Mémoires de Fin d’Etudes
Etablissement
Université de Annaba - Badji Mokhtar
Affiliation
Département d’Informatique
Auteur
DJEBBAR, Akila
Directeur de thèse
H.F. MEROUANI (Maitre de conférence)
Filière
Informatique
Diplôme
Magister
Titre
UNE MODELISATION DE LA BASE DE CAS PAR UN RESEAU BAYESIEN : APPLICATION A L’AIDE AU DIAGNOSTIC MEDICAL
Mots clés
Raisonnement à partir de cas (CBR), Réseau Bayésien, Base de cas, algorithme JLO, Algorithme EM, Incertitude, Aide au diagnostic, Pathologies hépatiques.
Résumé
L’utilisation de l’informatique dans le domaine de la médecine, fait l’objet d’une grande réussite, on reconnaît souvent son effet révolutionnaire sur la médecine. La technologie IA, fait son introduction en force visant ainsi l’amélioration des systèmes médicaux et aussi des systèmes d’aide aux médecins. L’objectif de notre travail est de présenter un système à base de cas pour l’aide au diagnostic des pathologies hépatiques basé sur un modèle Bayésien. L’idée principale consiste à modéliser la base de cas par un réseau Bayésien. Les réseaux Bayésiens sont d’excellents outils de modélisation de l’incertain grâce à leur représentation graphique claire et aux lois de probabilités conditionnelles définies sur ce graphe. Notre réseau permet une représentation de connaissances qualitatives causales et de connaissances quantitatives exprimant l’incertitude. Il est constitué de quatre niveaux, niveau clinique, niveau biologique, niveau imagerie médicale et niveau diagnostic et thérapie. Chaque niveau est constitué d’un ensemble d’attributs qui correspond chacun à un noeud du réseau. Les arcs décrivent les relations entre ces attributs comme étant des probabilités conditionnelles des attributs dans le cas. Nous avons utilisé l’algorithme exact d’inférence JLO-Jensen, Lauritzen et Olesen- pour le calcul des probabilités conditionnelles. Lorsqu’un nouveau cas se présente, il est inséré dans le réseau et on le propage à l’ensemble de celui-ci. Dans le cas où il y a des signes manquants, nous utilisons un autre algorithme d’apprentissage EM-Expectation Maximisation pour estimer les probabilités conditionnelles des variables manquantes, afin de mener à bien l’apprentissage. Le choix de cette modélisation afin d’améliorer les performances du système CBR et d’obtenir un diagnostic final de bonne qualité
Date de soutenance
2006.
Cote
004 DJE.
Pagination
144 f.
Illusatration
fig.
Format
30 cm.
Statut
Soutenue