Explainable hybrid artificial intelligence to predict pulmonary tuberculosis integrating ontology and deep learning

Cette recherche propose un cadre innovant d’intelligence artificielle hybride explicable (ExHAI) pour la détection précoce de la tuberculose (TB). Le système repose sur l’intégration de deux composantes principales : une ontologie médicale et un modèle d’apprentissage profond. L’ontologie permet de structurer les connaissances liées à la TB en définissant précisément les classes, relations et attributs pertinents,notamment ceux liés aux tests biologiques. Elle facilite ainsi la modélisation sémantique des informations cliniques et améliore leur interprétabilité. En parallèle, un réseau neuronal convolutif (CNN) est utilisé pour analyser les radiographies thoraciques. En s’appuyant sur un large ensemble de données étiquetées, le modèle apprend à identifier automatiquement des motifs visuels subtils, caractéristiques des stades précoces de la tuberculose. L’association de ces deux approches dans un cadre hybride permet de croiser les connaissances formelles issues de l’ontologie avec les données apprises par le CNN, renforçant ainsi la précision et la robustesse du diagnostic.Pour garantir la transparence du système, la méthode Grad-CAM (Gradient-weightedClass Activation Mapping) est employée, fournissant des visualisations explicites des régions de l’image ayant influencé la décision du modèle. Cette capacité explicative renforce la confiance des professionnels de santé et facilite l’interprétation des résultats.Le système ExHAI a été évalué à l’aide d’un ensemble de données issu du MahatmaGandhi Medical College and Research Institute (Inde). Les résultats ont montré une précision diagnostique supérieure aux méthodes traditionnelles basées sur les radiographies seules ou l’évaluation clinique. En combinant performance, rapidité et explicabilité, ce cadre offre un outil d’aide au diagnostic à la fois puissant et fiable, contribuant à une prise en charge plus efficace de la tuberculose