CAMELYON17 - Détection de Métastases

Ce projet de recherche en IA médicale vise à détecter automatiquement les métastases cancéreuses du sein dans des images histopathologiques (coloration H&E) en utilisant le dataset de référence CAMELYON17. Le système effectue une classification au niveau patch (224x224 pixels) avec des architectures CNN (ResNet, EfficientNet), puis agrège les résultats au niveau patient pour la classification pN-stage (pN0 à pN3). Le projet intègre la gestion du domain shift multi-hôpital (5 sources), le déséquilibre de classes, et l'interprétabilité médicale via Grad-CAM et visualisation d'attention. La priorité est donnée à la sensibilité pour minimiser les faux négatifs (tumeurs manquées).

Défis

• Gestion du domain shift entre les 5 hôpitaux sources avec protocoles de coloration différents
• Déséquilibre de classes sévère entre patches normaux et tumoraux
• Optimisation de la sensibilité pour minimiser les faux négatifs (criticité médicale)
• Agrégation des prédictions patch-level vers le diagnostic patient-level (pN-staging)

Solutions

• Normalisation de coloration et augmentations spécifiques à l'histopathologie
• Loss focale et cross-entropy pondérée pour gérer le déséquilibre de classes
• Architectures ResNet et EfficientNet avec early stopping et checkpointing
• Grad-CAM et visualisation d'attention pour l'interprétabilité médicale

Résultats

• Pipeline complet : exploration → prétraitement → entraînement → évaluation → interprétabilité
• Analyse du domain shift par source hospitalière
• Métriques médicales : sensibilité, spécificité, AUC-ROC
• 6 notebooks Jupyter couvrant le pipeline de bout en bout

Technologies

Python · PyTorch · ResNet · EfficientNet · Grad-CAM · OpenCV · Scikit-learn · Plotly