OncoPlan - Le Protocole Oncologique Adaptatif

Vue d’ensemble

Ce devoir de contrôle continu combine IA symbolique et programmation probabiliste à travers un cas d’usage médical : l’aide à la décision en oncologie.

Les deux familles d’IA ne s’opposent pas : elles se répartissent le long d’une frontière — ce qui doit être respecté (déterministe) et ce qui doit être estimé (probabiliste) — pour produire un jumeau numérique du patient capable de simuler des scénarios :

flowchart LR
    subgraph DET["Déterministe — doit être respecté"]
        O["Ontologie<br/>des chimiothérapies"] --> CSP["Planification<br/>CSP des cures"]
    end
    subgraph PROB["Probabiliste — doit être estimé"]
        T["Toxicité cumulée<br/>(variable latente)"] --> PYRO["Inférence Pyro<br/>profil patient"]
    end
    CSP -->|"calendrier valide"| JN["Jumeau numérique<br/>du patient"]
    PYRO -->|"incertitude"| JN
    Q{"« Et si ? »<br/>dose / report"} --> JN
    JN --> DEC["Décision médicale<br/>éclairée par scénarios"]

Structure du dossier

Oncology-Planning/
├── README.md                           # Ce fichier
├── subject.md                          # Sujet complet
├── student/
│   └── Oncology-Planning.ipynb         # Notebook à compléter
├── solution/
│   └── Oncology-Planning.ipynb         # Solution de référence
└── data/
    └── patients_oncology.csv           # Données patients

Objectifs pédagogiques

  1. Modéliser des connaissances métier (Ontologie des chimiothérapies)
  2. Résoudre un problème de planification sous contraintes (Générer un calendrier de cures valide)
  3. Gérer l’incertitude (Estimer la probabilité de devoir adapter le traitement)
  4. Intégrer ces briques dans un système décisionnel cohérent

Guide Pyro pour les étudiants

La partie probabiliste utilise Pyro, une bibliothèque de programmation probabiliste moderne en Python. Voici les concepts clés à maîtriser.

Glossaire Pyro

A. pyro.sample("nom", distribution)

  • En Python classique : random.choice([1, 2, 3]) renvoie une valeur (ex: 2).
  • En Pyro : Cela définit une Variable Aléatoire. Lors de l’exécution, cela renvoie une valeur, mais Pyro enregistre en arrière-plan que cette variable existe, s’appelle “nom”, et suit telle distribution.
n = pyro.sample("state", dist.Categorical(probs=[0.1, 0.9]))

B. pyro.factor("nom", log_prob)

C’est une instruction pour dire “Ce scénario est plus ou moins probable”. - 0 (log(1)) : “Tout va bien, probabilité normale” - -infini (log(0)) : “Impossible ! Ce scénario est interdit” - -10 : “Très peu probable, mais pas impossible”

pyro.factor("contrainte", 0. if x > 0 else -9999.)  # force x > 0

C. obs=... (Observation)

C’est le cœur de l’inférence bayésienne. On dit au modèle “J’ai vu ça”.

pyro.sample("mesure", dist.Normal(mu, sigma), obs=valeur_observee)

D. poutine.scale(scale=alpha)

Un amplificateur qui multiplie les log-probs par alpha. - Si alpha > 1 : les événements probables deviennent très probables (modèle confiant) - Si alpha < 1 : tout s’aplatit (modèle incertain)

Structure recommandée du code

class OncoModel:
    def __init__(self):
        # Priors
        pass

    def model(self, doses, observations=None):
        # Définition Pyro du modèle génératif
        pass

    def guide(self, doses, observations=None):
        # Guide variationnel (si SVI)
        pass

    def infer_profil(self, historique_doses, historique_prises_sang):
        # Retourne la probabilité du profil patient
        pass

Indice technique important

Lors de l’inférence SVI, assurez-vous que les données d’entrée (doses) sont alignées avec les observations.

Si vous passez au modèle des doses futures pour lesquelles vous n’avez pas encore d’observation (ex: dose prévue à J21 mais observation seulement jusqu’à J8), Pyro va considérer les observations manquantes comme des variables latentes à inférer.

