Aide au diagnostic médicale
Les systèmes de classification ont été largement utilisés dans le domaine médical pour explorer les données du patient et développer des modèles fiables et prédictifs. Ces modèles permettent d’aider les médecins à faire leurs diagnostic afin d’avoir des bonnes procédures de planification, de pronostic ou de traitement. En outre, ces systèmes d’aide au diagnostic permettent aussi de prendre des décisions rapides par les médecins, sachant que dans certains cas, le moindre retard peut provoquer des conséquences graves pour le malade si on tarde à lui établir un diagnostic précis et correct. Ceci est notamment le cas pour la maladie du diabète. Aussi il faut établir des décisions significatives et précises. La détection précoce des problèmes médicaux tels que le diabète est très importante pour augmenter les chances de succès du traitement. Cette détection est souvent formulée comme un problème de classification binaire.
Les systèmes de classification fournissent une aide primordiale et qui peut être décisive dans certains cas, car elles réduisent les erreurs et le temps nécessaire pour le diagnostic. Mais reste toujours la décision finale par l’expert est l’élément le plus important lors du diagnostic. Dans ce premier chapitre, nous présentons la maladie du diabète, ses facteurs de risques ainsi que les différents types et classes qui existent et qui ont été établi par des organisations mondiales. Ceci est afin de mieux connaitre les propriétés de cette maladie très répandu dans le monde, cette maladie sera la base d’évaluation de notre algorithme hybride basé sur la colonie des abeilles et la logique floue.
Le diabète est une maladie métabolique caractérisée par une hypertension les niveaux de glucose, qui résultent que le corps ne produit pas assez d’insuline ou le corps est résistant aux effets de l’insuline. Le corps a besoin d’insuline pour transformer le sucre, les graisses et les protéines de l’alimentation en énergie [HYT09]. Le diabète est associé à de nombreuses complications et il peut augmenter le risque de cécité, l’hypertension artérielle, de maladie cardiaque, maladie rénale, lésions nerveuses selon ADA [HYT09] .
Facteurs de risque du diabète Diabète qui est classé comme quatrième cause de décès dans le monde, est qui est malheureusement en augmentation constante. Plusieurs facteurs favorisent l’apparition du diabète citant .
L’âge Plusieurs facteurs expliquent une diminution de la tolérance glucosée modifications des apports alimentaires, diminution de la proportion de la masse maigre corporelle, modifications quantitatives et qualitatives de la sécrétion d’insuline, des mécanismes d’insulino-résistance, réduction de l’activité physique, Tous ces facteurs surviennent avec l’avancée en âge des individus. Ainsi le diabète pourrait être une maladie du sujet âgé. Il est par ailleurs admis que l’hyperglycémie et l’hyperinsulinisme jouent un rôle dans la survenue des complications du diabète, notamment vasculaires .
A ce titre le diabète est souvent considéré comme un modèle de vieillissement accéléré. Il en résulte que toute manifestation vasculaire pourrait apparaître comme étant la conséquence de l’âge que celle du diabète [cgw97] Quelque soit la population étudiée, la prévalence du diabète augmente avec l’âge. L’étude menée entre 1998 et 2000 par la CNAMTS [Lan04] analyse le taux de prévalence par classe d’âge, du diabète traité par médicaments dans la population protégée du Régime général et constate que la prévalence du diabète croît de manière régulière entre 0 à 79 ans, mais que c’est vraiment à partir de 40 ans que sa fréquence dépasse les 1 . (0,68 . dans la classe d’âge 35-39 ans et 1,27 . dans la classe d’âge 40-44 ans puis jusqu’à 13,96 . dans la classe d’âge 75-79 ans).. [Dia02] .
Le facteur de risque génétique Certaines personnes ont une prédisposition génétique face au diabète- La présence d’un diabétique dans Les antécédents familiaux augmente le risque de survenue du diabète chez leurs enfants dans une même famille-Ce facteur est très marqué pour le diabète de type 2, qui est une maladie familiale donc à forte composante génétique. Pour les diabétiques de type 1, il existe aussi des facteurs génétiques, mais la « pénétrance » de la maladie est beaucoup plus faible. Cela signifie que si vous avez un diabète de type 1, le risque pour vos enfants de développer un diabète de type 1 est de l’ordre de 3% Cela reste une prédisposition faible en comparaison de celle du type 2 si vous avez un parent diabétique de type 2, le risque pour vous de développer un diabète est de l’ordre de 40%. L’expression génétique est beaucoup plus puissante.
