Tâche 2 : Diagnostic automatique

Les techniques d'apprentissage profond (i.e., deep learning) ont atteint des niveaux de performance jamais vus auparavant pour le cas spécifique de la dépression. Néanmoins, les performances sont encore trop faibles pour que ces modèles soient utilisés dans des situations réelles. L’objectif de ce projet est donc de proposer de nouveaux modèles d'apprentissage profond qui pourraient fournir des niveaux de performance plus élevés.

Le but est de développer de nouvelles techniques de fusion dans le contexte de caractéristiques d'entrée multimodales (visuelles, acoustiques et textuelles) qui peuvent être considérées comme un compromis entre la fusion précoce et tardive. Les techniques d'apprentissage par transfert seront également abordées. En particulier, des modèles d'apprentissage profond qui peuvent apprendre conjointement différentes tâches, soit en parallèle, soit hiérarchiquement seront évalués. En effet, il est probable que l'apprentissage simultané de différentes maladies mentales (notamment les troubles psychotiques vus dans le WP 1 et anxiodépressifs vus dans le WP 2) puisse améliorer les performances, car il est bien connu qu'elles partagent certaines caractéristiques communes. Un autre axe de recherche sera l'introduction de connaissances externes par le biais de mécanismes d'attention, notamment en ce qui concerne l’orientation temporelle et l’intensité émotionnelle (Intelligence Artificielle hybride).

Une thèse est en cours sur ce sujet avec une publication acceptée dans une conférence de rang A+ et une méthodologie à base de graphes a été développée avec un article dans une revue de rang Q1 en cours de rédaction. Les prochaines étapes du projet sont le développement de la méthodologie par graphes avec des mécanismes d’attention et la visualisation des graphes par "keyword correlation graphs" ainsi que la création d’une base de données d’entretiens patients-thérapeutes.