Prédiction supervisée intégrant des contraintes de sous-groupes

Supervised prediction subject to subgroup constraints

• Auteur / Autrice : Robin Louiset
• Direction : Edouard Duchesnay, Antoine Grigis, Isabelle Bloch
• Type : Projet de thèse
• Discipline(s) : Physique et imagerie médicale
• Date : Inscription en doctorat le 02/11/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio-physics and engineering
• Partenaire(s) de recherche : Laboratoire : Construction de grands instruments pour la neuroimagerie : de l'imagerie en population aux champs magnétiques ultra-hauts
• Partenaire(s) de recherche : Equipe de recherche : GAIA: Genetics Architecture and Image Analysis
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Apprentissage machine

Constrained Optimization

Neuro-imagerie

Machine Learning

Optimization contrainte

Neuro-imaging

Résumé

Les algorithmes d'apprentissage machine (ML) sont de plus en plus utilisés pour l'analyse des données deneuroimagerie. Les modèles de ML multivariés peuvent tirer parti des corrélations entre les voxels. De plus,ils fournissent des prédiction au niveau individuel et peuvent être utilisées pour le diagnostic et le pronosticdes patients. L'hypothèse qui sous-tend la grande majorité des modèles existants est qu'un seul modèled'imagerie peut distinguer deux sous-groupes de patients. Cette hypothèse ignore la nature hétérogène desmaladies du cérébrales. Les troubles neuropsychiatriques et neurodéveloppementaux sont largementcaractérisés par une grande hétérogénéité clinique, qui découle probablement en partie de l'hétérogénéiténeuroanatomique sous-jacente de diverses pathologies. La détection et la caractérisation de l'hétérogénéitépeuvent élargir notre compréhension des mécanismes de la maladie et déboucher sur des traitementsspécifiques. Cependant, peu d'approches abordent l'identification de sous-types de maladies.Ce projet vise à explorer à la fois des modèles d'apprentissage statistique et d'apprentissage profond pourproduire, à la fois, une classification efficace et une projection des sujets dans un espace latent qui met enévidence des sous-groupes.

After an extensive review of the statistical learning approaches, the candidate will implement (in Python) and benchmark some retained proposals such as (Marquand et al., 2016; Schulz et al., 2020; Varol et al., 2017). The general idea is to simultaneously minimize an (unsupervised) clustering loss in the patient group with a supersized loss (negative log-likelihood, hinge loss) on patient vs. healthy control. The final separating hyperplane is the combination of several binary (patient/control) linear classifier models. Then, the candidate will explore deep-learning approach (Convolutional encoders) by minimizing a clustering loss applied on the latent space of the Convolutional encoder with the usual supervised loss on the output of fully connected layers.