IA et Santé - Suptech University %

IA et Santé GINML10

Enseignant:

Email:

Durée totale du cours: 22.5 H

Semestre : 5

Option ingénierie des connaissances

Nombre de crédits : 2

Modules

spécialisés

Modules de

base

Sciences et techniques de

l’ingénierie

Préparation à la carrière professionnelle

Nombre d’heures	Activités hors classe
22.5	18

Code

: GINML10

IA ET SANTÉ

Volume Horaire : 01h:30 Cours intégrés + Travaux pratiques (par semaine)

Aperçu

Le module propose une visite guidée axée sur les applications de l’apprentissage automatique pour la recherche et l’application en soins de santé dans le monde réel, de la compréhension de divers composants de soins de santé, des préoccupations éthiques au prétraitement et à l’analyse des données de soins de santé pour la classification, la survie et l’analyse des risques, et les tâches de prédiction précoce. Cela nécessite des connaissances de base en apprentissage automatique, en algèbre linéaire et une familiarité avec la programmation Python.

Objectif du module :

Ce module vise à présenter :
– les systèmes de santé et les préoccupations éthiques,
– diverses sources de données de santé (par exemple, dossiers électroniques, signaux et textes cliniques) et les défis associés à l’analyse des données (sélection/extraction de caractéristiques, imputation, augmentation et normalisation), –
machine méthodes d’apprentissage pour analyser les données de santé pour la prédiction précoce, l’analyse des risques, le diagnostic et l’analyse de la survie,
– techniques pour valider la performance des modèles dans la pratique clinique et l’importance si diverses mesures de performance,
– cadres d’interprétabilité (par exemple, SHAP, LIME, apprentissage en profondeur approches basées) et leur utilisation dans le domaine de la santé.

Contenu du cours

Semaine 1-2 : Introduction à l’IA en santé

Introduction aux concepts fondamentaux de l’IA
Applications de l’IA en santé
Éthique et réglementation en IA en santé

Semaine 3-4 : Bases de l’apprentissage automatique

Types d’apprentissage automatique : supervisé, non supervisé, renforcement
Prétraitement des données en santé
Régression et classification

Semaine 5-6 : Réseaux de neurones et Deep Learning

Compréhension des réseaux de neurones artificiels
Réseaux de neurones convolutifs (CNN) en imagerie médicale
Réseaux de neurones récurrents (RNN) en séquence de données médicales

Semaine 7-8 : Traitement du langage naturel (NLP) en santé

Introduction au NLP en santé
Extraction d’informations médicales à partir de textes
Applications de NLP en diagnostic et recherche

Semaine 9-10 : Apprentissage par renforcement en santé

Fondements de l’apprentissage par renforcement
Utilisation de l’apprentissage par renforcement pour la prise de décision clinique
Simulations et modélisation en santé

Semaine 11-12 : Apprentissage non supervisé en santé

Clustering et segmentation de données médicales
Détection d’anomalies en santé
Applications de l’apprentissage non supervisé dans la recherche médicale

Semaine 13-14 : Projet pratique en IA en santé

Les étudiants travaillent sur un projet d’IA en santé, en utilisant des données réelles ou simulées.
Encadrement par des professeurs et experts du domaine.

Semaine 15-16 : Évaluation, éthique et perspectives

Évaluation des modèles d’IA en santé
Considérations éthiques et légales en IA en santé
Tendances futures de l’IA en santé

Méthodes d’enseignement / d’apprentissage

La stratégie d’apprentissage et d’enseignement est conçue pour : fournir le contexte et la théorie dans les cours magistraux et utiliser les fiches de laboratoire pour l’application pratique de la théorie. Ce dernier offre également une opportunité de rétroaction formative. Le cours expose les étudiants au cycle de développement complet d’un système cliniquement applicable; compréhension et prétraitement des données, mise en œuvre, évaluation, analyse de l’intelligibilité et rapport des conclusions et des défis. Les méthodes d’apprentissage et d’enseignement comprennent : cours magistraux, laboratoires d’informatique.

