Coopération entre classifieurs hétérogènes pour la reconnaissance des données médicales

Abstract

Durant ces dernières années, le recours de la médecine moderne à l’intelligence artificielle ne cesse d’augmenter. L’avènement de cette technique a permis d’aboutir à des outils de plus en plus efficaces qui appuient efficacement le diagnostic médical et la prise de décision. Une des applications les plus émergentes est la détection fiable et automatisée des pathologies. Cela a fait l’objet de recherches algorithmiques très actives dans ce que l’on appelle la classification des données médicales. Les études théoriques et pratiques ont démontré que la classification ensembliste émet des résultats très prometteurs. Par ailleurs, la construction d’un ensemble de classifieurs performants consiste à sélectionner individuellement les membres de l’ensemble en se basant sur des critères prédéfinis. En outre, le choix des attributs précédant la classification est d’une importance cruciale dans le déroulement du processus. L’objectif de cette thèse est d’étudier et d’analyser le compromis entre le niveau de précision individuelle de chaque classifieur et la diversité mutuelle entre chaque paire de classifieurs hétérogènes. L’accent est porté également sur la sélection d’attributs et son impact sur la performance du résultat de classification finale. Dans ce contexte, nous proposons une nouvelle implémentation qui a pour objectif la détection de différentes pathologies. La solution proposée est validée expérimentalement sur des bases de données biomédicales réelles. Les résultats sont comparés à l’état de l’art et démontrent l’efficacité de l’implémentation proposée.