Intérêt des Auto-encodeurs profonds pour les systèmes d' aide à la prise de décision clinique, application à la prise en charge personnalisée du patient hémophile par le génération de thromnine.

par Francois Lasson

Projet de thèse en Informatique

Sous la direction de Cédric Buche et de Pascal Redou.


  • Résumé

    L'approche thérapeutique dite d'individualisation de thérapies implique l'utilisation de test biologiques proche de la réalité physiologique. Dans le cadre de l'hémostase, les tests globaux se présentent comme des candidats prometteurs puisqu'ils s'avèrent être révélateurs du phénotype clinique du patient. Afin d' aider les cliniciens no-experts du domaine à en interpréter les résultats, il est envisageable de concevoir un système d' aide à la prise de décision clinique basé sur un modèle d' apprentissage automatique de référence: l' auto-encodeur profond (DAE).L' intérêt de ce dernier est double, à savoir 1) pallier à la faible quantité de données induite par la prévalence de ces pathologies en utilisant un modèle de détection de nouveautés et 2) étudier l' impact d' une injection de médicament par le biais d' un modèle de génération conditionnelle.Au sein de ces travaux, nous proposons une nouvelle stratégie de pré-entrainement pour l' extension conditionnelle du DAE. Etant baséesur l' apprentissage incrémental, elle assure une meilleure généralisation de ces modèles tout en facilitant l' optimisation de leurs hyper-paramètres. En comparaison avec la stratégie classique d' optimisation des paramètres et des hyper-paramètres, notre proposition permet une amélioration des performances et une réduction des coûts computationnels.

  • Titre traduit

    Interest of deep auto-encoders for clinical decision support systems, application to the personalized management of hemophiliac patient using thrombin generation


  • Résumé

    The therapeutic approach known as individualization of therapies involves the use of biological tests that are close to the physiological reality. In hemostasis, global tests are promising candidates since they are indicative of the patient's clinical phenotype. In order to help no-expert clinicians in the field to interpret the results, it is possible to design a clinical decision-making support system based on an automatic reference learning model: the deep auto-encoder (DAE).The interest of the latter is twofold, namely 1) to compensate for the small amount of data induced by the prevalence of these diseases by using a novelty detection model and 2) to study the impact of a drug injection by means of a conditional generation model, within this work, we propose a new pre-training strategy for the conditional extension of the DAE. Being based on incremental learning, it ensures a better generalization of these models while facilitating the optimization of their hyper-parameters. Compared to the traditional strategy of optimizing parameters and hyper-parameters, our proposal allows an improvement in performance and a reduction in computational costs.