Analyse comparative de l'efficacité des algorithmes d'apprentissage profond pour la détection des anomalies dans les données multimodales médicales

Project Abstract

Cette étude compare l’efficacité de différents algorithmes d’apprentissage profond pour la détection des anomalies dans des ensembles de données multimodales médicales. En combinant des images radiologiques, des signaux physiologiques et des registres cliniques, nous proposons une architecture hybride capable d’extraire des caractéristiques pertinentes à partir de modalities hétérogènes et de les fusionner pour une détection robuste des anomalies. L’objectif principal est d’évaluer et de comparer la sensibilité, la spécificité et la courbe ROC des modèles sur des tâches de détection d’anomalies cliniquement pertinentes, telles que les lésions tumorales, les anévrismes et les déviations structurales, en contexte de faible et moyenne densité d’échantillons. Nous développons et entraînons plusieurs architectures basées sur des réseaux profonds, notamment des réseaux convolutifs tridimensionnels (3D-CNN), des transformeurs appliqués à des séquences multimodales, et des approches d’auto-encodage supervisé et non supervisé pour la détection d’anomalies. Une composante d’attention multimodale est intégrée pour pondérer l’information provenant des différentes sources et améliorer la localisation des anomalies. Des techniques de prétraitement, d’alignement multimodal et de normalisation inter-domaines sont explorées afin d’atténuer les décalages entre les données issues de dispositifs divers. L’évaluation est conduite sur des jeux de données publics et propriétaires, incluant des coupes CT/MRI, des signaux ECG/EEG et des données cliniques associées, avec des scénarios de bruit et d’imputation des valeurs manquantes. Pour établir une comparaison équitable, un protocole expérimental standardisé est mis en place, comprenant une séparation clair des ensembles d’entraînement, de validation et de test, ainsi que des métriques telles que l’aire sous la courbe ROC (AUC), la précision, le rappel et le score F1, complétés par des analyses de robustesse face à la variabilité inter-patients et inter-scénarios. Des expériences de transfert de domaine sont menées pour évaluer la généralisabilité des modèles lorsque les données proviennent de sources institutionnelles différentes. En complément, une étude d’explicabilité est réalisée à l’aide de méthodes comme les cartes de chaleur et les saliency maps afin d’interpréter les mécanismes de détection et d’assurer une traçabilité clinique des prédictions. Les résultats préliminaires indiquent que les architectures multimodales fusionnant des représentations extraites de l’imagerie et des signaux physiologiques surpassent les modèles unimodaux sur toutes les métriques, en particulier dans la détection d’anomalies rares et difficiles à caractériser. L’étude propose des recommandations pratiques pour l’intégration en flux clinique et identifie les limitations liées à la disponibilité des données et à la variabilité des protocoles d’imagerie. En conclusion, l’approche proposée offre une amélioration mesurable de la précision et de la fiabilité de la détection d’anomalies dans les données multimodales médicales, tout en soulignant les directions futures liées à l’explicabilité, à l’efficacité computationnelle et à la standardisation des ensembles de données.

Project Overview

What This Project Is About

---

A plain-language overview of comparing deep learning methods to find anomalies in medical data from different sources (for example images and signals). The project looks at how well these methods detect unusual or rare patterns that could indicate illness, using several datasets and simple comparisons.

---

---

The Problem It Addresses

---

Medical data come in many forms and can be noisy or incomplete. Detecting anomalies reliably is hard but important for early diagnosis and safety. The project addresses the gap of understanding which deep learning approaches work best across different data types and how they perform in real-world conditions.

---

---

Objectives of the Project

---

1. Compare several deep learning models for anomaly detection on multimodal medical data.
2. Assess performance using common metrics and simple, interpretable results.
3. Identify strengths and limits of each method in practical scenarios.
4. Provide guidelines for choosing models in different clinical settings.

---

---

What You Will Do Step by Step

---

1. Review basic literature on anomaly detection and multimodal data.
2. Collect or access representative multimodal medical datasets.
3. Preprocess data to ensure fair comparisons (cleaning, normalization).
4. Train and validate several deep learning models designed for anomaly detection.
5. Evaluate models with clear, easy-to-interpret metrics.
6. Analyze results to explain why certain models perform better in specific scenarios.
7. Document findings and create practical recommendations for practitioners.

---

---

Expected Outcome

Clear insights into which deep learning models are most effective for detecting anomalies in multimodal medical data, plus practical guidance for researchers and clinicians on model choice and evaluation in real-world settings.