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 la génération de thrombine

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 tests 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 non-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. Étant basée sur 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

    Individualization of drug therapy involves the use of biological assays in order to mimic physiological reality.In the haemostasis context, in view of their ability to predict patient clinical phenotype, global assays appear to be promising candidates. To help non-expert clinicians interpret these kinds of results, it's conceivable to construct a clinical decision support system based on a reference machine learning model: the Depp Auto Encoder (DAE). The interest of this is twofold: 1) To deal with the lack of data induced by the low prevalence of these pathologies by using a novelty detection and 2) To determine the drug injection impact by way of a conditional generative model. As part of our research work, we propose a new pretraining strategy for the conditional extension of the DAE. Since our proposal is based on incremental learning,it allows for better generalization of this model while facilitating the hyperparameter optimization step. Compared to the classical approach of parameter and hyperparameter optimization, our strategy improves computational cost and performance.