Abstract:
Le mélanome est un type de cancer de la peau potentiellement mortel, dont la prise en charge précoce est cruciale pour augmenter les chances de traitement réussi. Identifier pré- cocement les signes et symptômes du mélanome est donc primordial, en particulier chez les individus à risque. Face à la complexité de la détection précoce du mélanome, l'apprentissage automatique, et plus précisément le transfert d'apprentissage, offre des possibilités intéressantes. Dans cette étude, nous avons entraîné cinq modèles de transfert d'apprentissage distincts, exploitant les capacités de ces modèles à utiliser des connaissances pré-acquises pour des tâches spécifiques au mélanome. Afin d'optimiser davantage les performances prédictives, ces modèles ont été combinés en utilisant une technique d'ensemble learning, où nous avons opté pour une stratégie de vote majoritaire. Ce choix permet d'obtenir une prédiction consensuelle à partir des prédictions individuelles de chaque modèle, renforçant ainsi la robustesse et la fiabilité de notre approche. Les résultats obtenus à l'issue de cette combinaison sont prometteurs.
