Analyse de survie et apprentissage automatique explicable

Survival analysis et explainable machine learning

• Auteur / Autrice : Imad El badisy
• Direction : Roch Giorgi, Chakib Nejjari
• Type : Projet de thèse
• Discipline(s) : Biologie-Santé - Spécialité Recherche Clinique et Santé Publique
• Date : Inscription en doctorat le 01/11/2021
• Etablissement(s) : Aix-Marseille en cotutelle avec Université Mohammed 6 des sciences de la santé
• Ecole(s) doctorale(s) : École Doctorale Sciences de la vie et de la santé (Marseille)
• Partenaire(s) de recherche : Laboratoire : SESSTIM - Sciences Economiques & Sociales de la Santé et Traitement de l'Information Médicale

Mots clés

Mots clés libres

Analyse de survie

Imputation des données manquantes

Modélisation prédictive

Facteurs de risque

Cancer

Apprentissage automatique explicable

Missing data imputation

Explainbale machine learning

Risk factors

Survival analysis

Predictive modeling

Cancer

Résumé

Ce projet de recherche s'inscrit dans l'une des pistes de recherche les plus active actuellement dans le domaine de l'apprentissage statistique et l'intelligence artificielle. En effet, les algorithmes d'apprentissage ont démontré un pouvoir prédictif très performant. Cependant, le processus de construction des prédictions reste opaque, d'où une difficulté à interpréter avec pertinence leurs résultats (relation entre les variables, influence des variables explicatives sur la variable d'intérêt, ...etc.). En effet, l'interprétabilité en épidémiologie des résultats a une importance centrale, car elle permet de vérifier les hypothèses de recherche et de trouver les interactions entre les facteurs de risques/protecteurs, afin de construire des recommandations concrétisables à travers les interventions en santé. Le sujet consiste à faire une étude comparative empirique des différents algorithmes d'apprentissage profonds et d'étudier leurs structures et méthodologie de construction afin de comprendre leur processus de prédiction. Différentes métriques d'interprétabilité seront appliquées sur les algorithmes sélectionnés les plus robustes. Ainsi, dans un travail plus avancé, une proposition d'une nouvelle métrique adaptée aux données de survie peut être faite si le temps le permet.

This research project is part of one of the most active research areas in the field of statistical learning and artificial intelligence. Indeed, learning algorithms have demonstrated a very powerful predictive power. However, the process of building predictions remains opaque, which makes it difficult to interpret their results with relevance (relationship between variables, influence of explanatory variables on the variable of interest, etc.). Indeed, the interpretability of the results in epidemiology is of central importance, as it allows the verification of the research hypotheses and the identification of the interrelationships between the risk/protective factors, in order to construct recommendations that can be implemented through health interventions. The subject consists in making an empirical comparative study of different deep learning algorithms and studying their structures and construction methodology in order to understand their prediction process. Different interpretability metrics will be applied on the most robust selected algorithms. Thus, in a more advanced work, a proposal of a new metric adapted to survival data can be made if time permits.