Enseignement frontal (magistral) avec des exemples à résoudre en
Exercices théoriques et études de cas (présentation et discussion).
Travaux à faire à domicile (mini-projet, exposé, compte-rendu, …)

Connaissances et compétences pré-requises

Fondements en Informatique : Une solide compréhension des concepts fondamentaux de l’informatique, y compris la programmation, les algorithmes, les structures de données, et les systèmes d’exploitation, est essentielle.
Apprentissage Automatique (Machine Learning) : Vous devrez avoir des connaissances approfondies en apprentissage automatique, y compris les méthodes d’apprentissage supervisé et non supervisé, la régression, la classification, et la compréhension des réseaux de neurones.
Traitement du Langage Naturel (NLP) : Compte tenu de l’application en santé, des compétences en NLP sont souvent requises pour analyser et extraire des informations à partir de données textuelles médicales.
Vision par Ordinateur : Si le cours aborde également des applications de vision par ordinateur en santé, il sera nécessaire de comprendre les concepts de base de cette discipline.
Bases de Données : Une compréhension solide des bases de données est importante pour gérer et analyser efficacement les données de santé.
Éthique en IA : Étant donné le domaine sensible de la santé, il est essentiel d’avoir une sensibilisation à l’éthique en IA, y compris la confidentialité des données et la prise de décision éthique.
Connaissance du Domaine de la Santé : Une connaissance de base des concepts médicaux et des enjeux spécifiques à la santé est utile pour comprendre les besoins et les applications de l’IA dans ce domaine.
Travail en Équipe et Communication : La capacité à collaborer avec d’autres professionnels de la santé et à communiquer efficacement est souvent cruciale pour réussir dans ce domaine.

Références bibliographiques

Un polycopié (Notes du cours) de l’enseignant sera
https://readinglists.surrey.ac.uk
« Deep Learning » par Ian Goodfellow, Yoshua Bengio et Aaron Courville. MIT Press, 2016.
« Artificial Intelligence in Medicine » par Adam Bohr et Benedikt Frey. Springer, 2015.
« Machine Learning: A Probabilistic Perspective » par Kevin P. Murphy. MIT Press, 2012.
« Introduction to Artificial Intelligence in Healthcare » par Sebastian Raschka, Beate Sick et Mohit Sewak. Chapman and Hall/CRC, 2020.
« Healthcare Data Analytics » par Chandan K. Reddy et Charu C. Aggarwal. CRC Press, 2018.
« Biomedical Signal Processing and Signal Modeling » par Arnon Cohen. John Wiley & Sons, 2001.
« Ethics of Artificial Intelligence and Robotics » édité par Vincent C. Müller. Stanford University Press, 2020.
« Medical Image Analysis » par Atam P. Dhawan. John Wiley & Sons, 2011.
« Foundations of Computational Agents » par David Poole et Alan Mackworth. Cambridge University Press, 2017.
« Introduction to Healthcare Informatics » par Laurinda B. Harman. CRC Press, 2019.
« Pattern Recognition and Machine Learning » par Christopher M. Bishop. Springer, 2006.
« Health Informatics: A Practical Guide » par William R. Hersh. Lippincott Williams & Wilkins, 2014.

Stratégie d’évaluation

La stratégie d’évaluation est conçue pour offrir aux étudiants la possibilité d’évaluer l’enseignement grâce à l’utilisation d’un large éventail de questions couvrant des questions de résolution de problèmes qui nécessitent la recommandation d’algorithmes et de solutions appropriés.

L’examen portera sur toutes les matières enseignées après les notes de cours.

La mission pratique se concentre sur la mise en œuvre et l’évaluation d’un système d’apprentissage automatique pour des données de soins de santé du monde réel, en mettant l’accent sur la sélection de techniques d’apprentissage automatique appropriées, ainsi que sur leur mise en œuvre et leur évaluation.

