XTRACTIS POUR LA MÉDECINE PRÉDICTIVE

Diagnostic anatomo-pathologique du cancer du sein

Benchmark: xtractis vs forêts aléatoires, boosted trees & réseaux de neurones

Cette étude a pour objectif de poser un diagnostic médical automatisé du cancer du sein. Elle illustre la capacité de l’IA de Confiance xtractis à induire automatiquement des connaissances sous forme de relations mathématiques prédictives et intelligibles, à partir de photos de cellules mammaires.

Au final, xtractis génère un modèle de classification binomiale composé de 7 règles décisionnelles sans chaînage, utilisant 13 caractéristiques topologiques des cellules, parmi 30 disponibles, et prédit un diagnostic pour l’infinité des points de l’espace de décision avec une fiabilité éprouvée.

Les avantages :

  • Aider les (futurs) anatomopathologistes à comprendre les relations causales entre certaines caractéristiques cellulaires et la présence de cancer.
  • Aider le corps médical à prendre une décision plus précoce et plus individualisée, grâce à des diagnostics rapides et systématiques.
  • Améliorer la prise en charge des patients (douleurs, survie, durée du traitement) et l’accès aux diagnostics même dans les déserts médicaux.

Sommaire :

– Type de Modélisation et données de référence

– Processus xtractis d’induction automatique

– Top-CVE : Modèle complexe, mais garantissant la capacité prédictive

– Performances du top-CVE

– Modèle intelligible par rétro-ingénierie du CVE : le REV

– Performances du REV

– Refus de décision

– Intelligibilité du modèle et Explicabilité de la décision

– Ressources du processus xtractis (Induction + Validation + Déduction)

– Exemple : Prédiction pour le Patient #881094802

– Benchmark xtractis versus forêt aléatoire & boosted trees

– Conclusions et Avantages de l’IA de Confiance xtractis

 

Résultats par XTRACTIS® GENERATE 12.1.40851 (03/2022)
Première version use case : 10/2011
Version courante : 06/2022