Modératreurs de la session
Qu’est-ce que l’intelligence artificielle ?
L’intelligence artificielle (IA) est définie, entre autres, comme la capacité des machines à accomplir des tâches cognitives avec un niveau de performance humain incluant l’apprentissage, le raisonnement, l’adaptation et l’auto-correction. En médecine, l’IA peut être divisée en 2 types : physique et virtuelle. L’IA physique est rattachée à la robotisation introduite particulièrement dans la chirurgie et la production de prothèses intelligentes qui permettent la récupération de la fonction des membres. L’IA virtuelle varie des applications permettant le l’enregistrement et le stockage des paramètres physiques des individus jusqu’aux systèmes d’aide diagnostique et thérapeutique, permettant ainsi l’amélioration de la qualité des soins et de leur efficience. L’art du diagnostic peut être « appris » aux machines par 2 approches : une approche basée sur les « flowcharts » et une approche basée sur les data. La 2ème approche, très en vogue actuellement, se base essentiellement sur le « deep learning » et la reconnaissance d’images, très développés, en particulier, dans les domaines de l’imagerie médicale et de l’anatomie pathologique. Ceci nécessite la collecte, le partage et le stockage d’un nombre vertigineux de données permettant l’apprentissage et la vérification. Le choix des données est alors capital car quels que soient les algorithmes développés, des données biaisées aboutissent à des résultats non fiables. La labellisation est donc une étape cruciale nécessitant une bonne expertise médicale. Cependant, les données de santé sont des données sensibles, à caractère personnel allant jusqu’à être considérées comme un phénotype de la personne dont le stockage et le traitement est interdit de principe. Cela pose donc un problème éthique central concernant la confidentialité des données personnelles, leur appartenance et la nécessité de leur sécurisation. Par ailleurs, la digitalisation des soins risque d’aboutir à leur déshumanisation. Une approche centrée sur le patient sans lui faire perdre la chance de bénéficier des progrès de la technologie devrait être toujours adoptée.
• Intelligence Artificielle Vs Intelligence Naturelle
• Machine Learning pour la Représentation, Analyse et Classification des Images médicales
o Similarité
o Probabilité
o Machines à Vecteurs du Support
o Réseau de Neurones
• Deep Learning Architectures for Image Representation, Analysis, and Classif pour la Représentation, Analyse et Classification des Images médicales
o Auto-encoder
o Convolutional Neural Network
• Evaluation de Performance des systèmes à base de Machine Learning & Deep Learning
- Contexte Général : CAD (Computer-Aided Diagnosis) vs. CBMIR (Content-Based Medical Image Retrieval)
- Défis des Architectures Standards de Recherche par le Contenu des Images Médicales : Précision vs. Temps de Calcul
- Quelles Solutions pour Palier au Fossé Sémantique ?
- Extraction des Descripteurs : Hand-Crafted Features vs. Deep Learned Features
o Un outil de Recommandation de Segmenteurs basé sur l'Image via le Crowdsourcing et l’Apprentissage par Transfert
o Apprentissage Automatique de Descripteurs Sémantiques Mi-Niveau
- Evaluation de la Similarité Inter-Images : Approche Statique vs. Approche Dynamique par Apprentissage Automatique (Distance Metric Learning)
- Structuration/Indexation des Bases d’Images à Grande-Echelle
- Multi-View Information Fusion (MVIF) dans le Cas des images Multi-Vues : Early Fusion-Based MVIF vs. Late Fusion-Based MVIF