Méthodes d’optimisation évolutionnaires
Les systèmes flous sont capables de modéliser des systèmes d’aide à des solutions simples et qui sont non-linéaires et quelques fois impossible de décrire par un formalisme mathématique. Cependant, le choix optimal des paramètres du classifieur flou (les fonctions d’appartenance, les règles flous, etc.. . . ) représente une tâche très difficile. Cette tâche requiert du temps, de l’expérience et de l’habileté de la part de l’expérimentateur. En principe, il n’y a pas de méthode générale pour l’ajustement d’un classifieur flou – même si des méthodes méta heuristiques et itératives ont été proposées dans la littérature pour ajuster les fonctions d’appartenance.
L’étude de phénomènes réels est une source nouvelle d’inspiration en ingénierie d’ informatique et en biomédicale , où l’étude et la modélisation des systèmes complexes sont très présentes. Parmi les domaines de la biologie fertiles en inspiration, l’éthologie (étude du comportement des animaux) a récemment donnée lieu à plusieurs avancées significatives, dont la conception des systèmes artificiels. Ces systèmes sont notamment étudiés en robotique, en classification ou encore en optimisation. Les méta heuristiques constituent une famille d’algorithmes inspirés de la nature. Ces algorithmes sont particulièrement utiles pour résoudre des problèmes où les algorithmes d’optimisation classiques sont incapables de produire des résultats satisfaisants [TFA07].
Aspect d’Optimisation Un problème d’optimisation est défini par un ensemble de variables, une fonction objective (fonction de coût) et un ensemble de contraintes. L’espace d’état, appelé aussi domaine de recherche, est l’ensemble des domaines de définition des différentes variables du problème. Il est en général fini, puisque les méthodes opèrent dans des espaces bornés Et, pour des raisons pratiques et de temps de calcul, l’espace de recherche doit être fini. Cette dernière limitation ne pose pas de problème, puisqu’en général le décideur précise exactement le domaine de définition de chaque variable. Enfin, même dans le cas des problèmes à variables continues, une certaine granularité est définie. La fonction objective définit le but à atteindre, on cherche à minimiser ou à maximiser celle-ci. [TFA07].
|
Table des matières
Remerciements
Résumé
Abstract
Table des matières
Table des figures
Liste des tableaux
Introduction générale
1 Aide au diagnostic médicale
1 Introduction
2 La maladie de Diabète
2.1 Définition
2.2 Facteurs de risque du diabète
2.3 Le diabète dans le Monde
2.4 Tests pour le diagnostic
2.5 Classification du diabète
3 Conclusion
2 La Logique Floue et Les méthodes d’optimisation évolutionnaires
1 La logique Floue
1.1 Introduction
1.2 Ensembles nets et ensembles flous
1.3 Les types des fonctions d’appartenance
1.4 Variable linguistique
1.5 Opérations sur les ensembles flous
1.6 Notion de règle linguistique
1.7 Structure d’un système flou
1.8 Les types des SIF
1.9 Conclusion
2 Méthodes d’optimisation évolutionnaires
2.1 Introduction
2.2 Aspect d’Optimisation
2.3 Algorithmes d’optimisation
2.4 algorithmes de la colonie d’abeille
3 Conclusion
3 Expérimentations, Résultats et Interprétations
1 Introduction
2 Description de la base de données utilisée
2.1 L’intérêt de la base de données
2.2 Base de données utilisées
3 Le raisonnement flou
4 Apprentissage classificateur flou basé sur l’algorithme de la colonie d’abeille
4.1 Représentation de la solution
4.2 Fonction objective ( fitness)
4.3 les différents paramètres
5 Phase de test et évaluation
6 les Résultats de l’aproche flou-ABC
6.1 Résultats obtenus
7 Comparaison des résultats avec l’état de l’art
8 Conclusion
Conclusion générale et perspectives
Bibliographie
Télécharger le rapport complet
