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.

par Francois Lasson

Thèse de doctorat en Informatique

Sous la direction de Cédric Buche.


  • Résumé

    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.

  • Titre traduit

    Interests of deep autoencoders for clinical decision support system : application to the personalized management of hemophilliac patient.


  • Résumé

    Therapeutic individualization is a method that entails the use of biological assays close to physiological reality. In the context of blood coagulation, routine laboratory tests only supply a partial study of the formation of a blood clot, whereas global assays have proved to be promising contenders in improving personalized care for patients suffering from hemostasis disorders. However, despite their relevance, these tests lack standardization, and their results have proved difficult for non-specialized clinicians to interpret. In this work, we are arguing that a Clinical Decision Support System (CDSS) allows us to overcome these analytical difficulties, as well as help set patient-specific treatments. In order to fully exploit the predictive behavior of the global assay results, strongly abstract characteristics can be extracted through deep architecture. In this respect, we have provided solutions to the challenge of both parametric and hyperparametric optimization of deep autoencoders (AE). These solutions, characterized by a conditional pre-training algorithm and incremental optimization strategies, reduce the variance of the estimation process and enhance the convergence of the learning algorithm. Applying these in the context of personalized care of hemophiliac patients has therefore made it possible to exceed the performance of generative adversarial networks and to highlight the benefits of AE for CDSS.