Ainsi, l’évaluation sommative pour ce module consiste en :
Devoir de cours en Python (pondération 22%).
Devoirs en laboratoire en Python (pondération de 18 %).
Examen écrit (pondération 60%).
Évaluation formative et rétroaction

Pour le module, les étudiants recevront une évaluation formative/rétroaction de la manière suivante : Pendant les cours magistraux par des séances de questions-réponses, au moyen de fiches de problèmes de laboratoire ; pendant les séances de laboratoire supervisées ; via des commentaires de rétroaction sur les cours évalués.

Modalité d’évaluation

40% Contrôle continu (TP noté, Test, Assiduité, Devoir surveillé, travaux non présentiel, …)
60% Examen

Résultat d’apprentissage :

Après avoir réussi le cours « IA appliqué en Santé », les étudiants devraient avoir développé un ensemble de compétences techniques et transversales essentielles pour travailler dans ce domaine spécifique. Voici une liste de compétences qui pourraient être acquises :

Compétences Techniques :

Connaissance en IA : Comprendre les principes fondamentaux de l’intelligence artificielle, y compris les réseaux de neurones, l’apprentissage automatique, et l’apprentissage en profondeur.
Analyse de Données de Santé : Pouvoir collecter, nettoyer et analyser des données de santé complexes provenant de diverses sources, y compris des dossiers médicaux électroniques, des images médicales et des signaux biométriques.
Algorithmes d’IA en Santé : Maîtriser les algorithmes spécifiques à la santé, tels que la détection d’anomalies médicales, la segmentation d’images médicales et la prédiction de diagnostics.
Éthique en IA en Santé : Comprendre les enjeux éthiques liés à l’utilisation de l’IA en santé, y compris la confidentialité des données, la responsabilité et la transparence.
Intégration de l’IA : Être capable d’intégrer des solutions d’IA dans des systèmes de santé existants, en tenant compte des exigences de sécurité et de réglementation.
Développement de Modèles IA : Concevoir, développer et évaluer des modèles d’IA personnalisés pour des applications spécifiques en santé.
Systèmes d’Apprentissage Automatique en Temps Réel : Pouvoir mettre en œuvre des systèmes d’apprentissage automatique en temps réel pour la surveillance continue des patients.

Compétences Transversales :

Communication : Pouvoir communiquer efficacement des concepts techniques complexes aux professionnels de la santé et à d’autres parties prenantes non techniques.
Travail d’Équipe : Collaborer avec des experts en santé, des ingénieurs et d’autres professionnels pour résoudre des problèmes complexes liés à l’IA en santé.
Gestion de Projet : Avoir une compréhension de base de la gestion de projet pour planifier, exécuter et suivre les projets liés à l’IA en santé.
Pensée Critique : Être capable d’analyser de manière critique les résultats des modèles d’IA en santé et de prendre des décisions éclairées en fonction de ces résultats.
Réglementation et Conformité : Comprendre les réglementations et les normes en vigueur dans le domaine de la santé et de l’IA, et s’assurer que les projets respectent ces normes.
Apprentissage Continu : Reconnaître l’importance de la formation continue dans un domaine en constante évolution comme l’IA en santé.
Adaptabilité : Être capable de s’adapter rapidement aux nouvelles technologies et aux avancées de l’IA en santé.

001	Identifier les préoccupations éthiques et les diverses sources de biais, la différence entre les diverses sources de données, les phénotypes et les questions cliniques, et associer les solutions d’apprentissage automatique appropriées pour les résoudre.	KT
002	Mettre en œuvre diverses techniques de prétraitement, des solutions d’apprentissage automatique appropriées à différents problèmes de santé et des cadres d’interprétabilité pour analyser les données de santé et identifier les caractéristiques cliniques importantes.	CP
003	Reconnaître et utiliser différents aspects de la validation des modèles, évaluer les performances des modèles développés et tirer des conclusions sur leur applicabilité et leur efficacité	KCT

Attributs développés

C – Cognitif/analytique

K – Connaissance du sujet

T – Compétences transférables

P – Compétences professionnelles/pratiques