Réseaux bayésiens pour la classification Méthodologie et illustration dans le cadre du diagnostic médical
Les réseaux bayésiens sont des outils privilégiés pour les problèmes de diagnostic. Nous dressons dans cet article un panorama des algorithmes utilisés classiquement pour la mise en oeuvre des réseaux bayésiens dans le cadre du diagnostic, et plus particulièrement du diagnostic médical. Pour cela, nous passons en revue un certain nombre de questions méthodologiques concernant le choix de la représentation des densités de probabilité (faut-il discrétiser les variables continues ? utiliser un modèle gaussien ?) et surtout la détermination de la structure du réseau bayésien (faut-il utiliser un réseau naïf ou essayer d'apprendre une meilleure structure à l'aide d'un expert ou de données ?). Une étude de cas concernant le diagnostic de cancer de la thyroïde nous permettra d'illustrer une partie de ces interrogations et des solutions proposées.
Bayesian networks are well suited tools for diagnosis tasks. In this paper, we focus on classical algorithms used to build diagnosis systems based on bayesian networks, and more particularly, medical diagnosis systems. We review some methodological questions concerning the representation of probability densities (discretization ? use of gaussian models ?) and the choice of the adequate structure (naive Bayes structure ? learning the structure with the help of an expert or from data ?). A case study, thyroid cancer diagnosis, will illustrate those considerations and some implemented algorithms.
P.LERAY, O.FRANÇOIS
diagnostic médical, apprentissage de paramètres, apprentissage de structure.
medical diagnosis, parameter learning, structure learning.
Français
|
