Le DELPHI Day est spécialement conçu pour les scientifiques et les professionnels/les de la santé qui souhaitent rester à la pointe des dernières avancées dans le domaine de l'intelligence artificielle pour la santé comme :

• la médecine de précision et les outils d'aide à la décision médicale

• le traitement automatique du langage naturel des documents médicaux

• la législation actuelle et future sur les modèles d'intelligence artificielle dans les dispositifs médicaux numériques à usage des professionnels/les

• le traitement automatique de l'imagerie médicale

• les stratégies de valorisation des données de santé en Europe et au Canada.

Organisé par le cluster DELPHI de l'Isite NExT en collaboration avec le Salon de la Data et de l'IA, les co-porteurs Pr Pierre-Antoine Gourraud, Dr Samuel Chaffron et Pr Harold Mouchère seront vos hôtes pour toute la journée. Diffusé en live sur zoom, la capacité d'accueil en présentiel est de 80 personnes à la fois, donc assurez-vous de vous inscrire gratuitement rapidement pour réserver votre place !



Titres et descriptions des conférences

Richard Dufour, Professeur, Nantes Université, LS2N, TALN

Spécialisé en traitement automatique du langage et de la parole

Traitement automatique du langage et modèles génératifs pour les outils de santé : enjeux et défis dans le domaine médical

L'émergence récente des Grands Modèles de Langue (ou Large Language Models - LLM - en anglais) ainsi que de leurs outils associés soulève et accélère d'importants enjeux scientifiques et sociétaux. Parmi les nombreux secteurs appelés à être impactés par ces modèles génératifs, le domaine médical suscite particulièrement l'attention de nombreuses catégories d'acteurs, qu'ils soient industriels, chercheurs, médecins, patients... ou plus généralement le grand public. En effet, les applications potentielles dans ce domaine semblent vastes, toute personne pouvant trouver, à son niveau, un intérêt (éducation, diagnostic, explication...). Le traitement automatique du langage (TAL) est un des domaines de recherche qui se trouve au coeur de ces modèles et technologies, intégrant l'utilisation de données massives (big data), d'apprentissage profond (deep learning) ou encore d'Intelligence Artificielle (IA) générative. Après un rapide aperçu du domaine du TAL et de ses évolutions, incluant une partie des fondements des LLMs, nous nous intéresserons à dresser une partie des enjeux et des défis futurs auxquels le TAL devra faire face dans le cadre d'une application au domaine médical.

Martin Vallières, Professeur adjoint, Université de Sherbrooke, QC, MEDomicsLab

Spécialisé en intelligence artificielle pour la médecine de précision (axe 1 : imagerie médicale, axe 2 : modélisations de données hétérogènes, axe 3 : apprentissage fédéré)

Modélisation intégrative des données hétérogènes pour une meilleure médecine de précision

Les récents progrès de l’IA en médecine ouvrent la voie à une nouvelle phase de développements en recherche dans laquelle les équipes multidisciplinaires informatiques et cliniques seront plus que jamais appelées à travailler de façon synergique. En fait, l’avènement d’une “IA biomédicale généraliste” est fort prometteuse, mais celle-ci devra être liée à une “IA biomédicale spécialiste” pour relever les défis de la médecine de précision. De tels systèmes IA spécialistes devront être construits en prenant en compte la nature “hiérarchique” à différentes échelles des données multimodales (multi-omiques, imagerie, texte, séries temporelles, etc.) utilisées pour résoudre des problèmes cliniques précis. Pour ce faire, du point de vue algorithmique, nous croyons que la théorie des graphes a un rôle crucial à jouer pour permettre cette modélisation intégrative des données hétérogènes en médecine. En second lieu, en plus de formations continues en science des données et IA, nous croyons que l’accessibilité et la synergie d'utilisation des techniques de pointe en IA par des équipes multidisciplinaires en médecine passe aussi par un environnement de travail commun. Dans cette présentation, nous détaillerons cette vision et les récents développements d’une plateforme informatique en préparation nommée MEDomicsLab.

Margo Bernelin, Chargée de recherche, CNRS - Nantes Université, DCS - AXE INNOV SANTÉ

Spécialisée dans la circulation des données personnelles (en particulier des données de santé) et encadrement de l'Intelligence artificielle

Projet de règlement européen sur l’intelligence artificielle: quel impact dans le champ de la santé?

Présenté le 21 avril 2021 par la Commission européenne, le projet de règlement européen sur l’intelligence artificielle entend encadrer les systèmes d’intelligence artificielle (IA) exposant les citoyens et la société à des risques élevés pour la santé, la sécurité et les droits fondamentaux. L’objectif de la Commission est double: soutenir l’économie digitale et l’IA en particulier en offrant un cadre qui se voudrait éthique pour le déploiement de ces outils techniques, d’une part, et offrir un cadre juridique de référence qui s’imposerait au-delà de ses frontières, d’autre part. Le projet de règlement, toujours en cours de discussion et de négociation au sein des instances européennes, prévoit des obligations particulières pensant sur les développeurs d’outils d’IA souhaitant commercialiser leurs inventions. Retenant une approche fondée sur les risques et globale, la question du futur impact de ce texte dans le champ de la santé se pose et fera l’objet de la présente communication.

