Amélioration des modèles d'apprentissage fédéré pour la cybersanté

Improvement of Federated Learning Models for E-Health

• Auteur / Autrice : Hassan Salman
• Direction : Jean-Francois Pradat-peyre
• Type : Projet de thèse
• Discipline(s) : Sciences et technologies de l'information et de la communication
• Date : Inscription en doctorat le 01/02/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : LIP6

Mots clés

Mots clés libres

Apprentissage fédéré

Apprentissage automatique

E-Santé

Federated Learning

Machine Learning

E-Health

Résumé

L'apprentissage fédéré (FL) a été utilisé dans de nombreux domaines, de la médecine à l'Internet des objets (IoT), aux transports, à la défense et aux applications mobiles. En outre, le FL a récemment été proposé pour la construction de systèmes IoT intelligents et améliorés en matière de confidentialité pénétrant ainsi de nombreuses facettes de notre vie quotidienne avec la prolifération de services et d'applications intelligents renforcés par l'intelligence artificielle (IA). Cependant, de nombreux défis restent à relever pour obtenir une solution efficace et bien acceptée. Dans le cas de l'utilisation de l'apprentissage fédéré pour développer et valider des modèles prédictifs de l'évolution de la maladie d'un patient donné, il n'est pas clair quelle stratégie d'apprentissage est la mieux adaptée à chaque type de maladie. De plus, les établissements impliqués dans le parcours de soin d'un patient n'utilisent pas tous les mêmes méthodes statistiques ou d'apprentissage automatique pour construire leur modèle de prédiction. Combiner différents types d'apprentissage automatique tout en gardant les principes du FL (comme la localité des données) reste un défi que nous souhaitons aborder dans cette thèse avec une application au cas de la SLA, une maladie pour laquelle nous avons des données et une certaine expertise avec le l'aide des équipes médicales de l'hôpital Pitié Salpêtrière (France, Paris). Par ailleurs, l'hétérogénéité des données (au sens de leur distribution ou de leurs caractéristiques) ou des systèmes locaux (capacités des équipes informatiques et techniques ou moyens de calcul) peut susciter des inquiétudes sur la pertinence ou la précision des modèles construits. Le premier objectif de cette thèse est de déterminer comment développer des algorithmes d'apprentissage fédéré avec différentes méthodes locales d'apprentissage automatique et une éventuelle hétérogénéité des données et du système pour fédérer le plus grand nombre d'institutions travaillant sur une maladie donnée. Le deuxième objectif de ce projet de doctorat est de concevoir un système d'apprentissage fédéré adaptatif qui gère divers ensembles de mesures telles que la parcimonie, la robustesse, la quantification, l'évolutivité, la sécurité et la confidentialité, qui sera mis en œuvre dans des domaines spécifiques de l'IoT (par exemple, l'e-santé) tout en tenant compte de la capacité des systèmes IoT. De plus, l'adaptabilité du système doit être fonction de la nature des données (ex. pour la e-santé : données de tension artérielle, d'électrocardiogramme (ECG), de surveillance continue de la glycémie (CGM), etc.) afin que les algorithmes et répondent aux diverses exigences des systèmes IoT intelligents prenant en charge l'environnement des soins médicaux. Les approches proposées seront validées à l'aide de données réelles obtenues à l'hôpital de la Pitié Salpêtrière ou à l'aide de données publiques telles que MIMIC-II et MIMIC-III. La thèse sera co-dirigée, à part égale, par les Professeurs Abbas Nasser et Jean-François Pradat-Peyre et sera encadrée, à part égale, par Abbas Nasser Professor Dean, Faculty of Arts and Science Director, Research and Development American University of Culture and Education (AUCE) Omar Bayhom St, Badaro, Beirut, Lebanon Jean-François Pradat-Peyre Professor Université Paris Nanterre / LIP6 Sorbonne Université [e-mail] / [e-mail] Nour Charara, Ph.D. in Telecommunication Head of Academic Development Department Assistant Professor, Computer Science Department American University of Culture & Education - AUCE (Badaro Campus) [e-mail] Sonia Saadoui, Assistant Professor Université Paris Nanterre / LAMSADE [e-mail], [e-mail] Chamseddine Zaki Assistant Professor American University of the Middle East (AUM) Kuwait [e-mail]

Federated learning (FL) has been used in many fields, from medicine to the Internet of Things (IoT), transportation, defence and mobile applications. In addition, FL has recently been proposed for building intelligent and privacy-enhanced IoT systems penetrating many facets of our daily lives with the proliferation of intelligent services and applications enhanced by artificial intelligence (AI). However, many challenges remain to achieve an effective and well accepted solution. In the case of using federated learning to develop and validate predictive models of a given patient's disease course, it is not clear which learning strategy is best suited to each type of disease. Furthermore, not all institutions involved in a patient's care pathway use the same statistical or machine learning methods to build their prediction model. Combining different types of machine learning while keeping the principles of FL (such as data locality) remains a challenge that we wish to address in this thesis with an application to the case of ALS, a disease for which we have data and some expertise with the help of the medical teams of the Pitié Salpêtrière hospital (France, Paris). Moreover, the heterogeneity of the data (in the sense of their distribution or characteristics) or of the local systems (capacities of the IT and technical teams or computing means) may raise concerns about the relevance or accuracy of the models built. The first objective of this thesis is to determine how to develop federated learning algorithms with different local machine learning methods and possible data and system heterogeneity to federate the largest number of institutions working on a given disease. The second objective of this PhD project is to design an adaptive federated learning system that manages various sets of metrics such as parsimony, robustness, quantification, scalability, security and privacy, which will be implemented in specific IoT domains (e.g. e-health) while taking into account the capacity of IoT systems. Furthermore, the adaptability of the system should be based on the nature of the data (e.g. for e-health: blood pressure data, electrocardiogram (ECG) data, continuous glucose monitoring (CGM) data, etc.) so that the algorithms and meet the various requirements of intelligent IoT systems supporting the healthcare environment. The proposed approaches will be validated using real data obtained at the Pitié Salpêtrière hospital or using public data such as MIMIC-II and MIMIC-III. The thesis will be co-directed, in equal parts, by Professors Abbas Nasser and Jean-François Pradat-Peyre and supervised, in equal parts, by Abbas Nasser Professor Dean, Faculty of Arts and Science Director, Research and Development American University of Culture and Education (AUCE) Omar Bayhom St, Badaro, Beirut, Lebanon Jean-François Pradat-Peyre Professor University of Paris Nanterre / LIP6 Sorbonne University [e-mail] / [e-mail] Nour Charara, Ph.D. in Telecommunication Head of Academic Development Department Assistant Professor, Computer Science Department American University of Culture & Education - AUCE (Badaro Campus) [e-mail] Sonia Saadoui, Assistant Professor University of Paris Nanterre / LAMSADE [e-mail], [e-mail] Chamseddine Zaki Assistant Professor American University of the Middle East (AUM) Kuwait [e-mail]