Solution : Tronquez le tenseur des doses pour ne garder que l’historique correspondant aux observations réelles lors de l’étape svi.step.

Le modèle probabiliste en détail

Variables du modèle

  • Variables Latentes (Cachées) :
    • ProfilToxicite : Catégorielle (0: Résistant, 1: Normal, 2: Sensible)
    • ToxiciteCumulee(t) : Continue, augmente avec la dose, diminue avec le repos
  • Variables Observées (Mesurées) :
    • TauxGlobulesBlancs(t) : Dépend de la toxicité cumulée

Approche “Jumeau Numérique”

Le modèle permet de simuler des scénarios : - “Et si je maintiens la dose prévue ?” - “Et si je réduis de 25% ?” - “Et si je reporte d’une semaine ?”

C’est la conception d’un Jumeau Numérique du patient, capable d’éclairer la décision médicale.

Ressources de référence

Notebooks utiles dans le cours

  • Probas/Applications/Pyro_RSA_Hyperbole.ipynb : Exemple d’inférence sur variables latentes
  • SymbolicAI/OR-tools-Stiegler.ipynb : Contraintes et planification avec OR-Tools

Bibliographie

  • Documentation Pyro : https://pyro.ai/
  • OR-Tools : https://developers.google.com/optimization
  • Concepts PK/PD (Pharmacocinétique/Pharmacodynamique) pour le contexte médical

Exercices d’extension

Trois exercices d’extension, laissés en squelette dans le notebook étudiant, prolongent le jumeau numérique au-delà du barème principal :

  • étendre l’ontologie médicamenteuse (RDFLib) avec de nouveaux traitements et interactions, puis re-vérifier la prescription ;
  • sensibilité au prior du profil patient — faire varier le prior de l’inférence Pyro et observer comment évolue la probabilité d’adaptation du traitement ;
  • journal d’audit du contrat intelligent — tracer les décisions du smart contract (partie Bonus optionnelle) pour rendre le calendrier de cures auditable.

Les squelettes correspondants figurent dans la version étudiante du notebook.

Conclusion

Ce cas d’étude réunit deux familles d’IA que l’on oppose souvent, pour montrer qu’elles sont en réalité complémentaires dans une chaîne décisionnelle :

  • l’IA symbolique (ontologie des chimiothérapies, vérification de contraintes, planification CSP des cures) garantit qu’un calendrier de traitement est valide — conforme aux règles métier, sans violation de protocole ;
  • la programmation probabiliste (Pyro) prend en charge ce que le symbolique ne sait pas exprimer : l’incertitude sur le profil de toxicité du patient et la probabilité de devoir adapter le traitement.

Leur intégration produit un jumeau numérique du patient, capable de simuler « et si ? » (maintenir la dose prévue, réduire de 25 %, reporter d’une semaine) et d’éclairer la décision médicale par des scénarios chiffrés plutôt que par une règle rigide.

La leçon à retenir dépasse l’oncologie : un système décisionnel mûr combine le déterministe (ce qui doit être respecté) et le probabiliste (ce qui doit être estimé). Savoir où placer cette frontière — et brancher la bonne brique de chaque côté — est au cœur de la conception des systèmes d’aide à la décision sous incertitude.

Notes pour les enseignants

Genèse du sujet

Ce sujet a été conçu pour combiner : 1. Symbolique avancé : Ontologies, vérification de contraintes médicales 2. Planification : OR-Tools/Z3 pour le calendrier des cures 3. Probabiliste : Pyro pour l’adaptation personnalisée

Points d’attention

  • Le squelette fournit une structure robuste pour Pyro (souvent difficile à démarrer)
  • Les contraintes CSP sont pré-formalisées en langage naturel
  • La partie Bonus (Smart Contract) est optionnelle

Barème indicatif

  • Ontologie & Vérification : 4 pts
  • Planification CSP : 6 pts
  • Modèle Pyro (Définition) : 4 pts
  • Inférence & Décision : 4 pts
  • Qualité du code & Bonus : 2 pts
Retour au sommet