Détection de pneumonie (radios thoraciques)
Projet d’école Epitech : modèles classiques et CNN comparés sur des radios thoraciques, et ce que le jeu de test a révélé.
Le projet
Classer des radios thoraciques en normal ou pneumonie. J’ai comparé des modèles classiques (KNN, Random Forest, SVM, avec réduction de dimension par PCA) à des CNN en transfer learning (EfficientNet, ResNet), avec analyse exploratoire, prétraitement et analyse d’erreurs par matrice de confusion.
Ce que le jeu de test a révélé
Sur la validation, EfficientNet atteignait 97 % d’exactitude. Sur le jeu de test officiel (624 radios), il tombait à 74 % : il détectait toutes les pneumonies, mais ne reconnaissait que 31 % des radios normales. Autrement dit, il répondait « pneumonie » presque à chaque fois.
| Modèle | Exactitude (test) | Rappel pneumonie | Rappel normal |
|---|---|---|---|
| EfficientNet (validation) | 97 % | 99 % | 92 % |
| EfficientNet (test officiel) | 74 % | 100 % | 31 % |
| Random Forest (test officiel) | 71 % | 99 % | 26 % |
Ce que j’en retiens
Une bonne métrique de validation ne prouve rien si la validation ne ressemble pas aux vraies données. Il faut regarder le rappel par classe, pas seulement l’exactitude globale, et tester sur un jeu indépendant avant de conclure. C’est la même discipline que j’applique aujourd’hui à l’évaluation des systèmes RAG.
Stack technique
Python
PyTorchtorchvision
scikit-learn
NumPyMatplotlibEfficientNetResNetPCA