Etudiant : ZYANI SOUKAYNA

Filière : Master Informatique Décisionnelle et Vision Intelligente (MIDVI)

Encadrant : Pr. RIFFI JAMAL

Annèe : 2023

Résumé : La démence est un syndrome dégénératif qui affecte la mémoire, le raisonnement, le comportement et les activités quotidiennes. Bien qu’elle touche principalement les personnes âgées, elle n’est pas une composante normale du vieillissement. La maladie d’Alzheimer est la cause la plus courante de la démence, responsable de 60-70% des cas dans le monde. Cette maladie neurodégénérative est caractérisée par l’agrégation progressive de deux protéines anormales dans le cerveau et présente une phase silencieuse qui peut durer de 10 à 15 ans avant l’apparition des premiers signes cliniques. L’imagerie par résonance magnétique (IRM) est souvent utilisée pour explorer les troubles mnésiques et aider au diagnostic différentiel entre les différents syndromes démentiels. Cependant, la spectroscopie par Résonance Magnétique (RM) offre une approche alternative en décrivant les différentes réactions chimiques du tissu cérébral et en déterminant les différents pics qui représentent les métabolismes de chaque réaction. Cette méthode permet de détecter les signes précoces de la maladie d’Alzheimer et de former un modèle de deep learning pour la détection précoce de la maladie. Cependant, il est important que le modèle de deep learning soit compréhensible pour les médecins et les chercheurs afin de pouvoir interpréter les résultats de manière fiable. C’est pourquoi nous utiliserons des techniques d’explicable AI pour rendre le modèle de deep learning plus transparent et interprétable. Ces techniques permettent d’expliquer les prédictions du modèle en identifiant les caractéristiques les plus importantes qui ont été utilisées pour prendre la décision finale. En outre, nous utiliserons également des techniques d’explicable AI pour identifier les métabolismes spécifiques qui sont impliqués dans la détection précoce de la maladie d’Alzheimer en utilisant les données de spectroscopie RM. Ces techniques permettent d’expliquer les prédictions du modèle en identifiant les caractéristiques les plus importantes qui ont été utilisées pour prendre la décision finale, telles que les pics de métabolites spécifiques dans les données de spectroscopie RM. Cette analyse permettra d’identifier les métabolismes spécifiques qui contribuent le plus à la détection précoce de la maladie d’Alzheimer.