Approche Filtre par la sélection de données multi-sensorielles pour l’aide au diagnostic médical

Abstract

Les avancées technologiques ont facilité l’acquisition et le recueil de nombreuses données. Ces données peuvent être utilisées comme support de décision, conduisant aux développements d’outils capables de les analyser et de les traiter. Les systèmes d’aide au diagnostic sont considérés comme étant essentiels dans beaucoup de disciplines, ces systèmes reposent sur des techniques issues de l’intelligence artificielle mais les problèmes les plus intéressants sont souvent basés sur des données de haute dimension. Ces problèmes désignent les situations où nous disposons peu d’observations alors que le nombre de variables explicatives est très grand. La sélection de variables est devenue l’objet qui attire l’attention de nombreux chercheurs durant ces dernières années, cette sélection permet d’identifier et d’éliminer les variables qui pénalisent les performances d’un modèle complexe dans la mesure où elles peuvent être bruitées, redondantes ou non pertinentes. De plus, la mise en évidence des variables pertinentes facilite l’interprétation et la compréhension des aspects liés aux applications ; ainsi, elle permet d’améliorer la performance de prédiction des méthodes de classification et de passer outre le fléau de la haute dimensionnalité de ces données. L’approche filtre est couramment utilisée à ce jours pour analyser les données biologiques, cette approche consiste à parcourir la sélection des variables avant le processus de l’apprentissage et ne conserve que les caractéristiques informatives. L’objectif recherché dans le cadre de ce travail est une contribution à l’étude et au développement de systèmes innovants d’aide au diagnostic médical. Consacré à la simulation, ce travail vise l’application des techniques d’apprentissage statistique comme étant une solution dans la conception de ces systèmes par reconnaissance de formes. Dans le cadre de l’apprentissage supervisé, la sélection des caractéristiques permet d’obtenir des classifieurs précis. L’approche filtre est fondée uniquement sur des données, elles permettent à l’utilisateur d’entamer une analyse plus fine de ces données en augmentant la transparence du modèle utilisant la méthode mRMR (Minimum Redondance, Maximum Relevance). Pour la validation de données sélectionnées dans des bases d’apprentissage biomédicales, nous testons leurs capacités et leurs taux de classification avec plusieurs classifieurs. Afin de mener une étude comparative permettant un choix décisif de la méthode la mieux adaptée à l’application proposée, on évaluera pour les méthodes exposées les paramètres liés au taux de reconnaissance, au temps d’apprentissage et à l’erreur d’entraînement.