Recherche actuelle
Intelligence artificielle explicable pour la détection précoce de la rétinopathie diabétique
Domaine de recherche
Problématique
La rétinopathie diabétique est l’une des principales causes de cécité évitable dans le monde, et sa détection précoce est essentielle pour préserver la vision. De nombreux modèles de deep learning fonctionnent comme des boîtes noires, ce qui rend leurs prédictions difficiles à vérifier ou à justifier pour un clinicien.
Objectifs
Construire un modèle de détection de la rétinopathie diabétique capable de classifier des images rétiniennes avec précision, tout en produisant des explications qu’un clinicien peut réellement interpréter et utiliser dans une décision diagnostique.
Recherche précédente
Predicting Urban Air Quality Using Machine Learning Models : Inde, 2015–2020
Jeu de données
"Air Quality Data in India (2015–2020)" (Kaggle) : concentrations de PM2.5, PM10, NO2, CO et O3 horodatées, sur plusieurs villes indiennes.
Méthodologie
Valeurs manquantes remplacées par la moyenne, valeurs aberrantes supprimées via la méthode de l’écart interquartile, puis normalisation MinMax, avant d’entraîner et de comparer un modèle Random Forest et un réseau LSTM pour prédire la concentration de PM2.5.
Modèles
Résultats
LSTM devance Random Forest sur les deux métriques d’erreur (RMSE 14,50 contre 15,23, MAE 9,85 contre 10,45), montrant une meilleure capture des tendances de pollution à long terme, tandis que Random Forest reste compétitif pour des prédictions rapides et interprétables.