Doctorat

Doctorant : Alan Balendran

Titre : Conceptualiser et évaluer la robustesse des algorithmes en santé

Encadrant : Raphaël Porcher

Ecole doctorale : ED 393 Epidémiologie et Sciences de l’Information Biomédicale, Université Paris Cité

Sujet de thèse : 

L’utilisation en santé d’outils d’aide au diagnostic ou à la décision construits à partir d’algorithmes d’intelligence artificielle (IA) / machine learning (ML) requiert une attention particulière. La notion d’IA éthique, responsable, ou encore de confiance, met un accent sur le développement de solutions en considérant différents aspects intrinsèques à l’IA tels que la généralisabilité, l’interprétabilité, l’équité, la reproductibilité ou encore la robustesse. Ce dernier aspect concerne l’évaluation des performances d’un modèle sur des observations perturbées.
Des études ont montré que les modèles étaient généralement vulnérables à de petites perturbations, parfois imperceptibles pour un humain. L’un des enjeux majeurs de l’adoption de l’IA en pratique clinique est de développer des algorithmes robustes aux perturbations les plus susceptibles d’être rencontrées en santé et de définir les méthodes d’évaluations adéquates.
Afin de comprendre l’influence des perturbations sur le comportement du modèle, il est nécessaire de mettre en place des tests visant à évaluer la robustesse d’un modèle. Cependant, il existe de nombreuses façons de perturber un modèle (erreur dans l’entrée, domaines différents, attaques adversariales, etc.) et ce durant différentes étapes de la vie d’un algorithme (collecte des données, entraînement ou validation de l’algorithme, déploiement).
Ce projet de thèse sur la robustesse des algorithmes de ML pour la santé se décompose en trois étapes successives. La première étape vise à identifier les différents concepts et aspects existants qui sont regroupés sous le terme de « robustesse » d’un algorithme de ML, ainsi que les métriques et les méthodes qui ont été utilisées pour les évaluer ou les quantifier. La deuxième étape a pour objectif de regrouper et de prioriser les différents concepts sur la robustesse qui auront été identifiés, en fonction de catégories de cas d’usage (fréquence d’apparition, gravité, facilité à rectifier). Enfin, la dernière étape consiste à construire une pipeline pour évaluer la robustesse d’algorithmes de ML en santé.

Membres

Right
Back to top
Chers visiteurs,
Ce site utilise des cookies afin d'améliorer votre expérience de navigation. Vous pouvez accepter la totalité des cookies ou les refuser, exceptés les cookies techniques, nécessaires à l’utilisation du site.
Pour plus d’information sur les finalités et pour choisir vos préférences par type de cookies, cliquez sur « Gérer les préférences ».
Vous pouvez modifier à tout moment vos préférences, et notamment retirer votre consentement, en cliquant sur "Mentions légales” en bas de chaque page du site. En savoir plus
Gestion des cookies
Ce site utilise des cookies déposés par le site ou par des tiers.
Cette page vous permet de déterminer vos préférences en matière de cookies. Pour information, les cookies techniques sont les cookies nécessaires au bon fonctionnement de notre site, utilisés par l’hébergeur pour la gestion technique du réseau. Ils sont indispensables pour utiliser les principales fonctionnalités du site et ne peuvent donc pas être désactivés.
Accepter tous les cookies
Cookies techniques
Les cookies techniques sont les cookies nécessaires au bon fonctionnement du site qui vous permettent d'en apprécier les principales fonctionnalités.
Vidéos
Ces cookies sont nécessaires à l'affichage de vidéos YouTube présentes dans le site.
Enregistrer mes préférences