Thèse de Napthaline Gerard

Intelligence artificielle hybride explicable pour prédire la tuberculose pulmonaire en intégrant l'ontologie et l'apprentissage profond

Cette thèse présente un framework innovant d'Intelligence Artificielle Hybride Explicable (ExHAI) conçu pour détecter la tuberculose (TB) à ses premiers stades. Ce framework combine les méthodologies d'Ontologie et d'Apprentissage Profond, visant à créer un système de diagnostic transparent qui intègre les informations des tests biologiques et des données radiographiques pour prédire avec précision la TB. La première composante du framework implique la construction d'une Ontologie de la TB, délimitant méticuleusement les classes, les relations et les attributs pertinents pour le diagnostic de la TB, y compris les tests biologiques. Cette ontologie sert d'outil de représentation formelle des connaissances, améliorant l'interprétabilité et la compréhension sémantique des informations liées à la TB. Simultanément, la composante d'Apprentissage Profond se concentre sur le développement d'un système de diagnostic basé sur des réseaux neuronaux spécifiquement adaptés à l'analyse des données radiographiques. En utilisant des Réseaux de Neurones Convolutionnels (CNN), le système extrait de manière autonome des caractéristiques complexes des radiographies thoraciques, permettant la détection de motifs subtils indicatifs de TB à un stade précoce. Ce réseau neuronal subit un entraînement intensif en utilisant un ensemble de données diversifié d'images radiographiques étiquetées couvrant diverses manifestations de la TB. L'intégration de l'Ontologie et de l'Apprentissage Profond est facilitée par un modèle d'IA Hybride, qui combine les informations structurées provenant des tests biologiques représentées dans l'ontologie avec les caractéristiques apprises du réseau neuronal. L'utilisation de la technique Grad CAM (Gradient-weighted Class Activation Mapping) fournit des explications visuelles pour les prédictions du modèle, améliorant la transparence et l'interprétabilité du système d'IA. L'IA Hybride Explicable résultante accélère le diagnostic de la TB à un stade précoce et offre des perspectives sur le processus de prise de décision. Les professionnels de la santé acquièrent une compréhension approfondie des facteurs influençant les prédictions de l'IA, favorisant la confiance et la collaboration entre l'expertise humaine et les systèmes d'IA. Notre système ExHAI, utilisant un ensemble de données original provenant de Mahatma Gandhi Medical College and Research Institute en Inde, a démontré une précision supérieure dans ses résultats par rapport aux méthodes de diagnostic traditionnelles telles que les radiographies et les évaluations cliniques. Ce framework a le potentiel d'améliorer significativement la précision et la rapidité du diagnostic de la TB, permettant une intervention précoce et de meilleurs résultats pour les patients. De plus, l'incorporation de fonctionnalités explicables permet aux cliniciens de prendre des décisions éclairées basées sur une compréhension complète du processus diagnostique.

Jury

M. Slim HAMMADI Centrale Lille Institut Directeur de thèse, Mme Sarah BEN OTHMAN Polytech Lille Examinatrice, Mme Hayfa ZGAYA UFR3S - Ingénierie et Management de la Santé Examinatrice, M. Pajanivel RANGANADIN Mahatma Gandhi Medical College & Research Institute, Sri Balaji Vidyapeeth Examinateur, M. Alassane B. NDIAYE Université Libre de Bruxelles Rapporteur, M. Balanehru SUBRAMANIAN School of Bio Medical Science, Sri Balaji Vidyapeeth Rapporteur, M. Marc BROUCQSAULT Entreprise ALTAO Invité.

Thèse de l'équipe OSL soutenue le 26/09/2024