Résumé :

Cet atelier s’intéresse à l’utilisation des différentes méthodes issues de l’apprentissage profond appliquées à des problèmes de santé.

​

Descriptif :

Au cours des dernières années, le coût décroissant de l’acquisition de données et la disponibilité de sources de données telles que les dossiers de santé électroniques, l’imagerie médicale, les signaux médicaux (EEG, ECG,…), les données génomiques et données sur la santé générées par les patients (PGHD), ont conduit à une focalisation accrue sur les méthodes basées sur les données et sur l’apprentissage automatique pour le domaine médical et de la santé.

Dans le même temps, l’apprentissage automatique a connu la révolution du deep learning. Les réseaux de neurones profonds constituent déjà une solution pour de nombreuses applications informatiques telles que l’analyse d’images et de vidéos, la reconnaissance audio et vocale, le traitement du langage naturel, et beaucoup d’autres domaines. Cet atelier vise à étudier les capacités du deep learning à résoudre des problèmes en santé en raison de son efficacité récente dans de nombreux problèmes d’apprentissage automatique. Cet atelier vise à étudier les capacités du deep learning à résoudre des problèmes liés à la santé.

Objectifs :

Cet atelier à pour objectif de couvrir les technologies récentes en deep learning sous plusieurs angles, notamment les méthodes, les architectures, les systèmes et les applications. Nous invitons les chercheurs des milieux universitaire et industriel à communiquer leurs technologies et idées abordant tous les aspects de l’utilisation du deep learning pour la santé et les applications médicales. L’atelier couvre un vaste champs d’application : dossier patient électronique (EHR), imagerie médicale, données Omique (génomiques, transcriptomiques, métagénomiques, etc.), signaux biomédicaux (ECG, EEG,…), données IOT, etc. 

Thèmes de l’atelier (liste non exhaustive) :

• Deep learning et ses applications médicales

• Visualisation et interprétations des réseaux de neurones

• Nouvelles architectures adaptées à la santé

• Mise à l’échelle des méthodes de deep learning aux données médicales

• Intégration de différentes sources de données hétérogènes par le deep learning

• Construction de nouvelles représentations des données médicales

• Compréhensibilité des modèles appris (approches SHAP, LIME, etc.)

Plus d’informations sur https://nataliyasokolovska.wixsite.com/deephealth