Email this article 
Apprentissage Profond Pour Le Dépistage Précoce De La Malnutrition Infantile : Evaluation Des Modèles Légers YOLOv8 Et MobileNetV2
Abstract
La malnutrition infantile constitue toujours un défi majeur de santé publique en République Démocratique du Congo, où les techniques classiques de dépistage fondées sur les mesures anthropométriques restent chronophages, exigent des compétences spécialisées et demeurent difficilement déployables dans les zones disposant de moyens limités. La présente étude introduit une méthode innovante basée sur l’apprentissage profond visant à détecter précocement la malnutrition à partir d’images prises via smartphone. Deux architectures légères ont été mobilisées : MobileNetV2 pour les tâches de classification et YOLOv8s pour la détection d’objets.
L’expérimentation s’appuie sur un ensemble d’images annotées d’enfants âgés de 0 à 5 ans, provenant de Roboflow et intégrant une diversité géographique, utilisé pour l’entraînement et l’évaluation des modèles. Les performances obtenues montrent que MobileNetV2 atteint une précision globale de 98 %, tandis que YOLOv8s affiche une précision de 94 % et un mAP@50 de 0,95, attestant de sa capacité à identifier et localiser efficacement différents signes visuels de malnutrition tels que la maigreur, l’atrophie musculaire ou encore la diminution du périmètre brachial.
Ces résultats soulignent le potentiel concret de ces modèles pour une implémentation sur des terminaux mobiles, tant en milieu clinique qu’au sein des communautés. L’étude met ainsi en lumière la valeur ajoutée des architectures légères pour renforcer l’accessibilité au dépistage nutritionnel, notamment dans les contextes où les ressources matérielles et humaines sont limitées.
Keywords
Full Text:
PDFReferences
S. Ankalaki, V. G. Biradar, P. K. K. Naik, and G. S. Hukkeri, “A Deep Learning Approach for Malnutrition Detection,” Int. J. Online Biomed. Eng., vol. 20, no. 6, pp. 116–138, 2024, doi: 10.3991/ijoe.v20i06.46919.
S. Aanjankumar et al., “Prediction of malnutrition in kids by integrating ResNet-50-based deep learning technique using facial images,” Sci. Rep., vol. 15, no. 1, p. 7871, 2025, doi: 10.1038/s41598-025-91825-z.
M. Khan, M. Vatsa, K. Singh, and R. Singh, “NutriScreener: Retrieval-Augmented Multi-Pose Graph Attention Network for Malnourishment Screening,” arXiv Prepr. arXiv2511.16566, 2025.
T. P. Theodore Armand, K. A. Nfor, J.-I. Kim, and H.-C. Kim, “Applications of artificial intelligence, machine learning, and deep learning in nutrition: A systematic review,” Nutrients, vol. 16, no. 7, p. 1073, 2024.
D. R. E. Rajappan, S. Sanith, and S. Subbulakshmi, “Malnutrition detection using deep learning models,” in 2023 4th IEEE Global Conference for Advancement in Technology (GCAT), IEEE, 2023, pp. 1–8.
V. G. Biradar, S. Ankalaki, K. N, K. G, and S. Somadas, “AI Model-Based Prediction of Malnutrition Among Children Using Deep Learning Models with Transfer Learning,” ICT Intell. Syst. (Lecture Notes Networks Syst., pp. 145–154, 2024, doi: 10.1007/978-981-97-6681-9_13.
M. Z. B. A. Norhairi and N. Sazali, “Detection of Potholes Using Image Processing Method,” Lect. Notes Networks Syst., vol. 850, no. 5, pp. 597–606, 2024, doi: 10.1007/978-981-99-8819-8_50.
Y. Khandelwal et al., “Nurturenet: a multi-task video-based approach for newborn anthropometry,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2024, pp. 332–342.
R. Qasrawi et al., “Machine learning approach for predicting the impact of food insecurity on nutrient consumption and malnutrition in children aged 6 months to 5 years,” Children, vol. 11, no. 7, p. 810, 2024.
G. A. Tadesse et al., “Forecasting acute childhood malnutrition in Kenya using machine learning and diverse sets of indicators,” PLoS One, vol. 20, no. 5 May, May 2025, doi: 10.1371/JOURNAL.PONE.0322959.
F. Di Martino, F. Delmastro, and C. Dolciotti, “Explainable AI for malnutrition risk prediction from m-health and clinical data,” Smart Heal., vol. 30, p. 100429, 2023.
Ş. Uğur and M. Onur, “Panoptic-Net : A Unified Deep Learning System for Classifying the Full Spectrum of Retinal Disease from Fundus Photographs Panoptic-Net : A Unified Deep Learning System for Classifying the Full Spectrum of Retinal Disease,” pp. 0–19, 2025, doi: 10.20944/preprints202507.2484.v1.
Fchollet, “Image preprocessing and data augmentation Deep Learning.” Accessed: Dec. 01, 2025. [Online]. Available: https://kirenz.github.io/deep-learning/docs/image_classification_from_scratch.html?utm_source=chatgpt.com
“Data Pre-processing with Datasets and Data Loaders - styrishai.com.” Accessed: Dec. 01, 2025. [Online]. Available: https://styrishai.com/deep-learning-essentials/data-processing-datasets-dataloaders/?utm_source=chatgpt.com
L. Chen, S. Li, Q. Bai, J. Yang, S. Jiang, and Y. Miao, “Review of image classification algorithms based on convolutional neural networks,” Remote Sens., vol. 13, no. 22, p. 4712, 2021.
H. Inoue, “Data augmentation by pairing samples for images classification,” arXiv Prepr. arXiv1801.02929, 2018.
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 4510–4520. doi: 10.1109/CVPR.2018.00474.
J. He, Y. Guo, and J. Zhao, “Exploring the Independent Cascade Model and Its Evolution in Social Network Information Diffusion,” arXiv Prepr. arXiv2405.10322, 2024.
G. Jocher and et al. Stoken, “YOLOv8: The Latest Evolution in Real-Time Object Detection,” in Ultralytics Conference, 2023.
C. Shorten and T. M. Khoshgoftaar, “A survey on image data augmentation for deep learning,” J. Big Data, vol. 6, no. 1, p. 60, 2019, doi: 10.1186/s40537-019-0197-0.
DOI: http://dx.doi.org/10.52155/ijpsat.v56.1.7871
Refbacks
- There are currently no refbacks.
Copyright (c) 2026 ISSIAKA IDI MANAJA
This work is licensed under a Creative Commons Attribution 4.0 International License.