de globules rouges. Cette approche a permis d’obtenir un taux de précision élevé de 97,57 % pour la détection du paludisme. L’utilisation d’algorithmes de prétraitement rapides et l’automatisation de l’extraction des caractéristiques permettent d’obtenir un diagnostic précis et fiable de la maladie. L’algorithme élimine la nécessité d’une extraction manuelle des caractéristiques, ce qui réduit considérablement la charge de travail des pathologistes et accélère le processus de diagnostic.
Cette approche innovante combine deux éléments essentiels : l’analyse d’images et des algorithmes entraînés. En entraînant l’algorithme à l’aide d’un vaste ensemble d’images d’échantillons sanguins, il permet non seulement de détecter et de diagnostiquer le paludisme avec précision, mais aussi d’évaluer la gravité du parasité. Cette analyse complète profite à la fois aux pathologistes et aux patients, en fournissant des résultats efficaces, rentables et fiables.
Cette méthodologie innovante constitue une solution prometteuse pour les régions qui manquent de pathologistes qualifiés. La mise en œuvre de cette approche pourrait révolutionner la détection du paludisme et permettre une gestion plus efficace de ce problème de santé mondial.
Pour en savoir plus sur cette étude, cliquez ici.
Pour lire d’autres recherches, consultez le référentiel UNEATLANTICO.
La Fondation universitaire ibéro-américaine (FUNIBER) propose plusieurs programmes d’études dans le domaine de la santé, et de la nutrition. Cliquez ici pour en savoir plus.