Santé & médecine · BIB-AFA-0088
Hybridization of Random Forest, LightGBM and Deep Learning for Maternal Health Risk Prediction
Un ensemble hybride combinant Random Forest, LightGBM et réseau neuronal profond peut-il améliorer la classification du risque maternel par rapport à un modèle hybride plus simple, et quels éléments méthodologiques contribuent réellement au gain de performance ?
Question centrale
Un ensemble hybride combinant Random Forest, LightGBM et réseau neuronal profond peut-il améliorer la classification du risque maternel par rapport à un modèle hybride plus simple, et quels éléments méthodologiques contribuent réellement au gain de performance ?
Thèse / idée directrice
L’étude montre que l’amélioration vient moins de l’ajout brut de modèles que de la combinaison de plusieurs opérations : nettoyage des valeurs aberrantes, correction de bruit d’étiquetage, feature engineering clinique, équilibrage SMOTE, vote souple optimisé et ajustement des seuils. Le gain en précision globale reste modeste, mais l’amélioration de l’AUC est nette et traduit une meilleure discrimination des niveaux de risque.
Architecture et contenu substantiel
Les auteurs prennent comme référence MaternalNET-RF, qui combinait ANN et Random Forest avec vote par probabilité maximale. Ils construisent un nouveau cadre, HDEF-MHR, sur un jeu de 1 014 observations comportant six variables cliniques et trois niveaux de risque. Les six variables brutes sont étendues à quinze grâce au feature engineering. Le jeu d’entraînement est rééquilibré par SMOTE. Trois apprenants de nature différente — RF, LightGBM et ANN profond — sont entraînés puis combinés par soft voting pondéré et ajustement clinique des seuils. Contrairement à une évaluation sur une seule partition, les performances sont calculées sur vingt seeds stratifiés et exprimées en moyenne ± écart-type. Les métriques incluent accuracy, precision, recall, F1, AUC, balanced accuracy, MCC et specificity. Le modèle proposé surpasse légèrement le benchmark en accuracy et plus nettement en AUC, mais le test statistique indique que le gain d’accuracy n’est pas significatif. La discussion insiste donc davantage sur la stabilité et la discrimination que sur une simple hausse du taux de bonnes classifications.
Méthode / matériau
Jeu Maternal Health Risk de 1 014 dossiers et 6 variables cliniques. Prétraitement, correction d’outliers et de label noise, feature engineering jusqu’à 15 variables, standardisation, SMOTE sur l’entraînement. Ensemble RF + LightGBM + ANN profond. Soft voting optimisé, ajustement de seuils. Évaluation sur 20 random seeds stratifiés avec huit métriques.
Concepts structurants
Conclusions / résultats
HDEF-MHR atteint une accuracy moyenne de 95,42 %, une precision pondérée de 95,58 %, un F1 pondéré de 95,43 % et une AUC moyenne de 0,9910, contre 94,88 % d’accuracy et 0,9622 d’AUC pour le benchmark. Le gain d’accuracy n’est pas statistiquement significatif (p = 0,238), mais la hausse de l’AUC indique une meilleure capacité de discrimination.
Apport de la contribution
La fiche permet de comprendre pourquoi le modèle est plus intéressant que son simple score final : il améliore le protocole de préparation, d’équilibrage et d’évaluation. Elle est utile pour tout projet d’IA en santé où stabilité et discrimination sont plus importantes qu’un gain marginal d’accuracy.
Réserves / interrogations ouvertes
Le jeu de données reste relativement petit et provient d’un dataset public benchmark, non d’une cohorte clinique prospective multicentrique. Les auteurs eux-mêmes recommandent une validation sur des données plus larges et plus diverses avant usage décisionnel.
Références de vérification
- https://www.ajol.info/index.php/umsc/article/view/337512
- UMYU Scientifica 5(4), 2026, pp. 145–152