Quantification de l’incertitude liée aux réseaux de neurones : application au diagnostic du cancer du sein

Christophe Bobineau
Calendar
When:
15/01/2023 – 16/01/2023 all-day
2023-01-15T01:00:00+01:00
2023-01-16T01:00:00+01:00
Stages

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : FEMTO-ST
Durée : 6 mois
Contact : noura.dridi@ens2m.fr
Date limite de publication : 2023-01-15

Contexte :
Les réseaux de neurones (RN) sont largement utilisés dans plusieurs domaines. Toutefois la décision fournie par un algorithme basé sur les RN est munie d’un niveau d’incertitude. Il est important de caractériser ces incertitudes.
Mots-clés : Quantification de l’incertitude, Réseaux de neurones, Dropout, Diagnostic,Cancer du sein.

Sujet :
Dans le cadre de ce projet, l’objectif est de développer une méthode de quantification de l’incertitude pour les réseaux de
neurones pour un modèle de régression. La méthode sera appliquée pour évaluer le stade des patientes atteintes d’un cancer du sein en fonction de plusieurs variables histopathologiques. Cette évaluation permettra par la suite de suivre le risque d’évolution de la maladie en associant un niveau de confiance, nécessaire pour un usage clinique. La
mesure de l’incertitude permettra aux praticiens de prendre des décisions adaptées pour la prise en charge des patientes comme par exemple explorer d’autres tests Orucevic et al. (2019).
Objectifs du stage :
— Développer un algorithme basé sur les RN pour la régression entre le stade de la patiente et un ensemble de variables explicatives.
— Optimisation de l’architecture du réseau ainsi que les différents hyperparamètres.
— Quantifier l’incertitude en se basant sur le dropout Gal and Ghahramani (2016b) et Gal and Ghahramani (2016a).
— Valider et comparer l’approche proposée avec d’autres techniques de la littérature (par exemple la régression distributionnelle Stasinopoulos et al. (2018) ou le RN bayésien Graves (2011)

Profil du candidat :

Etudiant.e de Master 2 ou en dernière année d’école d’ingénieur.

Formation et compétences requises :

Mathématiques-appliquées, machine learning, deep learning, programmation Python.

Adresse d’emploi :
FEMTO-ST/AS2M, UMR CNRS 6174
24 rue Alain Savary, 25000 Besançon

Document attaché : 202211241318_Sujetdestage_ND_DATA-PHM.pdf