Intelligence artificielle explicable pour la fiabilité des algorithmes d'apprentissage automatique, l'analyse et la découverte dans les données omiques.

Explainable artificial intelligence for the reliability of machine learning algorithms, analysis and discovery in omics data.

• Auteur / Autrice : Ghislain Fievet
• Direction : Julien Broséus, Sébastien Hergalant
• Type : Projet de thèse
• Discipline(s) : Sciences de la Vie et de la Santé - BioSE
• Date : Inscription en doctorat le 29/11/2023
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale BioSE - Biologie, Santé, Environnement
• Partenaire(s) de recherche : Laboratoire : NGERE - Nutrition-Génétique et Exposition aux Risques Environnementaux

Mots clés

Mots clés libres

IA explicable

Bioinformatique

Intelligence artificielle

Xai

Bioinformatics

Artificial intelligence

Résumé

L'utilisation des algorithmes ML (machine learning / apprentissage automatique) est devenue courante en recherche biomédicale. C'est particulièrement le cas pour l'analyse de données omiques, où ils sont utilisés pour des applications critiques telles que le diagnostic en médecine de précision ou la thérapeutique personnalisée. Ce qui exige un niveau élevé de fiabilité et de transparence des modèles utilisés. Un domaine de l'intelligence artificielle (IA), l'eXplainable Artificial Intelligence (XAI), développe ces problématiques et fournit des méthodes applicables à tout algorithme de ML. Bien qu'ancré dans un large éventail d'utilisations sociétales, ce domaine reste anecdotique et inexploré en bioinformatique. Utilisée pour étudier la « confiance » dans les algorithmes, l'XAI peut aussi aider à la découverte dans les contextes omiques du fait de l'utilisation combinée d'approches supervisées et non supervisées. Cette thèse propose d'une part le développement d'outils XAI pour l'analyse de la fiabilité des algorithmes d'apprentissage en transcriptomique, et d'autre part l'exploitation du potentiel de découverte de l'IA pour l'étude des lymphomes agressifs.

The use of machine learning (ML) algorithms has become common place in biomedical research. This is particularly true for omics data, where they are used for applications such as diagnosis in precision medicine or personalized therapies. These critical practices demand a high level of reliability and transparency from the employed ML models. A field of artificial intelligence (AI), known as eXplainable Artificial Intelligence or XAI, addresses these issues and provides methods applicable to any ML algorithm. Although highly developed for other societal needs, XAI remains relatively unexplored and unused in bioinformatics. Primarily used to study the level of confidence in ML algorithms, XAI could also help for the discovery in omics data due to its combined use of supervised and unsupervised approaches. This thesis thus proposes the development of XAI tools for analysing the reliability of ML algorithms in transcriptomics, and for exploiting XAI's discovery potential, which we will apply to the study of aggressive lymphomas.