Conception d’un Classifieur Foul Utilisant Colonie D’abeille Pour Diagnostic Médical

Abstract

Le diabète est une maladie chronique très grave et progressive caractérisée par un dysfonctionnement du système de régulation de la glycémie. La plut part des systèmes de classification ou de reconnaissance automatique du diabète qui existent en industrie biomédicale se basent sur des techniques classiques du domaine du datamining et de l’intelligence artificielle, et généralement ce sont des systèmes qui donnent des résultats non explicites et sans interprétation. Dans ce travail, nous avons développé et implémenté un système d’inférence basé sur des règles flous, et optimisé par un apprentissage évolutif par l’utilisation de l’algorithme de colonie d’abeilles. En suite nous avons testé et validé nos résultats sur la base de données universelle PID (Pima Indian Diabètes) en comparant notre approche avec d’autre travaux cités dans la littérature. L’évaluation de notre approche a été réalisée par le calcul de la sensibilité (Se), la spécificité (Sp) et le taux global de classification (Tc). L’approche que nous avons implémenté permet de tirer profit des deux technique hybridées que sont la logique floue avec sa capacité d’interprétabilité et la colonie d’abeille avec sa capacité d’optimisation globale.