Ce projet d’intelligence artificielle s’attaque à un défi médical concret :
distinguer automatiquement, à partir de radiographies pulmonaires,
les poumons sains des poumons atteints de pneumonie ou de COVID-19.
Entraîné sur plus de 5 800 images de radios classifiées en trois catégories — Normal, Pneumonie et COVID —
le modèle analyse une nouvelle radiographie en quelques millisecondes et prédit le diagnostic.
Ce type de solution représente un outil d’aide précieux pour les professionnels de santé,
capable d’accélérer le triage médical et de réduire les erreurs humaines dans des situations d’urgence.

Le cœur du projet est un réseau de neurones convolutif (CNN) construit avec Keras sur TensorFlow.
L’architecture empile des couches Conv2D, MaxPool2D, BatchNormalization
et Dropout pour extraire des caractéristiques visuelles hiérarchiques
tout en régularisant le modèle contre le surapprentissage.
Le déséquilibre des classes est compensé par data augmentation via ImageDataGenerator
(rotation, zoom, flip horizontal), augmentant artificiellement la diversité des données d’entraînement.
Le taux d’apprentissage est ajusté dynamiquement via ReduceLROnPlateau.
Les performances finales sont évaluées par matrice de confusion et classification_report
(précision, rappel, F1-score par classe).
L’entraînement GPU sur Kaggle réduit le temps de convergence de plusieurs heures à quelques minutes.

• Code source :
  Voir le dépôt GitHub

Voir aussi : NFT Store — Boutique Web Transactionnelle en PHP