Use of metaheuristics for machine learning in the context of ALS
Utilisation de métaheuristiques pour de l'apprentissage automatique dans le cadre de la SLA
Résumé
For some time now, we have been working on learning algorithms to help with the prognosis
of ALS patients. These learning methods are confronted with various
problems, in particular that of data size (the number of features) versus the number of data
available and usable data. The risk then is overfitting, leading to
recommendation models that generalise poorly to a real population.
One of the solutions adopted is to reduce the dimensionality of the data. Dimension reduction
is characterised by the projection of data described in N dimensions into a reduced space of
of dimension K < N. The main goal is to preserve the initial profile of the data by
proposing a more relevant and compact representation.
There are several approaches to dimension reduction: feature selection, which consists of
retaining only a subset of the initial features, or feature extraction, which consists of
extracting features from the initial features. keeping only a subset of the initial features,
or feature extraction, which is based on a global is based on a global transformation of the data
using an application that induces a coordinate change.
Confronted with this problem of high dimensionality in previous work on ALS, we have
developed a robust method based on manual selection of patient characteristics followed by a
dimension reduction phase using the UMAP method.
We propose here a significant improvement of this approach by including a preliminary phase of
automatic dimension reduction phase based on meta heuristics from the field of
operational research. This approach, combined with machine learning, makes it possible to obtain
an almost optimal feature subset of initial data from cohorts of patients with
ALS patients, making it possible to build a simple, high-performance mathematical prediction model.
prediction model. Our methodology could thus contribute to individual prognosis, advance care planning and stratification.
stratification in clinical trials.
Nous travaillons depuis quelques temps sur des algorithmes d’apprentissage pour aider au pronostic
de survie de patients atteints de SLA. Ces méthodes d’apprentissage sont confrontées à divers
problèmes, notamment celui de la dimension des données (le nombre de caractéristiques) versus le
nombre de données disponibles et utilisables. Le risque est alors un sur-apprentissage conduisant à
des modèles de recommandations qui généralisent mal sur une population réelle.
Une des solutions adoptées consiste à réduire la dimensionnalité des données. La réduction de
dimension se caractérise par la projection de données décrites en N dimensions vers un espace
réduit de dimension K < N. L'objectif principal est de préserver le profil initial des données en
proposant une représentation plus pertinente et plus compacte.
Plusieurs approches existent pour réduire la dimension : la sélection de caractéristiques qui consiste
à ne garder qu'un sous-ensemble des caractéristiques initiales ou l'extraction de caractéristiques qui
repose sur une transformation globale des données grâce à une application qui induit un
changement de coordonnées.
Confrontés à ce problème de haute dimensionnalité dans des travaux antérieurs sur la SLA nous
avons développé une méthode robuste basée sur une sélection manuelle des caractéristiques des
patients suivie d'une phase de réduction de dimension par la méthode UMAP.
Nous proposons ici une amélioration significative de cette approche en incluant une phase préalable
de réduction automatique de dimension basée sur des méta heuristiques issues du domaine de la
recherche opérationnelle. Cette approche, associée à l'apprentissage automatique permet d’obtenir
un sous ensemble presqu’optimal de caractéristiques de données initiales de cohortes de patients
atteints de la SLA permettant de construire un modèle mathématique de prédiction simple et
performant. Notre méthodologie pourrait ainsi contribuer au pronostic individuel, à la planification
préalable des soins et à la stratification dans les essais cliniques.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|