Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction à l'IA en santé
- Applications de l'IA dans le soutien aux décisions cliniques et les diagnostics
- Aperçu des modalités de données de santé : structurées, textuelles, d'imagerie, de capteurs
- Défis uniques au développement de l'IA médicale
Préparation et gestion des données de santé
- Travail avec les DME, les résultats de laboratoire et les données HL7/FHIR
- Prétraitement des images médicales (DICOM, CT, IRM, radiographies)
- Gestion des données temporelles issues de dispositifs portables ou de moniteurs d'unité de soins intensifs
Techniques d'affinement pour les modèles de santé
- Transfert d'apprentissage et adaptation spécifique au domaine
- Affinement de modèles spécifiques à la tâche pour la classification et la régression
- Affinement avec des ressources limitées et des données annotées limitées
Prédiction de maladies et prévision des résultats
- Évaluation du risque et systèmes d'alerte précoce
- Analyse prédictive pour la réadmission et la réponse au traitement
- Intégration de modèles multimodaux
Éthique, confidentialité et considérations réglementaires
- HIPAA, RGPD et gestion des données de patients
- Atténuation du biais et audit de la justice dans les modèles
- Explicabilité dans la prise de décision clinique
Évaluation et validation des modèles dans un contexte clinique
- Métriques de performance (AUC, sensibilité, spécificité, F1)
- Techniques de validation pour des ensembles de données déséquilibrés et à haut risque
- Pipelines de test simulés versus réels
Déploiement et surveillance dans des environnements de santé
- Intégration des modèles dans les systèmes IT hospitaliers
- CI/CD dans des environnements médicaux réglementés
- Détection de dérive post-déploiement et apprentissage continu
Résumé et étapes suivantes
Pré requis
- Compréhension des principes d'apprentissage automatique et de l'apprentissage supervisé
- Expérience avec des ensembles de données de santé tels que les DME, les données d'imagerie ou les notes cliniques
- Connaissance de Python et des frameworks ML (par exemple, TensorFlow, PyTorch)
Public cible
- Développeurs d'IA médicale
- Data scientists du secteur de la santé
- Professionnels construisant des modèles diagnostiques ou prédictifs de santé
14 Heures