# Metrics to guide development of machine learning algorithms for malaria diagnosis

**Authors:** Charles B. Delahunt, Noni Gachuhi, Matthew P. Horning  
**arXiv:** [2209.06947](https://arxiv.org/abs/2209.06947)  
**Date:** 2022-09-14  
**Summary page:** https://www.summarizepaper.com/fr/paper/2209.06947v2/

## Key points

- Le diagnostic automatisé du paludisme est une cible difficile mais de grande valeur pour l'apprentissage automatique (ML).
- Les algorithmes efficaces pourraient sauver la vie de nombreux enfants.
- Les efforts actuels en ML négligent largement les contraintes cruciales liées à l'utilisation clinique et ne sont donc pas cliniquement utiles.
- Deux facteurs essentiels pour développer des algorithmes utilisables sur le terrain clinique :
- Une compréhension claire des besoins cliniques auxquels les solutions de ML doivent répondre.
- Des mesures de performance pertinentes pour guider et évaluer les modèles de ML.
- La négligence de ces facteurs a sérieusement entravé les travaux passés sur le ML dans le domaine du paludisme.
- L'expertise dans ce domaine est cruciale pour appliquer efficacement le ML au paludisme, avec des ressources fournissant cette connaissance spécialisée disponibles.
- Mesures de performance adaptées aux exigences cliniques du diagnostic du paludisme, afin de guider le développement des modèles de ML et d'évaluer leur performance selon les besoins cliniques.
- Importance d'une perspective au niveau du patient, de la variabilité interpatient, des taux de faux positifs, de la limite de détection et des différents types d'erreurs.
- Les courbes ROC, l'AUC et le F1 ne conviennent pas à ce contexte spécifique.
- Ces résultats s'appliquent également à d'autres maladies impliquant des charges parasitaires, notamment les maladies tropicales négligées (NTD) telles que la schistosomiase.

## Summary

Le diagnostic automatisé du paludisme est une cible difficile mais de grande valeur pour l'apprentissage automatique (ML), et des algorithmes efficaces pourraient sauver la vie de nombreux enfants. Cependant, les efforts actuels en ML négligent largement les contraintes cruciales liées à l'utilisation clinique et ne sont donc pas cliniquement utiles. Deux facteurs en particulier sont essentiels pour développer des algorithmes pouvant être utilisés sur le terrain clinique : (i) une compréhension claire des besoins cliniques auxquels les solutions de ML doivent répondre ; et (ii) des mesures de performance pertinentes pour guider et évaluer les modèles de ML. La négligence de ces facteurs a sérieusement entravé les travaux passés sur le ML dans le domaine du paludisme, car les algorithmes résultants ne correspondent pas aux besoins cliniques. Dans cet article, nous abordons ces deux problèmes dans le contexte du diagnostic automatisé du paludisme par microscopie sur des frottis sanguins colorés au Giemsa. Tout d'abord, nous expliquons pourquoi l'expertise dans ce domaine est cruciale pour appliquer efficacement le ML au paludisme, et nous répertorions des documents techniques et d'autres ressources fournissant cette connaissance spécialisée. Ensuite, nous détaillons les mesures de performance adaptées aux exigences cliniques du diagnostic du paludisme, afin de guider le développement des modèles de ML et d'évaluer leur performance selon les besoins cliniques (par opposition à une approche générique du ML). Nous mettons en évidence l'importance d'une perspective au niveau du patient, de la variabilité interpatient, des taux de faux positifs, de la limite de détection et des différents types d'erreurs. Nous discutons également des raisons pour lesquelles les courbes ROC, l'AUC et le F1, couramment utilisés dans les travaux sur le ML, ne conviennent pas à ce contexte. Ces résultats s'appliquent également à d'autres maladies impliquant des charges parasitaires, notamment les maladies tropicales négligées (NTD) telles que la schistosomiase. Les auteurs de cet article sont Charles B. Delahunt, Noni Gachuhi et Matthew P. Horning. Le titre complet de l'article est "Metrics to guide development of machine learning algorithms for malaria diagnosis". L'article compte 17 pages et comprend 5 figures. Il a été publié le 14 septembre 2022 et mis à jour le 4 juillet 2023. Vous pouvez accéder à l'article complet en suivant ce lien : [lien vers l'article PDF].