L'utilisation d'outils d'aide au diagnostic, pronostic ou plus généralement d'aide à la décision en santé, construits à partir d'algorithmes d'apprentissage automatique et d'intelligence artificielle (IA), requiert une attention particulière. Mes recherches portent sur l'aspect crucial de la robustesse des modèles de machine learning (ML) en santé. L'objectif de ma thèse est de définir clairement les différents concepts de robustesse pouvant être utilisés pour évaluer la robustesse d'un modèle de ML en santé et d'identifier ceux qui doivent être priorisés afin de limiter les éventuelles dégradations d'un modèle, une fois déployé.
Thèses
Conceptualiser et évaluer la robustesse des algorithmes en santé
Alan Balendran
Promotion : 2022
Encadrant.es : Raphaël Porcher
