Thèse soutenue

Intérêts des auto-encodeurs profonds pour les systèmes d’aide à l'individualisation de thérapies : application à la prise en charge personnalisée du patient hémophile.
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Francois Lasson
Direction : Cédric Buche
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 05/10/2020
Etablissement(s) : École nationale d'ingénieurs de Brest
Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
Partenaire(s) de recherche : Entreprise : Diagnostica stago (Asnières, Hauts-de-Seine)
Laboratoire : Laboratoire en sciences et techniques de l'information, de la communication et de la connaissance
Jury : Président / Présidente : Su Ruan
Examinateurs / Examinatrices : Su Ruan, Monique Thonnat, Pierre Chelle
Rapporteurs / Rapporteuses : Monique Thonnat

Résumé

FR  |  
EN

L'individualisation de thérapies est une approche qui implique l’utilisation de tests biologiques proches de la réalité physiologique. Dans le contexte de la coagulation du sang, où les tests de laboratoires de routine ne fournissent qu’une étude partielle de la formation du caillot, les tests globaux se présentent comme des candidats prometteurs pour améliorer la prise en charge personnalisée de patients victimes de troubles de l’hémostase. Néanmoins, bien que pertinents, ces outils de mesure manquent de standardisation et leurs résultats s’avèrent difficilement interprétables par des cliniciens non experts du domaine. Dans ce travail, nous défendons la thèse qu’un système d’aide à la prise de décisions cliniques (CDSS) permet d’obvier à cette complexité d’analyse et de faciliter la définition de traitements patient-spécifiques. En vue d’exploiter pleinement le caractère prédictif des résultats de tests globaux, il est pertinent d’en extraire des caractéristiques fortement abstraites par l'intermédiaire d'architectures profondes. À cet effet, nous avons alors apporté des solutions à la double difficulté de l’optimisation paramétrique et hyper-paramétrique des auto-encodeurs (AE) profonds. Caractérisées par un algorithme de pré-entraînement conditionnel et des stratégies d’optimisation incrémentale, ces solutions réduisent la variance du processus d’estimation et améliorent la convergence de l’algorithme d’apprentissage. Leurs applications dans un contexte de prise en charge personnalisée du patient hémophile ont alors permis d’outrepasser les performances des réseaux antagonistes génératifs et de mettre en exergue les intérêts des AE profonds pour les CDSS.