| Titre : | BioReason : Interpretable AI for Microbiome-Based Disease Prediction |
| Auteurs : | Rahmani Khedidja, Auteur ; Bouarara Hadj Ahmed, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | جامعة سعيدة د.مولاي الطاهر -كلية الرياضيات والاعلام الالي والاتصالات السلكية واللاسلكية -قسم الاعلام الالي, 2025/2026 |
| Format : | 42 p |
| Accompagnement : | CD |
| Langues: | Anglais |
| Index. décimale : | BUC-M 008495 |
| Catégories : | |
| Résumé : |
ملخص
ملخص باللغة العربية تقدم هذه األطروحةBioReason، وهو إطار ذكاء اصطناعي هجين لتشخيص مرض باركنسون عبر تحليل الميكروبيوم المعوي. يجمع النظام بين كفاءة الشبكات العصبية(MLP)وشفافية التفسير عبر(SHAP)والمنطق الضبابي. أظهرت النتائج أن النموذج، المعتمد على365ًمؤشرا حيوياً، حققدقة بلغت68.97%ومساحة تحت المنحنى(AUC-ROC)قدرها0.7191.يقدمBioReasonحال ً مبتكرا ً لتحويل البيانات ً الميكروبية المعقدة إلى قرارات طبية قابلة للفهم والتحقق سريريا. Abstract This dissertation presents BioReason, a hybrid AI framework for Parkinson's disease prediction using metagenomic data. By integrating a Multi-Layer Perceptron (MLP) core with SHAP-based interpretability and fuzzy logic risk stratification, the system bridges the gap between predictive accuracy and clinical transparency. Validated on 365 optimized microbial biomarkers, the framework achieved an Accuracy of 68.97% and an AUC-ROC of 0.7191. BioReason transforms complex gut microbiome profiles into actionable, explainable clinical insights, offering a robust and verifiable diagnostic tool for neurological health. Résumé Cette dissertation présente BioReason, un cadre d’IA hybride pour prédire la maladie de Parkinson à partir du microbiote. En alliant la performance d'un Perceptron Multicouche (MLP) à la transparence de SHAP et de la logique floue, BioReason concilie précision prédictive et clarté clinique. Basé sur 365 biomarqueurs optimisés, le modèle atteint une exactitude de 68.97% et une AUC-ROC de 0.7191. Ce système offre une approche fiable pour traduire des profils microbiens complexes en diagnostics cliniques explicables et vérifiables.Le cadre est évalué sur des jeux de données du microbiote liés à la prédiction de maladies, montrant de bonnes performances tout en améliorant significativement l’interprétabilité. En séparant la prédiction de l’explication, BioReason propose une solution évolutive et transparente qui aide les experts médicaux à prendre des décisions éclairées. En définitive, ce travail contribue au développement de systèmes d’IA fiables et explicables en informatique de la santé. |
| Note de contenu : |
Table of Contents
• Chapter 1: State of the Art on Machine Learning Applications in Microbiome Classification o 1.1 Consensus from the Literature o 1.2 Connected Papers ▪ 1.2.1 TaxoNN (Sharma et al., 2020) ▪ 1.2.2 ASD Classification (Bašić-Čičak et al., 2024) ▪ 1.2.3 SHAP-based Explainability in CRC (Daliri et al., 2023) ▪ 1.2.4 Hybrid AI for Gastric Cancer Diagnosis (Daliri et al., 2022) • Chapter 2: Hybrid AI Architecture for Microbiome-Based Disease Classification o 2.1 Introduction o 2.2 System Overview ▪ 2.2.1 Learning Layer ▪ 2.2.3 Explainability and Reasoning Layer ▪ 2.2.4 Interaction Layer (LLM) o 2.3 Data Acquisition and Preprocessing ▪ 2.3.1 Dataset Selection ▪ 2.3.2 Preprocessing Pipeline o 2.4 Learning Layer ▪ 2.4.1 Multi-Layer Perceptron (MLP) ▪ 2.4.2 Random Forest o 2.5 Explainability and Reasoning Layer ▪ 2.5.1 SHAP-Based Feature Attribution ▪ 2.5.2 Fuzzy Logic Reasoning System o 2.6 Interaction Layer (LLM-Based Explanation) ▪ 2.6.1 Model ▪ 2.6.2 Prompt Design ▪ 2.6.3 Hallucination Control ▪ 2.6.4 Output Example o 2.7 Model Validation and Evaluation ▪ 2.7.1 Predictive Performance ▪ 2.7.2 Generalization ▪ 2.7.3 Interpretability Evaluation ▪ 2.7.4 Ablation Study o 2.8 Conclusion • Chapter 3: BIOREASON o 3.1 Introduction o 3.2 Research Contributions o 3.3 System Architecture and Execution Pipeline ▪ 3.3.1 Technical Data Flow ▪ 3.3.2 Architectural Blueprint o 3.4 Dataset Selection and Characteristics 7 ▪ 3.4.1 Data Provenance ▪ 3.4.2 Cohort Dimensions ▪ 3.4.3 Data Challenges and Mitigation o 3.5 Preprocessing and Feature Selection o 3.6 Machine Learning Models ▪ 3.6.1 Primary Engine: Multi-Layer Perceptron (MLP) ▪ 3.6.2 Baseline Model: Random Forest (RF) o 3.7 Explainability and Symbolic Reasoning ▪ 3.7.1 SHAP-Based Feature Attribution ▪ 3.7.2 Mamdani Fuzzy Inference Engine o 3.8 Generative LLM Interface and Translation Layer o 3.9 Experimental Setup and Evaluation ▪ 3.9.1 Implementation Environment ▪ 3.9.2 Validation Protocol and Evaluation Metrics ▪ 3.9.3 Ablation Study Configurations o 3.10 Conclusion • Chapter 4 o 4.1 Introduction o 4.2 Diagnostic Classification Performance ▪ 4.2.1 Quantitative Performance Metrics ▪ 4.2.2 Performance Interpretation o 4.3 Ablation Study ▪ 4.3.1 Experimental Configurations ▪ 4.3.2 Analysis of Results o 4.4 Explainability and Biomarker Verification ▪ 4.4.1 SHAP Feature Importance ▪ 4.4.2 Fuzzy Logic Traceability o 4.5 LLM-Based Explanation Validation o 4.6 Discussion o 4.7 Comparison with State-of-the-Art Methods o 4.8 Limitations o 4.9 Conclusion and Recommendations ▪ 4.9.1 Summary of Contributions ▪ 4.9.2 Future Work ▪ 4.9.3 Final Reflections |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
BUC-M 008495 Adobe Acrobat PDF |
