Machines à vecteurs de support à une classe pour détecter la dérive de population dans les diagnostics médicaux déployés basés sur l'apprentissage automatique

Les modèles d'apprentissage automatique (ML) sont de plus en plus appliqués pour diagnostiquer et prédire les maladies, mais se heurtent à des défis techniques tels que la dérive de population, où les distributions des données d'entraînement et des données déployées en conditions réelles diffèrent. Ce phénomène peut dégrader les performances du modèle, risquant d'entraîner des diagnostics incorrects. Les méthodes de détection actuelles sont limitées : elles ne mesurent pas directement la dérive de population et nécessitent souvent des étiquettes de vérité terrain pour les nouvelles données de patients. Ici, nous proposons d'utiliser une machine à vecteurs de support à une classe (OCSVM) pour détecter la dérive de population. Nous avons entraîné une OCSVM sur le jeu de données Wisconsin Breast Cancer et testé sa capacité à détecter la dérive de population sur des données simulées. Les données simulées ont été décalées de 0,4 écart-type des valeurs minimale et maximale de la variable radiusₘean, à trois niveaux de bruit : 5 %, 10 % et 30 % de l'écart-type ; 10 000 enregistrements par niveau de bruit. Nous avons émis l'hypothèse qu'un bruit accru serait corrélé à un plus grand nombre d'inliers détectés par l'OCSVM, indiquant une sensibilité à la dérive de population. À mesure que le bruit augmentait, davantage d'inliers ont été détectés : 5 % (27 inliers), 10 % (486) et 30 % (851). Par conséquent, cette approche pourrait alerter efficacement sur la dérive de population, soutenant ainsi l'adoption sécurisée des diagnostics par ML. Les recherches futures devraient explorer la surveillance par OCSVM sur des données en conditions réelles, améliorer la transparence des modèles, examiner des méthodes statistiques et de ML complémentaires, et étendre les applications à d'autres types de données.