Extraction de connaissances provenant de données multisources pour la caractérisation darythmies cardiaques Élisa Fromont, Marie-Odile Cordier et René

Présentation au sujet: "Extraction de connaissances provenant de données multisources pour la caractérisation darythmies cardiaques Élisa Fromont, Marie-Odile Cordier et René"— Transcription de la présentation:

1 Extraction de connaissances provenant de données multisources pour la caractérisation darythmies cardiaques Élisa Fromont, Marie-Odile Cordier et René Quiniou

2 2 PLAN Problématique Brève introduction à la cardiologie et à la PLI Premiers résultats par apprentissage global Premiers résultats par apprentissage indépendant Une première méthode pour fusionner les règles symboliques Conclusion/perpectives

3 3 Problématique Extraction de connaissances dans 2 cas : Données homogènes et sources différentes Données hétérogènes décrivant une même situation Deux méthodes envisagées: Agréger les informations et extraire la connaissance à partir de la totalité des données Extraire les informations sur chaque source puis fusionner les informations obtenues Objectif : améliorer le diagnostic dans un environnement bruité

4 4 NORMALLBBBMOBITZ 2BIGEMINY P-R ECG et arythmies

5 5 Apprentissage multivoies : données 2 voies ECG, 1 voie hémodynamique : 3 vues dun phénomène Voie 1 : (P, QRS) Voie 2 : (QRS) Voie 3 : Activité électrique Activité mécanique 1 234567

6 6 Application à la rythmologie Les données complexes : Vaste volume de données homogènes (plusieurs voies dun ECG) et hétérogènes (Ecg et mesure de pression) provenant de différentes sources Les méthodes dextraction utilisées : Apprentissage de règles caractérisant des arythmies cardiaques par programmation logique inductive (PLI) sur les données agrégées provenant des différents capteurs Apprentissage de règles par PLI sur chacune des voies puis « fusion » pour obtenir de nouvelles règles prenant en compte tous les capteurs

7 7 Apprentissage multiclasse par PLI B une théorie du domaine E lensemble de tous les exemples C p les exemples positifs associés à la classe C C n = E - C p les exemples négatifs de la classe C L H le langage spécifiant les clauses acceptables Pour chaque classe C trouver une théorie clausale (hypothèse) H C L H telle que : pour tout exemple p de C p, M(B U p) est une interprétation satisfaisant la théorie cible H C (Complétude) pour tout exemple n de C n, M(B U n) est une interprétation ne satisfaisant pas la théorie cible H C (Consistance)

8 8 Apprentissage multivoies : données 2 voies ECG, 1 voie hémodynamique : 3 vues dun phénomène Voie 1 : (P, QRS) Voie 2 : (QRS) Voie 3 : (ABP) Activité électrique Activité mécanique 1 234567

9 9 Type de données Exemple de données pour un ECG : qrs(r7_doublet_3_II, 5026,normal, p7_doublet_3_II, 734, 1454, 168, 902). qrs(r8_doublet_3_II, 5638, abnormal, r7_doublet_3_II, 674, 1408, 842,1576). qrs(r9_doublet_3_II, 6448, abnormal, r8_doublet_3_II, 796, 1470, 1638, 2372) p(p8_doublet_3_II, 7146, normal, r9_doublet_3_II, 2256, 2990, 618, 1414). Exemple de donnée pour une voie dABP : diastole(pd4_rs_3_ABP, 3406, -882, ps3_rs_3_ABP, 632, 612, 766, 1516, 4). systole(ps4_rs_3_ABP,3558, -279, pd4_rs_3_ABP, 603, 152, 764,1514, -29).

10 10 Résultat : apprentissage simultané (1) class(tv) :- cycle_complet_V(R0,abnormal,Dias0,_,Sys0,normal,_,_), cycle_complet_V(R1,abnormal,Dias1,normal,Sys1,short,R0,Sys0), cycle_simple_ABP(R2,Dias2,normal,Sys2,normal,Sys1), amp_dd(Dias1,Dias2,neg,long), qrs(R3,abnormal,R2,Sys3). class(tv) :- cycle_complet_V(R0,abnormal,Dias0,_,Sys0,normal,_,_), cycle_complet_V(R1,abnormal,Dias1,normal,Sys1,normal,R0,Sys0), cycle_complet_V(R2,abnormal,Dias2,normal,Sys2,normal,R1,Sys1). class(tsv) :- cycle_complet_V(R0,normal,Dias0,_,Sys0,normal,_,_), ds1(Dias0,Sys0,short).

