| Titre : | Une approche basée sur les SMA et méta-heuristique pour la prédiction (PHM) médicale |
| Auteurs : | Djihane Houfani, Auteur ; Okba Kazar, Directeur de thèse ; Sihem Slatnia, Directeur de thèse |
| Type de document : | Thése doctorat |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2023 |
| Format : | 1 vol. (152 p.) / couv. ill. en coul / 30 cm |
| Langues: | Français |
| Mots-clés: | Metaheuristics, multi-agent system, PHM, predictive informatics, machine learning, breast cancer, COVID-19. |
| Résumé : |
In recent years, Artificial Intelligence (AI) has made a great revolutionary progress in the world.
AI has been incorporated into several fields including the economic, industrial, biological, and medical sectors, etc. The integration of AI in the medical field presents a great interest to researchers who exploit the predictive approach due to its importance in decision-making. It offers promising prospects for improving the quality of care for the benefit of the patient through personalized and predictive care, good detection of symptoms for better diagnosis, and the use of analysis results (medical imaging, medical reports, tests blood, etc.). However, despite the positive impact of AI on the healthcare sector, it faces many challenges. In particular, the manipulation of big data, the growing complexity, the diversity of healthcare offers, the length of diagnosis, and the increase in treatment costs. Predictive medicine aims to determine the probability of reaching a disease, to predict the recurrence, the case fatality rate, and disease forecasting. The application of biotechnology, genomics, and AI techniques (IoT, SMA, machine learning, and optimization techniques) can improve distributed intelligent modeling systems and classification methods. The main objective of this thesis is to propose a new intelligent approach for : • improving the quality of medical diagnosis and the detection of pathologies by avoiding subjecting patients to intrusive examinations; • defining therapeutic strategies more suited to patient situations; • optimizing the care pathways (early detection, saving time, costs, etc.). Breast cancer is one of the most common causes of death in women. In addition, over the past three years, the emergence of the new Covid-19 pandemic had a harmful impact worldwide. This health crisis has also taken a heavy toll on the development of the economy around the world. The application of our objectives for the management of these two pathologies constitutes an important segment of this research project, knowing that the quantity of available data and the quality of their annotation are key elements on the applications of AI in health. |
| Sommaire : |
Table des matières Remerciements . . i Dédicaces . .. ii Résumé . . . iii Table des figures . .. x Liste des tableaux . . xii Liste des algorithmes . . . . xiii Liste des abréviations . . + . . . . . . . xiv Introduction générale 1 1 Contexte de travail et concepts de base 7 1.1 Introduction . . . . . . . + . 7 1.2 Agents et Systèmes Multi-Agents . . . . . +. . . . . 7 1.2.1 La notion d’agent . . . . . . . . +. . . . . . . . . . . 8 1.2.1.1 Définition de l’agent . . . . . . . . . +. . . . . . . . . . 8 1.2.1.2 Types d’agents . . . . . . . . . .+. . . . . . 9 1.2.2 Les systèmes multi-agents . . . . . . .+. . . . . . . . . . 10 1.2.2.1 Définition d’un SMA . . . . . . . . .+. . . . . . . . 11 1.2.2.2 Interactions dans un SMA . . . . . . . . + . . . . . . 11 1.2.2.3 La communication dans un système multi-agents . . . . . . . . . 12 1.2.2.4 L’apprentissage chez l’agent . . . . . .+. . . . . . . . 13 1.2.2.5 Application des SMA à la médecine . . . . . . .+. . . . . 14 1.3 Apprentissage automatique et apprentissage profond .+. . . . . . . . . . . . . 15 1.3.1 Catégories de ML . . . . . . . . . . . . . . . . . . +. . . . . . . . . . 15 viTABLE DES MATIÈRES 1.3.1.1 Apprentissage supervisé . . . . . . . +. . . . . 