Un cadre EfficientNetB0 optimisé avec prétraitement basé sur CLAHE pour une classification multi‑classe précise des radiographies thoraciques

Une aide plus intelligente pour les radiographies thoraciques

Les radiographies thoraciques sont parmi les examens médicaux les plus courants au monde, mais leur interprétation correcte — surtout lorsque plusieurs problèmes pulmonaires ou cardiaques coexistent — reste loin d’être simple. Cette étude décrit un nouveau système informatique qui aide les médecins à repérer plusieurs affections thoraciques sur une seule radiographie avec une meilleure précision, en combinant un modèle d’intelligence artificielle (IA) finement réglé et des étapes d’amélioration d’image qui rendent les détails subtils plus visibles.

Pourquoi les images thoraciques sont difficiles à lire

Sur une radiographie thoracique, de nombreuses couches d’organes et de tissus se superposent : côtes, poumons, cœur et vaisseaux sanguins se retrouvent sur la même image plane. Les radiologues expérimentés apprennent à démêler ce puzzle visuel, mais même eux peuvent être mis en difficulté lorsque plusieurs conditions surviennent simultanément, comme un épanchement pleural, une infection et une cardiomégalie. Les outils d’aide informatisés antérieurs simplifiaient souvent cette réalité en traitant chaque image comme si elle montrait un seul problème ou aucun, ce qui les rend moins utiles en milieu clinique où les patients présentent fréquemment plusieurs affections à la fois.

Construire une vue plus nette des poumons

Les chercheurs ont commencé par une grande collection publique de plus de 100 000 radiographies thoraciques anonymisées des National Institutes of Health des États‑Unis. Ils se sont concentrés sur cinq constats clés pertinents en pratique courante : examens normaux, pneumonie, pneumothorax (poumon effondré), épanchement pleural et cardiomégalie (cœur élargi). Avant d’exposer l’IA aux images, chaque radiographie a été soumise à un pipeline de nettoyage standardisé. Les images sont restées en niveaux de gris, leur contraste a été légèrement renforcé par une méthode appelée CLAHE pour révéler des motifs faibles dans les poumons, la luminosité a été ajustée pour plus de cohérence et toutes les images ont été redimensionnées aux mêmes dimensions. L’équipe a aussi rééquilibré les classes rares et fréquentes en dupliquant soigneusement certains exemples et en réduisant d’autres, afin que le modèle ne néglige pas les maladies peu fréquentes mais importantes.

Entraîner une IA qui respecte la complexité du monde réel

Au cœur du système se trouve un réseau EfficientNetB0, une architecture d’apprentissage profond moderne réputée pour offrir de bonnes performances avec des modèles relativement petits et rapides. Les auteurs ont adapté ce réseau à la réalité mixte de l’imagerie thoracique : au lieu d’imposer une réponse binaire, le système produit une probabilité distincte pour chacun des cinq constats, ce qui lui permet d’indiquer plusieurs problèmes sur une même image. Ils ont ajouté un composant de type attention qui aide le modèle à mettre en valeur les motifs les plus informatifs, et utilisé une règle d’entraînement spéciale qui concentre l’apprentissage sur les cas les plus difficiles et facilement manqués. L’entraînement s’est déroulé en deux étapes — d’abord en ajustant uniquement les couches finales, puis en affinant l’ensemble du réseau — en utilisant une validation croisée rigoureuse pour vérifier que les résultats étaient stables et non dus à des répartitions aléatoires des données.

Performances du système

Pour évaluer l’apport réel de leur conception, l’équipe a comparé EfficientNetB0 à deux alternatives populaires, DenseNet121 et MobileNetV2, dans des conditions identiques. Les trois modèles ont obtenu une précision globale similaire, mais l’EfficientNetB0 optimisé s’est distingué là où cela compte le plus en médecine : il séparait mieux les cas malades des cas sains et évitait davantage les diagnostics manqués. Sur l’ensemble des cinq constats, il a atteint un score moyen élevé pour distinguer maladie et non‑maladie, et il était particulièrement performant pour la pneumonie et la cardiomégalie. Même pour les cas plus difficiles de pneumothorax et d’épanchement, où les signes radiographiques peuvent être subtils et se confondre avec d’autres problèmes, le modèle a gardé une capacité de détection solide tout en maintenant la cohérence à travers des tests répétés.

Implications pour les patients et les cliniciens

L’étude montre que prêter attention à l’ensemble du flux de travail — depuis le nettoyage et le rééquilibrage des radiographies jusqu’à l’entraînement de l’IA — peut produire un outil qui reflète mieux la réalité complexe de l’imagerie hospitalière. Plutôt que de chercher à remplacer les radiologues, le système proposé est conçu pour agir comme une seconde paire d’yeux, signalant plusieurs problèmes possibles sur une seule radiographie thoracique et attirant l’attention sur les cas qui méritent un examen humain plus approfondi. Avec ses résultats solides sur un large jeu de données public et une conception adaptable à d’autres collections, cette approche rapproche le diagnostic assisté par ordinateur d’un usage quotidien, où des lectures plus rapides et plus fiables des radiographies thoraciques pourraient aider les patients à recevoir des soins appropriés et en temps utile.

Citation: Hegazy, N.Y., Sawah, M.S. An optimized EfficientNetB0 framework with CLAHE-based preprocessing for accurate multi-class chest X-ray classification. Sci Rep 16, 10811 (2026). https://doi.org/10.1038/s41598-026-42492-1

Mots-clés: IA pour radiographies thoraciques, détection des maladies pulmonaires, apprentissage profond en radiologie, prétraitement d'images médicales, classification multi‑étiquette