Repository logo
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Yкраї́нська
  • Log In
    New user? Click here to register.Have you forgotten your password?
Repository logo
  • Communities & Collections
  • All of DSpace
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Yкраї́нська
  • Log In
    New user? Click here to register.Have you forgotten your password?
  1. Home
  2. Browse by Author

Browsing by Author "Lounissi ,BOUDIS"

Now showing 1 - 1 of 1
Results Per Page
Sort Options
  • Loading...
    Thumbnail Image
    Item
    Prédiction des maladies cardiovasculaires à l’aide du Deep Learning
    (FACULTÉ DES SCIENCES, 2026) Lounissi ,BOUDIS; Yousra ,SOLTANI; Seloua ,HADIBY
    Les maladies cardiovasculaires constituent une cause majeure de morbidité et de mortalité, ce qui rend la prédiction précoce du risque particulièrement utile pour la prévention, l’orientation du dépistage et l’aide à la décision médicale explicable. La problématique étudiée est d’évaluer la valeur pratique des modèles d’apprentissage profond par rapport aux modèles classiques pour des données cliniques tabulaires limitées et déséquilibrées, tout en tenant compte de la sensibilité, de la discrimination et de l’interprétabilité. La solution proposée repose sur un cadre comparatif et reproductible associant des modèles classiques et des architectures profondes adaptées aux données tabulaires. L’évaluation ne se limite pas à la performance prédictive : elle intègre également la sensibilité, l’équilibre entre les classes et une analyse explicable des prédictions afin de relier les sorties des modèles aux facteurs de risque cliniquement pertinents. Les résultats montrent que le Perceptron Multicouche (MLP) atteint la meilleure discrimination au même niveau que la régression logistique, tout en obtenant le meilleur équilibre global entre les classes, tandis que ResNetTab fournit la sensibilité la plus élevée, critère important pour le dépistage. Ces résultats positionnent les modèles profonds comme des alternatives prometteuses et complémentaires lorsque la priorité porte sur la sensibilité, l’équilibre des performances et l’analyse des prédictions, avec un potentiel renforcé par des données plus riches.

DSpace software copyright © 2002-2026 LYRASIS

  • Cookie settings
  • Privacy policy
  • End User Agreement
  • Send Feedback