Projet : Développement de modèles d'apprentissage automatique pour le diagnostic et la prédiction des effets secondaires tardifs associés au traitement de la leucémie aiguë lymphoblastique infantile.
État
Terminé (2020-2022)
Type
Maîtrise
Équipe
- Nicolas Raymond1 (2020-aujourd’hui)
- Hakima Laribi1 (2022-aujourd’hui)
- Mehdi Mitiche1 (2020-2021)
- Martin Vallières1 (2020-aujourd’hui)
1 Départment d’informatique, Université de Sherbrooke, Sherbrooke (QC), Canada
Description
La leucémie aiguë lymphoblastique (LAL) est le cancer le plus fréquemment diagnostiqué chez les enfants. Bien que la majorité des personnes atteintes de la LAL infantile survivent, environ deux-tiers d’entre elles développent un ou plusieurs problèmes de santé tels que l’obésité, la dyslipidémie, l’ostéonécrose et l’hypertension lors de l’âge adulte. Le présent projet de recherche s’intéresse aux développements d’outils pour l’aide au diagnostic, ainsi que l’aide à la prédiction hâtive, de certaines de ces conditions de santé.
La phase 1 consiste au développement d’un modèle d’estimation amélioré de la consommation maximal d’oxygène pour le diagnostic de problèmes cardiorespiratoires.
La phase 2 consiste au développement d’un modèle de prédiction de l’obésité se basant sur des variables disponibles depuis la fin du traitement de la LAL, en particulier, des composantes du génomes.
Pour chacune des phases mentionnées ci-dessus, nous comparons la performance de réseaux de neurones graphiques avec celles de d’autres modèles communs, soit le Perceptron multi-couches, la régression linéaire, la forêt aléatoire et l’arbre de décision avec boosting de gradient (XGBoost). En particulier, la seconde phase présente également la performance d’une nouvelle architecture graphique pour encodeur le génome des patients. Celle-ci est présentée dans la figure ci-dessous.
