Diagnostic non invasif basé sur l'apprentissage profond de l'ictère néonatal

Deep Learning-Based Non-Invasive Diagnosis of Neonatal Jaundice

• Auteur / Autrice : Fati Salami
• Direction : Alice Othmani
• Type : Projet de thèse
• Discipline(s) : Signal, Image, Automatique
• Date : Inscription en doctorat le 05/02/2024
• Etablissement(s) : Paris 12
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Images, Signaux et Systèmes Intelligents (Créteil)

Mots clés

Mots clés libres

L'apprentissage en profondeur

Jaunisse néonatale

Non invasif

Intelligence artificielle

Diagnostic

Deep Learning

Neonatal Jaundice

Non-invasive

Artificial Intelligence

Diagnosis

Résumé

L'ictère néonatal est une condition médicale que l'on retrouve couramment chez les nouveau-nés, les nouveau-nés atteints d'ictère néonatal ont la peau et les yeux jaunâtres en raison d'un excès de bilirubine, un pigment jaune-orange résultant de la dégradation de l'hémoglobine qui se dépose dans le la bile du foie. L'un des moyens par lesquels les médecins chevronnés peuvent détecter l'ictère néonatal consiste à observer physiquement la couleur de la peau et de la sclère de l'œil. Cependant, une prise de sang pour mesurer les niveaux réels de bilirubine sérique totale (BST) doit être effectué pour vérifier le Selon les observations enregistrées, cette approche est invasive et provoque des douleurs et des inconforts pour les nouveau-nés. Les outils qui effectuent un diagnostic basé sur les caractéristiques de la peau ont ne prend pas en compte les peaux des nouveau-nés avec une concentration plus élevée de mélanine. Cela implique que les techniques peuvent ne pas détecter avec précision la jaunisse dans la peau des nouveau-nés avec un concentration de mélanine, d'où la nécessité d'un outil complet pour une plus grande précision diagnostic de jaunisse. L'objectif de ce projet de doctorat est d'élaborer une étude complète sur l'ictère néonatal autochtone ensemble de données pour construire un modèle global pour le diagnostic de l'ictère néonatal, quel que soit le niveau de mélanine en fonction des caractéristiques de la peau et des yeux. Pour relever ces défis et Répondre à ces objectifs, nous proposerons lors de cette thèse une intelligence artificielle innovante (IA) pour le diagnostic non invasif de l'ictère néonatal. ​

Neonatal Jaundice is a medical condition that is commonly found in newborn babies, newborns with neonatal jaundice have yellowish skin and eyes as a result of excess bilirubin, a yellow-orange pigment resulting from hemoglobin breakdown that is deposited into the liver's bile. One of the ways seasoned medical practitioners are able to detect neonatal jaundice is by physically observing the color of the skin and sclera of the eye. However, a blood test to measure the actual levels of Total Serum Bilirubin (TSB) has to be done to verify the observations recorded, this approach is invasive and causes pain and discomfort for the neonates. The tools that conducts diagnosis based on skin features has not taken into accounts the neonates skins with higher melanin concentration. This implies that the techniques may not accurately detect jaundice in neonates' skin with higher concentration of melanin hence, the need for an all-inclusive tool for higher accuracy of jaundice diagnosis. The aim of this PhD project is to curate a comprehensive indigenous neonatal jaundice dataset to build an all-inclusive model for diagnosing neonatal jaundice regardless of the melanin level based on skin features and eyes features. To address these challenges and to answer these objectives, we will propose during this PhD innovative artificial intelligence (AI) based algorithms for Non-Invasive Diagnosis of Neonatal Jaundice.