Prédiction des maladies cardiovasculaires à l’aide du Deep Learning

dc.contributor.authorLounissi ,BOUDIS
dc.contributor.authorYousra ,SOLTANI
dc.contributor.authorSeloua ,HADIBY
dc.date.accessioned2026-10-29T08:24:36Z
dc.date.available2026-10-29T08:24:36Z
dc.date.issued2026
dc.description.abstractLes 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.
dc.identifier.urihttp://dspace.univ-skikda.dz:4000/handle/123456789/6532
dc.language.isoen
dc.publisherFACULTÉ DES SCIENCES
dc.titlePrédiction des maladies cardiovasculaires à l’aide du Deep Learning
dc.title.alternativeIntelligence Artificielle (IA)
dc.typeThesis
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
MEMOIRE-BOUDIS-FINAL__M2IA-2025-2026 (1)_AddPage.pdf
Size:
16.02 MB
Format:
Adobe Portable Document Format
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Collections