Optimisation bi-critère des hyperparamètres d’un modèle SVM asymétrique binaire par NSGA-II pour la prédiction du risque d’accident vasculaire cérébral

Abstract

Notre article traite de la problématique de l’évaluation binaire du risque d’accident vasculaire cérébral (AVC) en utilisant une approche d’apprentissage supervisée optimisée. Le diagnostic médical, par intelligence artificielle, est souvent confronté au défi de la classification asymétrique où le cout d’un faux négatif (patient malade non détecté) est nettement plus préjudiciable qu’un faux positif. Face à cet enjeu, nous proposons une méthodologie d’optimisation bi-critère des hyper paramètres γ, C+ et C- respectivement paramètre du noyau et coefficients de régulation de deux classes de prédiction du modèle support vector machine (SVM), et reposant sur l’application de la méta-heuristique évolutionnaire NSGA-II (Non Dominated Sorting Genetic Algorithm II) qui permet d’obtenir un front de Pareto composé de plusieurs modèles SVM de compromis entre la minimisation du taux de faux positifs (NFA) et celle du taux de faux négatifs (NFR) afin d’y naviguer pour trouver le SVM de meilleur compromis, au lieu d’un modèle unique optimisé par des méthodes classiques, à l’occurrence GridSearchCV. L’expérimentation menée sur les données cliniques, démontre que cette approche bi-critère surpasse les méthodes des réglages classiques. En ajustant finement les paramètres de pénalité de manière asymétrique, le modèle devient capable de mieux identifier les sujets à risque d’AVC, garantissant ainsi une plus grande fiabilité pour l’aide à la décision médicale. Les résultats obtenus confirment l’efficacité du couplage SVM/NSGA-II pour traiter des bases de données médicales déséquilibrées.

Our article addresses the issue of binary risk assessment for stroke (CVA) using an optimized supervised learning approach. Medical diagnosis via artificial intelligence is often faced with the challenge of asymetric classification, where the cost of a false negative (an undetected sick patient) is significantly more detrimental than a false positive. To address this challenge, we propose a bi-criterion optimization methodology for the hyperparameters γ, C+ and C- representing the kernel parameter and the regulation coefficients for two prediction classes of the support vector machine (SVM) model. This methodolgy relies on the application of the evolutionary meta-heuristic NSGA-II (Non Dominated Sorting Genetic Algorithm II), wich generates a pareto front composed of several SVM models. These models offer various trade –offs between minimizing the false positive rate (NFA) and the false negative rate (NFR). This allows for navigation to find the SVM with the best compromise, rather than relying on a single model optimized by traditional methods, such as GridSearchCV. Experiments conducted on clinical data demonstrate that bi-criterion approach outperforms traditional tuning methods. By finely adjusting the penalty parameters asymmetrically, the model becomesb bette rat identifying subjects at risk of stroke, thereby ensuring greater reliability for medical decision support. The results confirm the effectiveness of the SVM/NSGA-II coupling for processing unbalanced medical databases.