Développement de méthodes utilisant des forêts aléatoires basées sur des distances pour l'analyse de données de santé complexes

Development of distance-based random forests methods for complex health data analysis

• Auteur / Autrice : Justine Remiat
• Direction : Robin Genuer, Cecile Proust-lima
• Type : Projet de thèse
• Discipline(s) : Santé publique Option Biostatistiques
• Date : Inscription en doctorat le 06/10/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Sociétés, politique, santé publique (Talence, Gironde ; 2011-....)
• Partenaire(s) de recherche : Laboratoire : Bordeaux Population Health Research Center
• Partenaire(s) de recherche : Equipe de recherche : E10 - Statistics in Systems biology and Translational Medicine_SISTM

Mots clés

Mots clés libres

Forêts aléatoires

Apprentissage statistique

Distance

Random forest

Machine learning

Distance

Résumé

Dans de nombreux domaines de la Santé Publique, les données collectées sont de plus en plus complexes grâce au développement de nouvelles techniques d'acquisition. Par exemple, dans les essais vaccinaux, l'expression génique des individus peut être mesurée à différents temps du suivi. Un autre exemple est la mesure de l'activité cérébrale mais aussi de son anatomie grâce aux méthodes d'imagerie médicale. Dans les deux cas, il s'agit de données complexes : des mesures répétées ou des données de grande dimension (expression génétique ou neuroimagerie) qui peuvent être essentielles pour prédire avec précision les effets sur la santé, mais que les méthodes statistiques ne parviennent pas à traiter. Les forêts aléatoires sont des outils performants de machine learning donnant lieu à des prédictions fiables dans de nombreux domaines, même dans des contextes de grande dimension. Cependant elles ont été conçues pour des données dont les observations sont indépendantes entre elles et où les variables sont soit catégorielles, soit continues. Il existe donc un besoin de les adapter pour permettre l'analyse de données complexes. Parmi les travaux récents, Capitaine et al. (2020) ont développé les forêts aléatoires de Fréchet qui ont le potentiel d'être appliquées à tout type de données grâce à la moyenne de Fréchet qui est utilisée pour l'agrégation. L'utilisation de cette moyenne est possible à partir du moment où il existe une distance adaptée pour mesurer la similarité entre les objets d'intérêt (l'objet peut être une courbe d'évolution ou une image par ex.). Ces travaux posent les bases du développement de méthodes de forêts aléatoires basées sur des distances adaptées à différents types de données complexes. Dans le cas de données longitudinales, les auteurs ont proposé d'utiliser la distance de Fréchet entre les trajectoires. Cependant, le choix de la distance n'a pas été étudié ainsi que le réglage des paramètres associés à cette distance ; alors que l'on s'attend à ce que le choix de la distance utilisée ait un impact majeur sur les prédictions. L'objectif principal de cette thèse est donc d'aller plus loin avec les forêts aléatoires de Fréchet dans le but de proposer des méthodes efficaces de prédictions adaptées à différentes problématiques mais aussi au type de données utilisées. Pour les trajectoires, différentes distances seront étudiées et un guide du choix de la distance à utiliser sera développé. Pour les images ; le comportement de la méthode sera étudié quant au choix de la distance utilisée. Ces méthodes seront appliquées dans deux contextes : (i) la prédiction de réponse vaccinale à partir de l'expression génique, (ii) la prédiction de traits psychologiques à partir de l'anatomie et de l'activité cérébrale. L'objectif de ce travail est le développement d'un outil d'analyse statistique et d'un guide d'utilisation pratique, ainsi que l'illustration des applications possibles dans différents contextes.

In many public health areas, the data collected are more and more complex thanks to recent acquisition techniques. For example, in clinical vaccine trials one can now measure the gene expression for each individual at several timepoints during the follow-up. Another example is the measure of brain anatomy and activity for each individual in cohorts on cerebral health. In both examples, it results in complex data: repeated measures of high-dimensional data (either gene expression or neuroimage) that may be critical for accurate prediction of health outcomes but that statistical methodologies fail to handle. Random forests are one of the state-of-the-art methods in machine learning that show good prediction performance in lots of different domains. Thanks to their nonparametric nature, they behave well in high-dimension where the number of variables largely exceeds the number of observations. However, they are originally tailored to analyze datasets where all observations are supposed to be independent with each other and can only deal with continuous or categorical variables. Hence, there is a need to adapt/generalize them to correctly deal with complex data. Among several recent works in that direction, Capitaine et al. (2020) introduced Fréchet random forests that have the potential to be applied to any data thanks to the Fréchet mean used for aggregation as soon as there exists a distance adapted to measure the differences between two “objects” (an object can be e.g., a trajectory of a patient or an image). This lay the foundation for the development of distance-based random forests methodologies adapted to different types of complex data. In the case of longitudinal data, the authors proposed to use the Fréchet distance between two trajectories. However, neither the choice of the distance nor the tuning of the distance parameters have been studied, whereas we expect the distance choice to have a great impact on the results in many cases. The main objective of this thesis work is to go one step further with Fréchet random forests in order to propose efficient prediction methods tailored for different problems and different types of data. For trajectories, different distances between curves will be investigated and guidelines in the choice of the distance will be formulated. For images, the behavior of the method will also be investigated regarding the choice of the distance between images. These methodologies will be primarily applied to two contexts: (i) to predict vaccine response from trajectories of gene expression (ii) to predict psychological traits in young adults from brain anatomy and activity. The expected impact of the work is to provide an efficient data analysis tool and guidance for its practical use. We plan to show the benefits of the method when effectively applied in different contexts.