# Approaching Bio Cellular Classification for Malaria Infected Cells Using Machine Learning and then Deep Learning to compare & analyze K-Nearest Neighbours and Deep CNNs

**Authors:** Rishabh Malhotra, Dhron Joshi, Ku Young Shin  
**arXiv:** [2005.11417](https://arxiv.org/abs/2005.11417)  
**Date:** 2020-05-22  
**Summary page:** https://www.summarizepaper.com/fr/paper/2005.11417v1/

## Key points

- Le paludisme est une maladie mortelle qui fait des centaines de milliers de victimes chaque année.
- Les méthodes informatiques sont utiles dans l'industrie médicale pour la classification de l'imagerie diagnostique et l'identification des maladies.
- Cette étude examine différentes méthodes d'apprentissage automatique pour la classification du paludisme dans les images cellulaires.
- Les réseaux neuronaux convolutifs et les k plus proches voisins sont comparés en termes de performance empirique.
- Le réseau neuronal convolutif a obtenu une précision de validation de 95 %, soit une amélioration de 25 % par rapport aux k plus proches voisins (75 %).
- L'utilisation des méthodes d'apprentissage automatique peut contribuer au développement de nouvelles approches pour le diagnostic précoce et précis du paludisme.

## Summary

Le paludisme est une maladie mortelle qui fait des centaines de milliers de victimes chaque année. Les méthodes informatiques se sont révélées utiles dans l'industrie médicale en fournissant des moyens efficaces de classification de l'imagerie diagnostique et d'identification des maladies. Cette étude examine différentes méthodes d'apprentissage automatique dans le contexte de la classification de la présence du paludisme dans les images cellulaires. De nombreuses méthodes d'apprentissage automatique peuvent être appliquées au même problème ; la question de savoir si une méthode d'apprentissage automatique est mieux adaptée à un problème dépend fortement du problème lui-même et de la mise en œuvre d'un modèle. En particulier, les réseaux neuronaux convolutifs et les k plus proches voisins sont tous deux analysés et comparés en ce qui concerne leur application à la classification de la présence du paludisme et les performances empiriques de chaque modèle. Dans cette nouvelle étude intitulée "Approaching Bio Cellular Classification for Malaria Infected Cells Using Machine Learning and then Deep Learning to compare & analyze K-Nearest Neighbours and Deep CNNs", les auteurs Rishabh Malhotra, Dhron Joshi et Ku Young Shin examinent en détail les méthodes d'apprentissage automatique pour la classification du paludisme dans les images cellulaires. Ils soulignent que le choix de la méthode d'apprentissage automatique dépend du problème lui-même et de l'implémentation du modèle. Les réseaux neuronaux convolutifs et les k plus proches voisins sont comparés en termes de performance empirique dans la classification de la présence du paludisme. Les résultats montrent que le réseau neuronal convolutif a obtenu une précision de validation de 95 %, soit une amélioration de 25 % par rapport aux k plus proches voisins qui ont obtenu une précision de 75 %. Ces résultats suggèrent que le réseau neuronal convolutif est mieux adapté à la classification du paludisme dans les images cellulaires. Cette étude met en évidence l'importance des méthodes d'apprentissage automatique dans le domaine médical, en particulier pour la classification des maladies à partir d'images diagnostiques. Les résultats obtenus peuvent contribuer au développement de nouvelles approches pour le diagnostic précoce et précis du paludisme, ce qui pourrait avoir un impact significatif sur la lutte contre cette maladie mortelle.