Apprendre avec peu de labels

Le travail réalisé

Exploiter un petit ensemble d’IRM labellisées et un ensemble non labellisé pour comparer des stratégies de classification et de semi-supervision.

• Dataset documenté de 1 506 images : 100 labels forts et 1 406 images non labellisées ; 50 labels forts pour l’apprentissage et 50 pour l’évaluation du protocole.
• Embeddings ResNet-18/ImageNet et comparaison avec ResNet-50/RadImageNet ; clustering, propagation de labels, self-training et entraînement des têtes de classification.

Les résultats disponibles

• Le notebook rapporte notamment un F5 d’environ 0,954 pour la stratégie C, avec rappel 0,96 et accuracy 0,88 sur le protocole documenté.
• Une variante RadImageNet atteint un rappel de 1 avec une précision de 0,625 et une accuracy de 0,70. Ces chiffres ne constituent pas une validation clinique.

Résultats et retours conservés dans l’audit du 9 octobre 2026. Ils n’ont pas été reproduits lors de la préparation de ce portfolio.

Ce que j’en retiens

Une performance élevée ne remplace pas un protocole indépendant. La distinction validation/test et le statut transductif font partie de l’explication scientifique.