Apprentissage statistique en grande dimension et application au diagnostic oncologique par radiomique

Résumé : Avec l'augmentation des capacités de mesures, de nombreuses disciplines médicales ont vu leurs pratiques profondément modifiées du fait de la dimensionnalité des données acquises. Même si ces améliorations techniques font espérer des avancées importantes en recherche médicale, les méthodes d'apprentissage statistique mises en oeuvre doivent être capables de faire face aux problèmes rencontrés dans les espaces de grande dimension. Les méthodes de classification dans des sous-espaces et les méthodes « sparses » introduites ces dernières années se proposent de répondre à cette attente. Cet article présente un rapide tour d'horizon de ces difficultés et des solutions proposés, ainsi qu'une illustration de l'usage d'une de ces solutions pour le diagnostic oncologique par radiomique.
Type de document :
Chapitre d'ouvrage
Cédric Villani; Bernard Nordlinger. Santé et intelligence artificielle, CNRS Editions, pp.179-189, 2018
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-01884468
Contributeur : Charles Bouveyron <>
Soumis le : lundi 1 octobre 2018 - 09:36:12
Dernière modification le : jeudi 7 février 2019 - 16:53:44
Document(s) archivé(s) le : mercredi 2 janvier 2019 - 12:43:27

Fichier

Article-ANM.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01884468, version 1

Collections

Citation

Charles Bouveyron. Apprentissage statistique en grande dimension et application au diagnostic oncologique par radiomique. Cédric Villani; Bernard Nordlinger. Santé et intelligence artificielle, CNRS Editions, pp.179-189, 2018. 〈hal-01884468〉

Partager

Métriques

Consultations de la notice

99

Téléchargements de fichiers

86