15 1.3.1.2 Apprentissage non supervisé . . . . .+ . . . . . 17 1.3.1.3 Apprentissage par renforcement . . .+. . . . . . . . . 18 1.3.2 Apprentissage profond . . . . +. . . . . . . . . . . . . . . . 18 1.3.3 Processus de l’apprentissage automatique . +. . . . . . . . . . . 19 1.3.3.1 Prétraitement des données . . . . + . . . . . . . . . 19 1.3.3.2 Choix du modèle . . . . . . . + . . . . . . 23 1.3.3.3 Evaluation du modèle . . . .+. . . . . . . . 23 1.3.4 Apprentissage automatique appliqué à la médecine . . .+ . . . . . 25 1.4 Métaheuristiques . . . . . . . . . . . . . . . + . . . . . . . . . . 26 1.4.1 Définition d’une métaheuristique . . . . . .+ . . . 27 1.4.1.1 Métaheuristiques à base de solution unique .+. 27 1.4.1.2 Métaheuristiques à base de population . +. 29 1.5 Conclusion . . . . . . . . . . . . . . . . +. . . . . . . . 33 2 L’IA pour la prédiction médicale : Revue de la littérature 34 2.1 Introduction . . . . . . . . . . .+ . . . . . . . . . . . . 34 2.2 Médecine 4P . . . . . . . . . .+ . . . . . . . . . . . . . . . . 34 2.2.1 La médecine prédictive . . . . . . +. . . . . . . . . 36 2.2.2 La médecine préventive . . . . . . . +. . . . . . . . . . 37 2.2.3 La médecine personnalisée . . . . .+. . . . . . . . . . . 37 2.2.4 La médecine participative . . . . . .+ . . . . . . . . . . . 39 2.3 Prognostics and health management (PHM) . . + . . . . . . . 39 2.4 Revue de la littérature . . . . . . . . . . . . . . . . 40 2.4.1 Cancer du sein . . . . . . . . . . . . . . . . . . . . . . . . . . 41 2.4.2 Maladies cardiovasculaires . . . . . . . . . . . . . . . 53 2.4.3 Covid-19 . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 2.4.4 Autres pathologies . . . . . . . . . . . . . . . . . . . 60 2.5 Synthèse des travaux . . . . . . . . . . . . . . . . . . . . . . . . 70 2.6 L’IA pour la prédiction médicale : enjeux . . . . . . . . . . . . . . 71 viiTABLE DES MATIÈRES 2.7 Conclusion . . . . . . . . . . . . . . . 72 3 L’IA pour la prédiction médicale : Contributions 73 3.1 Introduction . . . . . .. . . . . . . . . . . 73 3.2 Etude comparative des méthodes de ML pour le diagnostic du cancer du sein . . . 74 3.2.1 Outils et plateformes utilisés . . . . . . . . . . . . . . . . . . . . 74 3.2.2 Résultats expérimentaux . . . . . . . . . . . . . . . . 75 3.2.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . 76 3.3 Un système de diagnostic assisté par ordinateur pour la classification des tumeurs mammaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 3.3.1 Conception du système . . . . . . . .. . . . . . . . . . . . . 79 3.3.2 Résultats expérimentaux et discussion . . . . . . . . . . . . . . . 81 3.4 Un système intelligent pour la prédiction de la COVID-19 . . . . . . . . . . . . . . . . 92 3.4.2 Description de l’environnement des agents . . . . . . . . . . . . 93 3.4.3 Description des caractéristiques de l’environnement . . . . . . . . . . . . . 93 3.4.4 Conception et fonctionnement du système proposé . . . . . . . . . . . . . . 94 3.4.4.1 Génération du modèle de prédiction . . . . +. . . . . 95 3.4.4.2 Acquisition des données . . . . . . . +. 99 3.4.4.3 Evaluation et prise de décision . . 101 3.4.5 Implémentation et résultats . . . . . . . 102 3.4.5.1 Outils et plateformes utilisés . . . . . 102 3.4.5.2 Résultats expérimentaux et discussion . . . 103 3.5 Conclusion . . . . . . . . . . . 109 Conclusion générale et perspectives 111 A Description des datasets 114 A.1 WDBC . . . . . . . 114 A.2 WOBC . . . . .. . 115 A.3 COVID-19 patient pre-condition dataset . 116 viiiTABLE DES MATIÈRES Annexe 114 B Liste des publications 117 B.1 Revues Internationales . .. . . . . . 117 B.2 Conférences Internationales . 117 Bibliographie 119 |
| En ligne : | http://thesis.univ-biskra.dz/6062/1/Th%C3%A8se-Djihane-HOUFANI.pdf |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| TINF/186 | Théses de doctorat | bibliothèque sciences exactes | Consultable |
