Analytique Prédictive en Santé Basée sur l'IA avec une IA Explicable

AI-Driven Predictive Analytics in Healthcare with Explainable AI

• Auteur / Autrice : Long Tuan Vo
• Direction : Van Tâm Nguyen
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 01/12/2024
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Traitement et Communication de l'Information
• Partenaire(s) de recherche : Equipe de recherche : S2A - Statistique et Apprentissage

Mots clés

Mots clés libres

Intelligence artificielle

Apprentissage automatique

Apprentissage profond

Santé

Artificial intelligence

Machine learning

Deep learning

Healthcare

Résumé

Cette proposition explore l'utilisation de l'analyse prédictive pilotée par l'IA dans le domaine de la santé, en se concentrant sur l'intégration de l'intelligence artificielle explicable (XAI) pour surmonter les défis associés à la nature opaque des modèles d'apprentissage automatique avancés. Bien que les technologies de l'IA, en particulier l'apprentissage automatique (ML) et l'apprentissage profond (DL), se soient révélées efficaces pour prédire les résultats des patients et optimiser les stratégies de traitement, leur manque de transparence soulève des préoccupations éthiques et pratiques dans les environnements de soins de santé. La proposition souligne la nécessité de combler le fossé entre la précision prédictive de ces modèles et leur interprétabilité, en particulier dans les domaines à enjeux élevés comme la santé, où la confiance et la compréhension des décisions de l'IA sont essentielles. Pour y remédier, la recherche se concentre sur l'amélioration de l'interprétabilité des modèles d'IA en utilisant des méthodes XAI qui fournissent des explications claires du processus de prise de décision, permettant aux professionnels de la santé de comprendre, de faire confiance et d'agir sur les informations issues de l'IA. Elle vise à développer de nouvelles techniques XAI pour gérer les données manquantes et les modèles complexes tels que les systèmes d'ensemble et d'apprentissage profond, avec une attention particulière à l'analyse d'images médicales. L'objectif ultime est d'améliorer la transparence, de favoriser une adoption plus large de l'IA dans les soins de santé et d'améliorer les résultats des patients grâce à des décisions cliniques mieux informées.

This proposal explores the use of AI-driven predictive analytics in healthcare, focusing on the integration of Explainable AI (XAI) to overcome the challenges associated with the black-box nature of advanced machine learning models. While AI technologies, especially Machine Learning (ML) and Deep Learning (DL), have proven effective in predicting patient outcomes and optimizing treatment strategies, their lack of transparency raises ethical and practical concerns in healthcare settings. The proposal highlights the need to bridge the gap between the predictive accuracy of these models and their interpretability, especially in high-stakes domains like healthcare, where trust and understanding of AI decisions are essential. To address this, the research focuses on improving the interpretability of AI models by leveraging XAI methods that provide clear explanations of the decision-making process, enabling healthcare professionals to understand, trust, and act upon AI-driven insights. It aims to develop new XAI techniques for handling missing data and complex models like ensemble and deep learning systems, with particular attention to medical image analysis. The ultimate goal is to enhance transparency, foster wider adoption of AI in healthcare, and improve patient outcomes through better-informed clinical decisions.