Exploiter l'Intelligence Artificielle pour le Diagnostic de l'Alopécie Androgénétique : Une Étude de Formation et de Validation.

Nous avons l'intention de développer et de valider des modèles d'intelligence artificielle (IA) et d'apprentissage automatique (ML) pour le diagnostic de la perte de cheveux de type masculin et féminin, et l'évaluation de sa sévérité basée sur des images cliniques et trichoscopiques en utilisant des dermoscopes portatifs largement disponibles et accessibles.

Le diagnostic conventionnel de l'alopécie androgénétique (AGA) et l'évaluation de sa sévérité sont des tâches fastidieuses et chronophages, sujettes aux erreurs humaines. Ces défis peuvent être abordés en utilisant l'intelligence artificielle (IA), notamment en tirant parti des applications de l'apprentissage automatique et des réseaux neuronaux artificiels pour améliorer la précision diagnostique des systèmes de classification des maladies du cuir chevelu via l'analyse d'images dermoscopiques. L'évaluation assistée par ordinateur des microphotographies capillaires a été tentée pendant des décennies, mais elle a rencontré de nombreux obstacles techniques avant l'avènement de l'apprentissage profond et des réseaux neuronaux ; et les logiciels actuellement disponibles génèrent des résultats inexacts par rapport au comptage visuel. Des méthodes d'analyse plus précises sont nécessaires pour l'imagerie trichoscopique, utilisant des modèles de reconnaissance d'images par apprentissage profond entraînés avec un grand ensemble de données d'images. Un certain nombre de modèles d'apprentissage profond ont été développés ces dernières années utilisant la vidéodermoscopie, atteignant une classification fiable de la densité, de l'épaisseur et de la sévérité des cheveux, mais restent limités par de petits ensembles de données d'entraînement non inclusifs, le besoin de rasage des cheveux et le manque de rapports détaillés. De plus, à notre connaissance, tous les modèles précédents dépendent de l'acquisition d'images à partir de dispositifs de vidéodermoscopie autonomes coûteux qui manquent de disponibilité généralisée, plutôt que de dermoscopes portatifs qui sont couramment disponibles.

L'étude recrutera 400 participants (200 témoins sains et 200 patients AGA). Les témoins subiront un interrogatoire et des examens trichoscopiques pour exclure les troubles capillaires. L'examen trichoscopique sera réalisé à l'aide d'un dermoscope portatif (CuTechs DS175) avec un séparateur de champ spécialisé. Les patients seront évalués pour la sévérité de la maladie en utilisant des échelles spécifiques au genre. Les deux groupes auront des images numériques et trichoscopiques standardisées prises pour analyse. Les images seront utilisées pour compter et classer manuellement les cheveux, évaluer les unités folliculaires et identifier les signes dermoscopiques. Une base de données structurée stockera toutes les données et reliera les données cliniques et d'images pour soutenir un diagnostic objectif. Des modèles d'IA, en particulier des CNN utilisant l'apprentissage par transfert, seront entraînés sur des images prétraitées pour la classification et le scoring de sévérité. La performance des modèles sera évaluée en utilisant des métriques comme l'exactitude, la précision, le rappel, le score F1 et l'AUC-ROC, comparées aux métriques rapportées par des trichologues experts pour valider l'exactitude et la fiabilité.