Assas Recherche | Amélioration des explications attributives locales pour appuyer l'analyse prédictive par apprentissage automatique : application au secteur de la santé et aux outils d'aide à la décision médicale.

Amélioration des explications attributives locales pour appuyer l'analyse prédictive par apprentissage automatique : application au secteur de la santé et aux outils d'aide à la décision médicale. (Document en Anglais)

Accès au(x) document(s)

Accéder au(x) document(s) :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse consultable sur internet, en texte intégral.

Informations sur les contributeurs

Auteur : Escriva Elodie

Escriva, Elodie

Nom

Escriva

Prénom

Elodie

Nationalité

Français

Date de soutenance : 01-03-2024

Directeur(s) de thèse : Soulé-Dupuy Chantal

Soulé-Dupuy, Chantal

Nom

Soulé-Dupuy

Prénom

Chantal

- Aligon Julien

Aligon, Julien

Nom

Aligon

Prénom

Julien

Etablissement de soutenance : Université Toulouse Capitole

Université Toulouse Capitole

Nom

Université Toulouse Capitole

Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)

Institut de Recherche en Informatique de Toulouse (1995-....)

Nom

Institut de Recherche en Informatique de Toulouse (1995-....)

Ecole doctorale : École doctorale Mathématiques, informatique et télécommunications (Toulouse)

École doctorale Mathématiques, informatique et télécommunications (Toulouse)

Nom

École doctorale Mathématiques, informatique et télécommunications (Toulouse)

Informations générales

Discipline : Informatique et Télécommunications
Classification : Informatique

Mots-clés libres : Apprentissage Automatique Explicable, Intelligence Artificielle Explicable, Explications attributives de prédiction, Explications médicales, Exploration d'explications
Mots-clés :

Apprentissage automatique - Aspect médical
Parcours de soins coordonnés - Analyse informatique
Intelligence artificielle en médecine
Pratique médicale - Effets des innovations technologiques

Résumé : Dans le domaine de santé, l'analyse des données est un enjeu fort dans l'amélioration des prises en charge, la prévention des maladies ou l'adaptation des thérapies à chaque patient. Initialement, cette analyse de données est basée sur des méthodes statistiques telles que les statistiques descriptives et inférentielles, afin de découvrir de nouvelles connaissances dans les données. L'apparition de l'apprentissage automatique a permis de nouveaux cas d'usages grâce à son pouvoir prédictif. Son essor a également été favorisé par des applications aux retombées positives.Cependant, les modèles prédictifs sont qualifiés de boite noires à cause de leur complexité, leur architecture ou de leur statut propriétaires. Comprendre leur fonctionnement et leur prédiction est alors critique, notamment dans les domaines sensibles. Le domaine de l'Explicabilité du Machine Learning (XML) a émergé afin d'expliquer le comportement des modèles prédictifs et leur prédiction. Deux approches s'opposent entre les modèles intrinsèquement interprétables et les méthodes post-hoc d'explication. Les modèles interprétables ont des structures pouvant être directement analysé, tel que les arbres ou les règles de décisions. Les méthodes post-hoc, à l'opposé, s'appliquent sur des modèles déjà entraînés pour expliquer leur fonctionnement et leurs prédictions. Les méthodes post-hoc agnostic d'explication locale permettent notamment d'expliquer individuellement chaque prédiction, quelque soit le modèle. Ces méthodes populaires subissent cependant de nombreuses critiques quant à leur efficacité, leurs hypothèses restrictives et la nécessité de privilégier les modèles interprétables dans les domaines sensibles. Cependant, ces derniers peuvent devenir boite-noire à cause de leur complexité ou pour des raisons propriétaires. Les méthodes post-hoc sont alors la seule alternative restante actuellement pour expliquer les prédictions. Pour intégrer les explications post-hoc dans des applications médicales, plusieurs problématiques se posent autour des forces et des faiblesses des explications locales, de leur analyse et de leur utilisation par des personnels de santé non-expert en modèle prédictif. Le comportement et les limites des méthodes explicatives sont un point critique lors de leur utilisation, notamment dans les domaines sensibles. De plus, afin de comprendre les liens entre les prédictions, le modèle et les données, les explications peuvent être vues comme de nouvelles données à analyser et à explorer. Enfin, dans le cadre d'application métier, les utilisateurs finaux sont souvent peu impliqués dans la conception des applications intégrant des modèles prédictifs et des explications.Dans cette thèse, nous contribuons à l'amélioration et l'implémentation des explications dans le domaine de la santé sous quatre axes. Premièrement, nous dressons un état de l'art du domaine, des méthodes post-hoc locale et leurs évaluations, des différentes utilisations des explications et des tests réalisés avec des utilisateurs. Puis, nous améliorons la méthode d'explication locale Coalitionnelle et la comparons à la littérature afin de mettre en lumière leurs forces, faiblesses et limites. Nous montrons les meilleurs contextes d'utilisation de chaque méthode et qu'un gap existe encore pour les larges jeux de données. Ensuite, nous proposons une approche d'analyse des explications basée sur le clustering afin d'extraire des informations sur le modèle, les données et les prédictions, offrant des perspectives d'analyse de ces explications. Enfin, nous étudions, en définissant les besoins des utilisateurs, comment implémenter efficacement les explications dans des applications médicales, en combinant plusieurs approches et des analyses statistiques. Nous proposons ainsi notre protocole de tests utilisateurs évaluant l'apport des explications pour des professionnels de santé, réalisé en collaboration avec des experts métiers.

Informations techniques

Type de contenu : Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2024TOUC0004
Type de ressource : Thèse