Approche transparente basée sur l'apprentissage profond et l'argumentation multiagents pour la gestion de l'hypertension

Transparent approach based on deep learning and multiagent argumentation for hypertension management

• Auteur / Autrice : Naziha Sendi
• Direction : Étienne Colle, Farida Zehraoui, Nadia Abchiche-Mimouni
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 16/12/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Informatique, Biologie Intégrative et Systèmes Complexes (Evry, Essonne) - Informatique- BioInformatique- Systèmes Complexes / IBISC
• Partenaire(s) de recherche : référent : Université d'Évry-Val-d'Essonne (1991-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-….)
• Jury : Président / Présidente : Sylvie Despres
• Jury : Examinateurs / Examinatrices : Souhila Kaci, Joao Marques-Silva, Mohamed Elati, Serenella Cerrito
• Jury : Rapporteurs / Rapporteuses : Souhila Kaci, Joao Marques-Silva

Mots clés

Mots clés contrôlés

Médecine personnalisée

Intelligence artificielle

Dossiers médicaux

Argumentation

Traitement réparti

Apprentissage profond

Mots clés libres

Hypertension

Systèmes multi-Agents

Apprentissage automatique

Systèmes experts

Hypertension

Multi-Agents systems

Machine learning

Expert systems.

Résumé

L'hypertension est connue pour être l'une des principales causes de maladies cardiaques et d'accidents vasculaires cérébraux, tuant environ 7,5 millions de personnes dans le monde chaque année, principalement en raison de son diagnostic tardif.Afin de confirmer le diagnostic d'hypertension, il est nécessaire de collecter des mesures médicales répétées. Une solution consiste à exploiter ces mesures et à les intégrer dans les dossiers électroniques de santé par des algorithmes d'apprentissage automatique.Dans ce travail, nous nous sommes concentrés sur les méthodes d'ensemble qui combinent plusieurs algorithmes d'apprentissage automatique pour la classification. Ces modèles ont été largement utilisés pour améliorer les performances de classification d'un seul classificateur. Pour cela, des méthodes telles que Bagging et Boosting sont utilisées. Ces méthodes utilisent principalement le vote majoritaire ou pondéré pour intégrer les résultats des classificateurs. Cependant, un inconvénient majeur de ces approches est leur opacité, car elles ne fournissent pas d'explication des résultats et ne permettent pas une intégration préalable des connaissances. Comme nous utilisons l'apprentissage automatique pour les soins de santé, l'explication des résultats de classification et la possibilité d'introduire des connaissances de domaine et cliniques dans le modèle appris deviennent une nécessité.Afin de pallier ces faiblesses, nous introduisons une nouvelle méthode d'ensemble basée sur l'argumentation multiagents.L'intégration de l'argumentation et de l'apprentissage automatique s'est avérée fructueuse et l'utilisation de l'argumentation est un moyen pertinent de combiner les classificateurs. En effet, l'argumentation peut imiter le processus décisionnel humain pour réaliser la résolution des conflits.Notre idée est d'extraire automatiquement les arguments des modèles ML et de les combiner à l'aide de l'argumentation. Cela permet d'exploiter les connaissances internes de chaque classifieur, de fournir une explication des décisions et de faciliter l'intégration des connaissances du domaine.Dans cette thèse, les objectifs étaient multiples. Du point de vue de l'application médicale, l'objectif était de prédire le traitement de l'hypertension et la date de la prochaine visite chez le médecin. D'un point de vue scientifique, l'objectif était d'ajouter de la transparence à la méthode d'ensemble et d'injecter des connaissances du domaine.Les contributions de la thèse sont diverses:-Explication des prédictions;-Intégration des connaissances internes de classification;-Injection des connaissances du domaine;-Amélioration de la précision des prédictions.Les résultats démontrent que notre méthode fournit efficacement des explications et de la transparence des prédictions des méthodes d'ensemble et est capable d'intégrer le domaine et les connaissances cliniques dans le système. De plus, il améliore les performances des algorithmes d'apprentissage automatique existants.

Hypertension is known to be one of the leading causes of heart disease and stroke, killing around 7.5 million people worldwide every year, mostly because of its late diagnosis.In order to confirm the diagnosis of Hypertension, it is necessary to collect repeated medical measurements. One solution is to exploit these measurements and integrate them into Electronic Health Records by Machine Learning algorithms.In this work, we focused on ensemble learning methods that combine several machine learning algorithms for classification. These models have been widely used to improve classification performance of a single classifier. For that purpose, methods such as Bagging and Boosting are used. These methods mainly use majority or weighted voting to integrate the results of the classifiers. However, one major drawback of these approaches is their opacity, as they do not provide results explanation and they do not allow prior knowledge integration. As we use machine learning for healthcare, the explanation of classification results and the ability to introduce domain and clinical knowledge inside the learned model become a necessity.In order to overcome theses weaknesses, we introduce a new ensemble method based on multiagent argumentation.The integration of argumentation and machine learning has been proven to be fruitful and the use of argumentation is a relevant way for combining the classifiers. Indeed, argumentation can imitate human decision-making process to realize resolution of the conflicts.Our idea is to automatically extract the arguments from ML models and combine them using argumentation. This allows to exploit the internal knowledge of each classifier, to provide an explanation for the decisions and to facilitate integration of domain and clinical knowledge.In this thesis, objectives were multiple. From the medical application point of view, the goal was to predict the treatment of Hypertension and the date of the next doctor visit. From the scientific point of view, the objective was to add transparency to ensemble method and to inject domain and clinical knowledge.The contributions of the thesis are various:-Explaining predictions;-Integrating internal classification knowledge;-Injecting domain and clinical knowledge;-Improving predictions accuracy.The results demonstrate that our method effectively provides explanations and transparency of the ensemble methods predictions and is able to integrate domain and clinical knowledge into the system. Moreover, it improves the performance of existing machine learning algorithms.