Utilisation des ontologies probabilistes pour l’aide au diagnostic médical

Abstract

Le domaine médical est basé sur les diagnostics où les connaissances sont incertaines. Malgré le succès des ontologies classiques et leur utilisation pour modéliser et faire des raisonnements avec les connaissances dans plusieurs domaines, elles ne fournissent pas un support adéquat pour faire face à la connaissance incertaine. Les ontologies probabilistes jouent un rôle important dans la représentation de l'incertitude. Notre objectif est de concevoir un système d’aide au diagnostic médical en utilisant les ontologies probabilistes, nous suivons dans ce mémoire la méthodologie UMP-ST basé sur les réseaux bayésiens multi entité, pour modéliser l’ontologie probabiliste. Nous commençons par la construction de la structure qui contient l'ensemble des nœuds du réseau bayésien, puis nous réalisons l'apprentissage de paramètres, à partir d’un ensemble de données. Une fois l'ontologie probabiliste est construite, nous l'utilisons pour la prédiction du diagnostic. Nous appliquons ce processus sur le cas d'étude du diagnostic de l’insuffisance rénale chronique. Mots clé : ontologie, ontologie probabiliste, réseaux bayésiens, réseaux bayésiens multi-entité, incertitude. The medical field is based on diagnoses where knowledge is uncertain. Despite the success of classical ontologies and their use for modelling and reasoning with knowledge in many fields, they do not provide adequate support for dealing with uncertain knowledge. Probabilistic ontologies play an important role in the representation of uncertainty. Our goal is to design a medical diagnostic support system using probabilistic ontologies, we follow in this thesis the UMP-ST methodology based on Bayesian multi entity networks, to model the probabilistic ontology. We start with the construction of the structure that contains all the nodes of the Bayesian network, and then we realize the learning of parameters, from a set of data. Once the probabilistic ontology is constructed, we use it for the prediction of the diagnosis. We apply this process to the case study of the diagnosis of chronic kidney disease Key words: ontology, probabilistic ontology, Bayesian networks, Bayesian multi-entity networks, uncertainty.