Sonia Desmoulin, Chargée de recherche, CNRS - Nantes Université, DCS - AXE INNOV SANTÉ

Spécialisée sur les enjeux juridiques du déploiement des systèmes algorithmiques d'aide à la décision médicale

Réflexions sur le cadre juridique des Dispositifs Médicaux d'Intelligence Artificielle (SIADM)

Le cadre juridique des dispositifs médicaux (DM) en France repose essentiellement sur trois piliers : la réglementation européenne encadrant leur mise sur le marché, la réglementation française conditionnant leur prise en charge au titre de l’assurance maladie et le droit franco-européen en matière de responsabilité du fait des produits de santé. Sur ces trois volets, l’apparition de DM reposant sur des systèmes algorithmiques, et spécialement sur l’IA, a soulevé de nombreuses questions et appelé quelques adaptations. Si la qualification d’un logiciel en tant que DM pose moins de questions depuis 2017 en raison notamment de l’adoption du Règlement (UE) 2017/745 du 5 avril 2017, le déploiement des systèmes algorithmiques d’aide à la décision médicale soulève encore de nombreuses interrogations et la réglementation y apparaît comme une construction en cours d’élaboration. La présentation offrira un tour d’horizon des questions et des premières réponses apportées notamment en matière d’efficacité et de limitation des biais, d’information des professionnels de santé et des patients, d’explicabilité à la charge des concepteurs ou de responsabilité des différents acteurs.

Alan Cohen, Maître de conférences, Columbia University, New York, USA, Butler Columbia Aging Center

Spécialisé dans la compréhension et quantification de la santé intrinsèque à travers la théorie des systèmes complexes

Vers une quantification objective de la santé fondée dans la théorie des systèmes complexes

Qu'est-ce la santé? On approche cette question avec une perspective large d'un organisme en tant que système complexe qui essaie de maintenir son équilibre dynamique face aux perturbations constants de son milieu interne et externe. La sélection naturelle a peaufiné les réseaux de régulation pour intégrer l’information nécessaire pour que l’organisme coordonne une multitude de décisions constantes. L’état et les dynamiques internes du système nous offrent une fenêtre vers le succès de l’organisme dans cet effort de se garder en équilibre. Cette perspective nous permet de développer des pistes pour quantifier la santé intrinsèque basées sur les dynamiques du système. On présente les grandes lignes de quelques approches en développement ainsi qu’un exemple concret de l’application des données cliniques en dossier électronique – des dynamiques des biomarqueurs – pour quantifier le risque de décès pour des patients sur hémodialyse. Des modèles tirés de l’écologie pour prédire l’effondrement d’un écosystème prédisent aussi l’effondrement de notre physiologie dans ce contexte, distinguant des patients avec 20 fois de différence en risque de décès. On termine avec une perspective vers l’avenir de ces méthodes et leurs applications dans un contexte de données cliniques digitalisées.

Perrine Paul-Guilloteaux, Ingénieure de Recherche, CNRS - Nantes Université, UAR Biocore - micropicell

Spécialisée dans la vision par ordinateur pour les techniques d'imagerie qui permettent de visualiser le vivant à différentes échelles et de voir différents mécanismes biologiques, imagerie multimodale et corrélative

L'Intelligence Artificielle à l'échelle des cellules

Les progrès récents en imagerie cellulaire (par exemple deux prix Nobels ont été décernés à des chercheurs pour leurs techniques de microscopie depuis 2015) ouvrent l’accès à de nouvelles données. L’observation au niveau cellulaire et subcellulaire de tissus ou de modèles cellulaire ou plus complexes comme les organoïdes permet ainsi de mieux comprendre les mécanismes sous-jacents de certaines maladies, mais également de réfléchir à de nouveaux outils de diagnostic, par exemple dans le cadre du diagnostic du myélome multiple ou de la viabilité des embryons pour la fécondation in vitro. Le nouveau défi aujourd’hui est la création d’intelligences artificielles adaptées à l’analyse automatique de ces données volumineuses et multidimensionnelles, ainsi que la combinaison des différentes échelles d’observation entre elles pour une vue holistique des phénomènes étudiés. En particulier l’imagerie corrélative permet de fusionner les informations afin de renforcer la caractérisation des populations cellulaires, mais également de valider ou d’entraîner des classifications par IA. L’IA ouvre également une voie pour acquérir ces données de manière plus ciblée, en automatisant les acquisitions pour détecter et se concentrer sur les régions et les évènements d’intérêts. Ces avancées technologiques offrent des opportunités passionnantes pour l'avancement de la recherche biomédicale et l'amélioration des diagnostics médicaux.

