Le diagnostic différentiel précoce des différentes myopathies congénitales (MC) représente un défi majeur et pourrait être grandement amélioré en combinant les données cliniques (symptômes), génétiques/génomiques (séquences) et histologiques (images/rapports) de la cohorte de référence MyoCapture, qui comprend 1200 individus dont l’ensemble des données a récemment été intégré dans la base de connaissance INEX-MED. Dans ce cadre, nous proposons d’apprendre de la base INEX-MED pour développer un modèle prédictif explicable, MYO-xIA fondé sur les systèmes de classeurs adaptatifs BACS (Behavioral Anticipatory Classifier System) couplé à des réseaux neuronaux profonds. MYO-xIA sera dédiée au diagnostic différentiel des MC sur la base des symptômes du patient, afin d’orienter les analyses génétiques/génomiques et/ou les explorations cliniques/histologiques complémentaires souvent invasives et coûteuses, améliorant ainsi la prise en charge des patients.
MYO-xIA MYO-xIA: IA explicable pour la classification intégrée et la prédiction des myopathies congénitales
Résumé
Mots clés
- classeurs adaptatifsdiagnostic différentielIntégration de données multimodalesIntelligence artificielle explicablemyopathies congénitales
Partenaires du projet
INS2I
Pierre COLLET
(UMR7357) Strasbourg, France
INSB
Jocelyn Laporte
IGBMC
(UMR7104) France