Apprentissage profond multitâche pour la prédiction de la récidive du cancer utilisant l’entropie d’Havrda-Charvat
Résumé
In this article, we use Havrda-Charvat cross-entropy, a generalization of Shannon cross-entropy as a loss function in a U-Net neural
network. We propose a multitasking architecture with multiple databases to predict post-treatment recurrence of patients with head-neck and lung
cancers from CT images and patient information. The Havrda-Charvat cross-entropy is parametrized by the parameter α and it becomes Shannon
cross-entropy when the parameter α is equal to 1. In this article, we study the quality of recidivism prediction according to the parameter α. The
optimum for our dataset takes place for α = 0.2 with 69% of correct predictions against 64% with Shannon.
Dans cet article, nous utilisons l’entropie croisée d’Havrda-Charvat, généralisation de l’entropie croisée de Shannon comme fonction
de perte dans un réseau de neurones de type U-Net. Nous proposons une architecture multitâche avec plusieurs bases de données pour prédire
la récidive après traitement de patients atteints de cancers ORL ainsi que du poumon à partir d’images CT et d’informations sur les patients.
L’entropie croisée de Havrda-Charvat est paramétrée par le paramètre α et coïncide avec celle de Shannon pour α = 1. Dans cet article, nous
étudions la qualité de la prédiction de la récidive en fonction du paramètre α. L’optimum pour notre jeu de données a lieu pour α = 0.2 avec
69% de prédictions correctes contre 64% avec celle de Shannon.