Apprentissage statistique en grande dimension et application au diagnostic oncologique par radiomique
Résumé
With the increase in measurement capabilities, many medical disciplines have seen their practices deeply modified because of the dimensionality of the data. Although these technical improvements promise significant advances in medical research, the statistical learning methods must be able to cope with the problems encountered in those high-dimensional spaces. The subspace classification and "sparse" methods introduced in recent years propose to meet this expectation. This article presents a quick overview of these difficulties and the proposed solutions, as well as an illustration of the use of one of these solutions for oncology diagnosis with radiomics.
Avec l'augmentation des capacités de mesures, de nombreuses disciplines médicales ont vu leurs pratiques profondément modifiées du fait de la dimensionnalité des données acquises. Même si ces améliorations techniques font espérer des avancées importantes en recherche médicale, les méthodes d'apprentissage statistique mises en oeuvre doivent être capables de faire face aux problèmes rencontrés dans les espaces de grande dimension. Les méthodes de classification dans des sous-espaces et les méthodes « sparses » introduites ces dernières années se proposent de répondre à cette attente. Cet article présente un rapide tour d'horizon de ces difficultés et des solutions proposés, ainsi qu'une illustration de l'usage d'une de ces solutions pour le diagnostic oncologique par radiomique.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|