Dr. Michaël Chassé, Professeur agrégé - Médecin intensiviste, Épidémiologiste, Biostatisticien, CHU de Montréal, QC, CITADEL

Spécialisé dans les sciences de la santé, l'épidémiologie, la biostatistique, la bioinformatique et l’apprentissage automatique

Les défis de l’intégration de l’IA au chevet du patient vu par un médecin intensiviste - "data scientist"

Michaël Chassé, médecin spécialiste en soins intensifs au Centre hospitalier de l'Université de Montréal (CHUM), apportera son expertise en tant que praticien de la médecine et chercheur spécialisé dans l'utilisation de données pour améliorer les soins de santé. En tant qu'intensiviste, le Dr. Chassé abordera les enjeux complexes liés à la prise en charge des patients critiques et expliquera comment les données massives générées dans ces environnements peuvent être exploitées de manière significative pour améliorer les résultats cliniques. Michaël Chassé partagera également ses expériences en tant que "data scientist" au sein du Centre hospitalier de l'Université de Montréal, où il occupe un poste de responsable scientifique au sein du Centre d'intégration et d'analyse des données médicales (CITADEL). En tant que praticien et chercheur, le Dr. Chassé discutera de la manière dont il intègre les méthodes d'analyse de données avancées dans sa pratique médicale quotidienne et comment cela peut transformer la prestation des soins. La conférence mettra en évidence le rôle crucial de la collaboration entre les professionnels de la santé, les scientifiques des données, les épidémiologistes et d'autres experts pour exploiter le plein potentiel de l'Intelligence Artificielle. Il partagera des exemples concrets de projets où l'IA a été utilisée avec succès pour améliorer les résultats cliniques et optimiser les processus de soins au CHU de Montréal.

Pr. Diana Mateus, Professeure des Universités - Enseignante Chercheure, École Centrale Nantes, LS2N - Responsable du Pôle Signaux, Images, Ergonomie et Langues

Spécialisée dans l'analyse de l'imagerie médicale

Reconstruire les Images Médicales grâce aux Réseaux de Neurones Profonds

Les images constituent un pilier dans la pratique médicale d'aujourd'hui. Alors que le nombre, les dimensions, la résolution et la diversité des images continuent d'augmenter rapidement, la disponibilité d'experts médicaux capables d'acquérir, de traiter ou d'analyser les images est mise à l’épreuve. De nombreux exemples réussis ont montré comment l’apprentissage profond peut assister les experts lors de tâches de classification, de détection et de segmentation. Parmi ces exemples, certaines solutions permettent aujourd’hui de surmonter les défis liés à la taille relativement réduite des ensembles de données et aux annotations coûteuses. Néanmoins, une autre façon moins explorée d’assister l’imagerie médicale est en améliorant l’acquisition. Cette présentation se focalisera sur une utilisation alternative des réseaux neuronaux pour l'imagerie médicale, qui intervient dans le processus convertissant les quantités mesures par la machine en images interprétables (reconstruction). Nous explorerons certains biais de représentation inhérents aux réseaux neuronaux convolutionnels non supervisés, permettant à de tels modèles de débruiter, de recaler ou de reconstruire des images TEP (Tomographie par Émission de Positons). Nous présenterons également des résultats préliminaires sur l’adaptation d’un modèle neuronal génératif de type diffusion, pour débruiter ou reconstruire des images échographiques.

Mira Rizkallah, Maître De Conférence, École Centrale Nantes, LS2N - SIMS

Spécialisée dans la théorie des graphes, compression de données, codage d'images, optimisation, théorie de la distorsion, transformations, entropie, géométrie, vidéo, réseaux de neurones.

Les graphes en biomédecine et santé: de la representation à l'apprentissage

Les réseaux - ou les graphes - sont des représentations universelles de systèmes d'éléments en interaction. Ces derniers sont omniprésents en biologie et en médecine, qu'il s'agisse de cartes d'interactions à l’échelle d’un individu ou à l'échelle de la population. À l’échelle individuelle, ils peuvent représenter, par exemple, des interactions entre différentes protéines, des réseaux entre multiple lésions, des voies de signalisation, des connectivités fonctionnelles entre régions cérébrales etc. Dans cette présentation, je me focaliserai sur quelques avancées méthodologiques qui tirent parti de la théorie des graphes, afin de représenter différentes types d’interactions dans différents contextes. À l’issue de l’apprentissage automatique profond sur les graphes construits, leur topologie est incorporée dans des espaces vectoriels compacts constituant une base de descripteurs pertinents de différentes conditions dans des contexts variés. Des résultats de recherche sur trois applications privilégiées seront présentées et ceci avec trois graphes différents: le diagnostic précoce du cancer du sein avec un graphe qui représente une mammographie, une aide au pronostic(i.e. la prédiction d’une réponse d’un traitement) avec un graphe qui représente un ensemble de lésions, et une classification en temps réel de charge mentale de patients en réhabilitation avec un graphe de connectivité fonctionnelle cérébrale.