Deep Learning pour la prédiction de l’eczéma sur peau Noire: étude comparative de classifieurs convolutifs individuels et d’ensembles par stacking

Abstract

Le diagnostic dermatologique automatisé présente des performances inégales selon le phototype, et l’eczéma sur peau Noire en constitue un cas exemplaire : l’érythème qui guide la reconnaissance visuelle sur peau claire est largement masqué par la mélanine, tandis que les corpus annotés demeurent rares. Cette étude compare quatre architectures convolutives : ResNet-50, DenseNet-121, EfficientNet-B0 et MobileNet-V2 utilisées par transfert d’apprentissage, et évalue quatre stratégies de combinaison de complexité croissante : vote majoritaire dur, vote pondéré par la confiance, fusion probabiliste et stacking avec un méta-classifieur de régression logistique régularisée. Le corpus comprend 1000 images cliniques de peau noire, équilibrées en 500 images d’eczéma et 500 images saines, et tous les résultats sont calculés sur des prédictions hors échantillon obtenues par validation croisée stratifiée à cinq plis, l’augmentation de données étant strictement limitée aux plis d’entraînement. EfficientNet-B0 s’est révélé le meilleur classifieur individuel (91,40 % d’exactitude, 92,00 % de sensibilité), devant le plus profond ResNet-50 et le MobileNet-V2 allégé, ce qui indique que le rapport capacité/données importe davantage que la profondeur brute sur un petit corpus spécialisé. Le stacking obtient la meilleure performance globale (94,20 % d’exactitude, 94,40 % de sensibilité, 94,00 % de spécificité, 94,02 % de valeur prédictive positive), soit une réduction relative de l’erreur de 32,56 % par rapport au meilleur modèle individuel, gain établi comme significatif au seuil de 5 % dans toutes les configurations compatibles avec les données rapportées (test de McNemar apparié), avec un nombre de faux négatifs ramené d’environ 40 à 28 cas. Un prototype fonctionnel implémenté en Python confirme la faisabilité de la chaîne de traitement sur du matériel standard. Ces résultats soutiennent une conclusion méthodologique qui dépasse le cas de l’eczéma : dans les problématiques dermatologiques à faibles ressources et sensibles au phototype, l’étape décisive consiste à passer d’un modèle unique à une combinaison de modèles complémentaires évaluée sans fuite d’information, plutôt qu’à sélectionner une architecture plus profonde.