AUSCULTATION PULMONAIRE INTELLIGENTE
Date : 2022
Partenaires : Faculté de médecine de Sfax et CHU Hédi Chaker Sfax
Technologies utilisées :
Machine Learning : - Réseaux de Neurones Convolutifs (CNN).
- Librairie Librosa TensorFlow
- Keras Flask
Langage de programmation : Javascript
Frameworks : ReactJs - ExpressJs
L’auscultation pulmonaire demeure un examen clinique crucial en pneumologie, mais son caractère subjectif, basé sur l’expérience du praticien et sa capacité auditive, pose des défis. L’évolution de la prévalence des troubles auditifs liée à l’âge accentue cette problématique. Pour remédier à cela, une collaboration entre MEDICACOM et le service de pneumologie du CHU Hedi Chaker à Sfax vise à développer un algorithme de classification reposant sur les réseaux de neurones convolutifs (CNN). Cette technologie vise à soutenir les praticiens en reconnaissant les différents types de sons pulmonaires.
L’objectif principal de cette initiative est de mettre au point une méthode d’analyse automatisée des sons respiratoires, utilisant les CNN et intégrée à un système exploitant un stéthoscope électronique pour capturer et identifier les sons. En conséquence, le développement d’une application d’aide au diagnostic destinée aux médecins est envisagé comme résultat final de cette recherche.
Les enregistrements d’auscultations pulmonaires ont été réalisés initialement auprès de 57 patients hospitalisés au service de pneumologie du CHU Hédi Chaker à Sfax, effectués par un même praticien à l’aide de stéthoscopes électroniques Littmann 3200. Chaque patient a été ausculté à quatre endroits spécifiques, avec chaque enregistrement suivi d’une description et de deux vérifications indépendantes effectuées par des pneumologues distincts. Ces données ont été consignées dans une base de données MySQL pour traitement ultérieur.
L’approche méthodologique comprend une analyse exploratoire des données pour générer des perspectives utiles aux décisions basées sur les données. En outre, la phase de traitement des données implique une augmentation du jeu de données sonores via diverses techniques utilisant la bibliothèque Librosa, suivi d’une normalisation des données et d’une encodage catégorique.
La construction d’un réseau de neurones convolutifs profonds (CNN_1D) à l’aide de TensorFlow et Keras est au cœur de la méthodologie, avec une optimisation des hyperparamètres réalisée via des techniques de recherche en grille et aléatoires. Enfin, le déploiement sous forme d’application web REST à l’aide de Flask et Heroku est prévu comme étape finale de ce travail.
Ce projet a suscité une attention particulière et a été récompensé du 2ème prix lors des XXème Journées de l’APACS, ce qui témoigne de sa pertinence et de son potentiel réel dans le domaine médical. Son acceptation dans l’European Respiratory Society (ERS) souligne la portée internationale de cette initiative novatrice et la reconnaissance de son impact potentiel sur la pratique médicale à l’échelle européenne.
