Optimisation et évaluation de MEDOMICS : une plateforme collaborative pour la modélisation des données médicales. Présenté par Mariem Kallel

Description :

Ce mémoire porte sur l’optimisation et l’évaluation de MEDomics, une plateforme à code source libre dédiée à la conception, à l’exécution et à l’évaluation de pipelines d’apprentissage automatique en santé. Bien que la plateforme vise à soutenir la recherche interdisciplinaire en facilitant la collaboration entre utilisateurs informaticiens et non informaticiens, certaines limites fonctionnelles et ergonomiques freinaient encore son utilisation dans des scénarios expérimentaux complets.

L’objectif de ce travail était d’améliorer MEDomics selon deux axes complémentaires : enrichir ses capacités expérimentales et améliorer son expérience utilisateur. Les contributions réalisées ont d’abord porté sur la restructuration de certaines interfaces, l’ajout de mécanismes de guidage et la prévention des erreurs, afin de rendre la plateforme plus accessible à des profils variés. Elles ont également concerné l’enrichissement du module d’apprentissage, avec l’intégration de protocoles avancés d’entraînement et d’évaluation.

Ces améliorations ont été évaluées à travers plusieurs preuves de concept inspirées d’études de référence, incluant l’adaptation d’un flux de travail multimodal, la réplication d’une étude de prédiction de mortalité et l’évaluation de modèles dans un contexte multi-sites. Une évaluation centrée utilisateur menée auprès de huit participants a également permis d’analyser l’utilisabilité de la plateforme. Le score SUS moyen de 70 indique une utilisabilité acceptable, tout en mettant en évidence certaines pistes d’amélioration comme l’accompagnement des utilisateurs novices dans l’utilisation de la plateforme.

Les résultats obtenus montrent que les travaux réalisés contribuent à renforcer les fondations techniques, méthodologiques et ergonomiques de MEDomics. Ils soulignent également certaines limites, notamment liées à la bibliothèque PyCaret utilisée en remplacement de scikit-learn, à la scalabilité et à l’intégration de modèles externes. À plus long terme, l’adoption d’outils d’orchestration et une éventuelle migration vers scikit-learn constituent des pistes prometteuses pour poursuivre l’évolution de la plateforme.

Membres du jury :

Directeur : Martin Vallières, professeur Département informatique, Université de Sherbrooke.
Président-Rapporteur : François Rheault, professeur Département informatique, Université de Sherbrooke.
Membre interne : Charle Gouin-Vallerand, professeur École de gestion, Université de Sherbrooke.