Naziha SENDI soutient sa thèse de doctorat le mercredi 16 décembre 2020 : « Transparent approach based on deep learning and multiagent argumentation for hypertension management »

Naziha SENDI soutient sa thèse de doctorat le mercredi 16 décembre 2020 à 14h. La soutenance de thèse est retransmise en direct publiquement via Collaborate.

Titre : Transparent approach based on deep learning and multiagent argumentation for hypertension management

Résumé :

L’hypertension est connue pour être l’une des principales causes de maladies cardiaques et d’accidents vasculaires cérébraux, tuant environ 7,5 millions de personnes dans le monde chaque année, principalement en raison de son diagnostic tardif.

Afin de confirmer le diagnostic de l’hypertension, il est nécessaire de collecter des mesures médicales répétées. Une solution consiste à exploiter ces mesures et à les intégrer dans les dossiers électroniques de santé par des algorithmes d’apprentissage automatique.

Dans ce travail, nous nous sommes focalisés sur les méthodes d’ensemble qui combinent plusieurs algorithmes d’apprentissage automatique pour la classification. Ces modèles ont été largement utilisés pour améliorer les performances de classification d’un seul classifieur. Pour cela, des méthodes telles que Bagging et Boosting sont utilisées. Ces méthodes utilisent principalement le vote majoritaire ou pondéré pour intégrer les résultats des classifieurs. Cependant, un inconvénient majeur de ces approches est leur opacité, car elles ne fournissent pas d’explication des résultats et ne permettent pas une intégration préalable des connaissances. Comme nous utilisons l’apprentissage automatique dans le domaine de la santé considéré critique, l’explication des résultats de classification et la possibilité d’introduire de connaissances a priori dans le modèle appris deviennent une nécessité.

Afin de pallier ces faiblesses, nous introduisons une nouvelle méthode d’ensemble basée sur l’argumentation multiagents.

L’intégration de l’argumentation et de l’apprentissage automatique s’est avérée fructueuse et l’utilisation de l’argumentation est un moyen pertinent de combiner les classifieurs. En effet, l’argumentation peut imiter le processus décisionnel humain pour réaliser la résolution des conflits.

Notre idée est d’extraire automatiquement les arguments des modèles d’apprentissage automatique et de les combiner à l’aide de l’argumentation. Cela permet d’exploiter les connaissances internes de chaque classifieur, de fournir une explication des décisions et de faciliter l’intégration des connaissances a priori.

Dans cette thèse, les objectifs étaient multiples. Du point de vue de l’application médicale, l’objectif était de prédire le traitement de l’hypertension artérielle et la date de la prochaine visite chez le médecin. D’un point de vue scientifique, l’objectif était d’ajouter de la transparence à la méthode d’ensemble et d’injecter des connaissances a priori dans le système.

Les contributions de la thèse sont diverses :

-Explication des prédictions ;

– Intégration des connaissances internes de classification ;

– Injection des connaissances du domaine ;

– Amélioration de la précision des prédictions.

Les résultats démontrent que notre approche fournit efficacement des explications et de la transparence aux prédictions des méthodes d’ensemble et qui est capable d’intégrer des connaissances cliniques et des connaissances du domaine dans le système. De plus, elle améliore les performances du deep learning.

Composition du jury de thèse

• Date : mercredi 16/12/2020, 14h00
• Retransmission via Collaborate
• Doctorante : Naziha SENDI, IBISC équipe IRA2
• Direction de thèse : Etienne COLLE (PR émérite IUT Évry, IBISC équipe IRA2)
• Le document de thèse est disponible sur HAL