Progrès dans la classification du psoriasis grâce à des algorithmes personnalisés d’apprentissage par transfert

Pourquoi un diagnostic cutané plus intelligent compte

Le psoriasis n’est pas qu’une éruption tenace. Cette affection cutanée chronique peut se fissurer, saigner, démanger et même endommager les articulations, perturbant le sommeil, le travail et la vie sociale. Pourtant, les médecins le diagnostiquent encore principalement à l’œil nu, ce qui peut être lent et subjectif — surtout lorsque la maladie se présente différemment selon les zones du corps. Cette étude examine comment l’intelligence artificielle (IA) moderne peut aider : en entraînant des programmes informatiques à reconnaître sept types distincts de psoriasis à partir de photographies de la peau, avec une précision qui rivalise avec, et pourrait un jour soutenir, les cliniciens experts.

Une même maladie, de nombreux visages

Le psoriasis n’a pas la même apparence chez tout le monde. Les chercheurs se concentrent sur sept sous‑types : le psoriasis en plaques (les classiques plaques squameuses), le psoriasis guttata (petites taches en forme de gouttelettes), le psoriasis des ongles, le psoriasis pustuleux (boutons semblables à des pustules remplis de pus), le psoriasis érythrodermique (rougeur étendue et intense), le psoriasis inversé (plaques lisses et rouges dans les plis cutanés) et l’arthrite psoriasique, qui associe des modifications cutanées à des articulations douloureuses et gonflées. Les distinguer importe car chaque type peut nécessiter des traitements différents et indique des risques distincts. Néanmoins, les symptômes peuvent se chevaucher entre eux et avec d’autres maladies de la peau, ce qui rend le diagnostic visuel difficile, surtout en dehors des cliniques spécialisées.

Constituer une riche bibliothèque d’images

Pour apprendre aux ordinateurs à différencier ces sous‑types, l’équipe a d’abord dû rassembler des données appropriées. Les collections publiques d’images cutanées existantes étiquettent rarement le sous‑type précis de psoriasis, et certaines formes sont beaucoup plus rares que d’autres. Les auteurs ont compilé 4 005 images provenant de plusieurs dépôts d’images médicales ouverts, notamment ISIC, HAM10000 et DermNet. Ils ont ensuite classé chaque image dans l’une des sept catégories de psoriasis. Pour empêcher l’ordinateur d’apprendre excessivement les types courants et d’ignorer les rares, ils ont utilisé l’« augmentation d’images » : créer des copies variées des photographies en les faisant tourner, zoomer et retourner. Cette étape d’équilibrage a rendu l’ensemble de données plus homogène entre les sept classes et a aidé les modèles à apprendre des motifs robustes plutôt qu’à mémoriser quelques exemples fréquents.

Apprendre aux machines à lire la peau

Plutôt que de partir de zéro, les chercheurs se sont appuyés sur l’apprentissage par transfert. Ils ont pris trois systèmes puissants de reconnaissance d’images — ResNet50, InceptionResNetV2 (appelé ici InceptionV2) et InceptionV3 — initialement entraînés sur des millions de photos du quotidien, et les ont ajustés sur des images de psoriasis. Avant d’alimenter les images, ils ont standardisé chacune à une taille fixe et normalisé les valeurs de pixels. Ils ont ensuite gelé la plupart des couches internes, ajouté de nouvelles couches « supérieures » adaptées aux sept types de psoriasis, et entraîné ces ajouts sur leur jeu de données curaté. Deux procédures d’entraînement populaires, les optimiseurs Adam et RMSprop, ont été comparées pour déterminer laquelle produisait un apprentissage plus fiable.

Quelle IA apprend le mieux le psoriasis ?

Les trois modèles d’IA pouvaient reconnaître les types de psoriasis avec une précision prometteuse, mais l’un d’eux s’est nettement distingué. Le modèle ResNet50 a donné de bonnes performances, classant correctement environ quatre images de test sur cinq. InceptionV2 a fait bien mieux, atteignant environ 97 % de précision sur des données de test inédites lorsqu’il était entraîné avec l’optimiseur RMSprop. Les meilleurs résultats provenaient d’InceptionV3, également associé à RMSprop : il a identifié correctement le sous‑type pour environ 99 % des images de test, et sa précision et sa sensibilité (la justesse de ses prédictions positives et de ses détections) étaient également élevées. Les outils d’explication visuelle, qui mettent en évidence les zones d’une image qui motivent la décision de l’IA, ont montré que le modèle se focalisait sur des régions cliniquement pertinentes des lésions plutôt que sur l’arrière‑plan non pertinent, un signe encourageant pour la confiance clinique future.

Ce que cela pourrait signifier pour les patients

Pour les personnes vivant avec le psoriasis, ces avancées ne remplacent pas un dermatologue, mais elles pourraient bientôt fournir une seconde paire d’yeux puissante. Un système automatisé et précis capable de classer les photos de peau en sous‑types détaillés pourrait soutenir la télémédecine, aider les médecins non spécialistes dans les zones reculées et signaler plus rapidement les cas complexes ou sévères. Les auteurs soulignent que leur outil doit encore être testé sur des photos cliniques du monde réel et sur une diversité de teints de peau et d’appareils photo. Même ainsi, leur travail montre qu’une IA soigneusement entraînée — en particulier le modèle InceptionV3 — peut distinguer de manière fiable sept formes de psoriasis, ouvrant la voie à des diagnostics plus rapides et plus cohérents et, en fin de compte, à des soins mieux adaptés.

Citation: Lakshmi, L., Dhana Sree Devi, K., Rao, K. et al. Advancements in psoriasis classification using custom transfer learning algorithms. Sci Rep 16, 7007 (2026). https://doi.org/10.1038/s41598-026-38197-0

Mots-clés: psoriasis, imagerie cutanée, apprentissage profond, IA médicale, classification des maladies