Interpretable Learning Models for Acute Respiratory Distress Syndrome Detection from Chest Radiographs

Le syndrome de détresse respiratoire aiguë (SDRA) est un problème médical potentiellement mortel affectant des individus de tous âges et posant de graves problèmes aux prestataires de soins de santé. Le diagnostic précis et rapide du SDRA est essentiel pour fournir une thérapie rapide et efficace. Cependant, le diagnostic du SDRA reste soumis à une variabilité significative entre les observateurs, ce qui peut entraîner des retards de traitement et compromettre les résultats des patients. Cette thèse vise à concevoir un modèle d’apprentissage en profondeur capable d’aider les professionnels de la santé en offrant un soutien diagnostique précis. L’objectif principal de cette recherche est de développer et de tester un système de soutien décisionnel interprétable pour le diagnostic du SDRA, pouvant être intégré de manière transparente dans les services hospitaliers. L’accent est mis sur la fourniture d’informations cliniques essentielles et de références de prise de décision transparentes aux cliniciens. Pour atteindre cet objectif, une approche à deux volets est appliquée, utilisant les avantages de la segmentation d’image pour se concentrer sur les zones pulmonaires et fournir des étiquettes locales pour assurer l’interprétabilité de la décision du système. L’algorithme est conçu pour fournir des étiquettes localisées pour les images radiographiques thoraciques (CXR), permettant ainsi un processus de diagnostic plus intuitif et transparent. Par conséquent, le personnel médical aura accès à des références explicites, offrant l’interprétabilité des prédictions de l’algorithme. De plus, un outil basé sur le web est conçu pour assurer son applicabilité dans les contextes cliniques, accélérant le processus de validation et facilitant l’intégration dans les infrastructures cliniques actuelles. Étant donné la rareté des données pour ce travail spécifique, un nouvel ensemble de données est construit, qui répond aux exigences de la recherche et contribue aux progrès de la recherche médicale en tant que ressource utile pour la communauté scientifique.

Abstract

Acute respiratory distress syndrome (ARDS) is a life-threatening medical problem affecting individuals of all ages and raising severe issues for healthcare providers. The accurate and prompt diagnosis of ARDS is essential in delivering fast and effective therapy. However, the diagnosis of ARDS remains subjected to significant inter and intraobserver variability, possibly leading to treatment delays and jeopardizing patient outcomes. This thesis aims to design a deep-learning model capable of assisting medical professionals by offering precise diagnostic support. The main objective of this research is to develop and test an interpretable decision support system for the diagnosis of ARDS that can be seamlessly integrated into hospital wards. A key focus is on providing essential clinical insights and transparent decision-making references to clinicians. To achieve this goal, a two-pronged approach is applied, using the benefits of image segmentation to focus on the lung areas and providing local labels to ensure the interpretability of the system decision. The algorithm is designed to provide localized labeling for chest x-ray (CXR) images, allowing for a more intuitive and transparent diagnosis process. Consequently, the medical staff will have access to explicit references, offering the interpretability of the algorithm’s predictions. Furthermore, a web-based tool is designed to ensure its applicability in clinical settings, accelerating the validation process and facilitating integration into current clinical infrastructures. Given the scarcity of data for this specific work, a new data set is built, which addresses the research requirements and contributes to the progress of medical research as a helpful resource for the scientific community.