11 11 Analyse des résultats Règles relativement compactes mais mauvaise couverture de certaines règles Temps (CPU) dapprentissage très long 1 h 47 pour lapprentissage global 7 min pour voie II seule 3 min pour ABP seule Biais de langage très complexe Nécessité dimbriquer les prédicats Demande beaucoup de connaissances a priori sur les données

12 12 Résultat : apprentissage indépendant (1) Voie II class(tv) :- qrs(R0, abnormal, _), qrs(R1, abnormal, R0), qrs(R2, abnormal, R1). class(tsv) :- qrs(R0,normal, _), p_wav(P1, normal, R0), qrs(R1, normal, P1), rr1(R0,R1, short), p_wav(P2, normal, R1), qrs(R2, normal, P2), rr1(R1,R2, short). Voie V class(tv) :- qrs(R0, abnormal, _), qrs(R1, abnormal, R0), qrs(R2, abnormal,R1). class(tsv) :- qrs(R0,normal,_), qrs(R1, normal, R0), rr1(R0, R1, short).

13 13 Apprentissage indépendant – voie ABP class(tv) :- diastole(Dias0,short,_), systole(Sys0,short,Dias0), diastole(Dias1,short,Sys0), systole(Sys1,normal,Dias1), ds1(Dias1,Sys1,normal), diastole(Dias2,normal,Sys1), systole(Sys2,normal,Dias2), diastole(Dias3,normal,Sys2), systole(Sys3,normal,Dias3), amp_ss(Sys2,Sys3,pos,normal). class(tv) :- diastole(Dias0,normal,_), systole(Sys0,short,Dias0), diastole(Dias1,short,Sys0), systole(Sys1,normal,Dias1), amp_dd(Dias0,Dias1,pos,long), diastole(Dias2,normal,Sys1), systole(Sys2,normal,Dias2), dd1(Dias1,Dias2,normal),ds1(Dias2,Sys2,normal), diastole(Dias3,normal,Sys2), systole(Sys3,normal,Dias3), amp_ss(Sys2,Sys3,pos,normal). class(tsv) :- diastole(Dias0,normal,_), systole(Sys0,normal,Dias0), diastole(Dias1,normal,Sys0), systole(Sys1,normal,Dias1), amp_dd(Dias0,Dias1,neg,normal), ss1(Sys0,Sys1,short), ds1(Dias1,Sys1,long).

14 14 Analyse des résultats Voie II et V: Peu de différences entre les règles apprises sur les deux voies Voie ABP Règles très peu compactes Difficilement interprétable par les médecins Apprentissage indépendant Relativement rapide Règles utilisables en cas de capteurs défaillants sur les voies II et V

15 15 Fusion de règles symboliques R1 class(tsv) :- qrs(R0,normal, _, _), qrs(R1, normal, _, R0), rr1(R0, R1, short). R2 class(tsv) :- diastole(Dias0,normal,_), systole(Sys0,normal,Dias0), diastole(Dias1,normal,Sys0), systole(Sys1,normal,Dias1), amp_dd(Dias0,Dias1,neg,normal), ss1(Sys0,Sys1,short), ds1(Dias1,Sys1,long). ? Pas de pistes dans la littérature

16 16 Méthode envisagée (1) Etape1 : agréger les littéraux des règles obtenues class(tsv) :- qrs(R0,normal, _, _),diastole(Dias0,normal,_),systole(Sys0,normal,Dias0), qrs(R1, normal, _,R0),diastole(Dias1,normal,Sys0),systole(Sys1,normal,Dias1), amp_dd(Dias0,Dias1,neg,normal), ss1(Sys0,Sys1,short), ds1(Dias1,Sys1,long), rr1(R0, R1, short) R3 : une combinaison possible R1 class(tsv) :- qrs(R0,normal, _, _), qrs(R1, normal, _, R0), rr1(R0, R1, short). R2 class(tsv) :- diastole(Dias0,normal,_), systole(Sys0,normal,Dias0), diastole(Dias1,normal,Sys0), systole(Sys1,normal,Dias1), amp_dd(Dias0,Dias1,neg,normal), ss1(Sys0,Sys1,short), ds1(Dias1,Sys1,long).

17 17 Méthode envisagée (2) Etape2 :réduire lespace de recherche Éliminer les exemples non couverts par R1 R2 Généraliser R3 pour couvrir tous les exemples de R1 R2 en respectant les contraintes imposée par les connaissances sur le domaine (faire un nouvel apprentissage) R2 Ensemble des exemples R3 R1

18 18 Conclusion /Perspectives Apprentissages indépendants et globaux Méthode globale plus facile à mettre en œuvre mais difficilement généralisable aux nouvelles données Résultats obtenues sur la voie de pression difficilement validables par les experts : Regrouper les classes en fonction de la localisation (ventricule/oreillette) de larythmie Se servir des informations non par pour caractériser larythmie mais pour évaluer sa gravité (plus proche du diagnostic médical actuel)