• Intitulé du CEC

    Intelligence Artificielle et Santé : CEC Avec mémoire

  • Responsables du CEC

    • Directeur : Pr. Mohamed Hédi BEDOUI
    • Coordinateurs : Pr. Asma BEN ABDALLAH // Dr. Manel BEN FREDJ

  • Objectifs

    L’Intelligence Artificielle (IA), le Machine Learning (ML) et le Deep Learning (DL) s’imposent de plus en plus dans de nombreux domaines, spécialement le domaine biomédical. Les différents algorithmes d’apprentissage appliqués aux données médicales consolident les processus d’aide à la prise de décisions et donnent une autre envergure aux approches de prévention et de prédiction.
    Les participants à cette formation se familiariseront avec les différents concepts fondamentaux de l’IA, ML et DL, s’initieront à la programmation python orientée image et signal et apprendront à mettre en place des solutions de Machine Learning et Deep Learning en relation avec leurs disciplines.

  • Public cible

    Enseignants et Résidents en Médecine, Pharmacie et Médecine dentaire,
    Enseignants, chercheurs, doctorants et masters et toute personne susceptible de devoir exploiter des données.
    Chefs de projets, chargés d’études, ingénieurs en lien avec des problématiques liées à la science des données, data-miners, informaticiens et statisticiens.

  • Modules

    Partie A
    1) Module I : Statistiques et Intelligence Artificielle
    a. Introduction,
    b. Etat de l’art, apports et limites des approches statistiques,
    c. IA, positionnement et migration,
    d. Découverte de l’IA.
    2) Module II : Création de bases de données : data, connaissances et augmentation
    a. Traitement et structuration,
    b. Données manquantes et déséquilibrées,
    c. Rééchantillonnage, remplissage des données manquantes,
    d. Augmentation des données.
    3) Module III : Notions fondamentales IA
    Objectif :
    – Maîtriser les principaux algorithmes de Machine Learning et Deep Learning et leurs applications pour le traitement et l’analyse des données médicales.
    – Comprendre le fonctionnement des approches basées sur des réseaux de neurones profonds (Deep Learning) et leurs applications pour la classification, la segmentation, et la prédiction.
    – Savoir mettre en œuvre un algorithme d’apprentissage profond basé sur les réseaux de neurones convolutifs en utilisant des bibliothèques logicielles (Keras, TensorFlow, …).
    – Savoir évaluer les performances de ces algorithmes sur un problème donné et connaître l’impact de différents paramètres d’apprentissage.
    Plan :
    I. Machine Learning
    a. Introduction à l’apprentissage automatique : Différents types d’approches en apprentissage automatique et préparation de données d’apprentissage,
    b. La résolution de problèmes de ML (Régression linéaire, classification, …),
    c. Les métriques de performances
    d. Apprentissage supervisé,
    e. Apprentissage non supervisé.

    II. Réseaux de neurones artificiels et Deep Learning
    a. Perceptron
    b. Perceptron multicouches -MLP (Architecture, Transfer functions, Feedforward, Backpropagation, Optimizer, Loss function, Parameters and hyper-parameters, …)
    c. Recurrent neural networks
    d. Deep Learning et architectures associées
    • Convolutional Neural Network-CNN,
    • Regulation of hyper-parameters,
    • Description of famous architecture,
    • Application of DL architectures (Classification, Segmentation, …).

    4) Module IV : Intelligence artificielle : état de l’art et applications
    Objectifs :
    Avoir un état de l’art de la recherche en intelligence artificielle.
    Connaître les outils et méthodes utilisés en IA et les principales applications.
    a. L’IA pour accélérer le développement de médicaments,
    b. L’IA et aide à la décision diagnostic et thérapeutique,
    c. L’IA et télémédecine,
    d. L’IA et médecine préventive : prédiction de la survenue d’une pathologie et de son évolution,
    e. L’IA et prise en charge personnalisée optimale.
    5) Module V : Sécurité
    a. Introduction,
    b. Risques & Menaces,
    c. Vulnérabilités des réseaux,
    d. Wifi et sécurité …
    e. Exigences minimales pour la sécurité informatique des cabinets médicaux.
    6) Module IV : Approche éthico-juridique de l’usage des données médicales

    Partie B : Python pour le signal et l’image
    1) Module I : Niveau I
    2) Module II : Niveau II
    Objectifs :
    • Découvrir les bases du langage Python,
    • Comprendre et savoir utiliser la programmation orientée objet dans Python,
    • Traitement d’images avec Python.
    Plan :
    a. La syntaxe de base,
    b. Les structures de contrôles,
    c. Les structures de données,
    d. Organisation du code Python,
    e. Images : concepts de base,
    f. Visualisation des données graphiques,
    g. Les bibliothèques Numpy et Scipy,
    h. Mise en place d’une application.
    Partie C : Fondement IA et exemples
    1) Machine Learning (ML) & Deep Learning (DL) et Imagerie pulmonaire.
    2) ML & DL et Imagerie du fond d’œil.
    3) ML&DL en cardiologie (lit vasculaire et imagerie cardiaque).
    4) ML&DL et segmentation des images cérébrales.
    5) ML&DL et segmentation TEP et IRM.
    6) ML & DL pour l’EEG, ECG et son : extraction, classification et prédiction.
    Partie D : Atelier pratique : Conception et mise en œuvre d’applications IA
    Les participants seront avisés à temps, pour préparer une base de connaissance propre à eux pour développer une application IA spécifique. L’adoption de ces données sera discutée avec le tuteur.
    a) Préparation de la base de données,
    b) Choix de l’architecture,
    c) Apprentissage,
    d) Test et Validation,
    e) Evaluation et positionnement des résultats.
    Output :
    • Un mini projet personnalisé qui reflète les compétences acquises,
    • Publication des résultats obtenus par l’apprenant.

Pré-Inscription :