MODELLING THE OPTICAL PROPERTIES OF BLOOD USING ARTIFICIAL INTELLIGENCE

Abstract

Cette thèse a exploré l'importance des propriétés optiques du sang dans la recherche médicale afin de développer de nouvelles méthodologies utilisant des techniques d'intelligence artificielle, notamment les réseaux de neurones artificiels (ANN), les machines à vecteurs de support (SVM) et l'algorithme de libellule en combinaison avec les machines à vecteurs de support (DA-SVM), pour prédire les propriétés optiques du sang. Dans la première contribution, nous utilisons des modèles neuronaux de type feed-forward pour prédire les propriétés optiques en fonction de variables mesurables. Trois modèles ont été créés pour l'indice de réfraction, le coefficient d'absorption, et le coefficient de diffusion, montrant des coefficients de corrélation élevés (0,9990, 0,9972, 0,9987) et des faibles valeurs d’erreurs. Dans la deuxième contribution de cette thèse, les machines à vecteurs de support (SVM) ont été utilisées pour prédire les propriétés optiques du sang. Les résultats ont montré une concordance acceptable entre les valeurs expérimentales et prédites. Notamment, les coefficients de corrélation lors de la phase de test étaient de 0,9835, 0,8715 et 0,9788 pour l'indice de réfraction, le coefficient d'absorption et le coefficient de diffusion, respectivement. Les valeurs de RMSE étaient de 0,0043, 9,7411 et 6,3632. Dans la troisième contribution significative, nous avons introduit l'approche DA-SVM pour prédire ces propriétés. Les modèles établis ont montré d'excellentes performances avec des coefficients de corrélation élevés de 0,9971, 0,9994 et 0,9996 pour l'indice de réfraction, le coefficient d'absorption et le coefficient de diffusion, respectivement. Les valeurs de RMSE étaient de 0,0028, 0,9792 et 2,9193 pour ces propriétés dans la phase de test. La comparaison des résultats entre les modèles ANN, SVM et DA-SVM démontre clairement la performance exceptionnelle des modèles ANN et DA-SVM dans notre recherche. Une analyse comparative complète, dans laquelle nous avons évalué nos modèles par rapport à ceux présentés dans la littérature, montre clairement que nos modèles ANN et DA-SVM sont supérieurs et occupent une place significative dans ce domaine.