DELPHIDay - Martin Vallières - Modélisation intégrative des données hétérogènes pour une meilleure médecine de précision
| Action | Key |
|---|---|
| Play / Pause | K or space |
| Mute / Unmute | M |
| Toggle fullscreen mode | F |
| Select next subtitles | C |
| Select next audio track | A |
| Show slide in full page or toggle automatic source change | V |
| Seek 5s backward | left arrow |
| Seek 5s forward | right arrow |
| Seek 10s backward | shift + left arrow or J |
| Seek 10s forward | shift + right arrow or L |
| Seek 60s backward | control + left arrow |
| Seek 60s forward | control + right arrow |
| Decrease volume | shift + down arrow |
| Increase volume | shift + up arrow |
| Decrease playback rate | shift + comma |
| Increase playback rate | shift + dot or shift + semicolon |
| Seek to end | end |
| Seek to beginning | beginning |
Si vous êtes abonné aux notifications, un e-mail vous sera envoyé pour toutes les annotations ajoutées.
Votre compte utilisateur n'a pas d'adresse e-mail.
Informations sur ce média
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.