DELPHIDay - Mira Rizkallah - Les graphes en biomédecine et santé
Key | Action |
---|---|
K or space | Play / Pause |
M | Mute / Unmute |
C | Select next subtitles |
A | Select next audio track |
V | Show slide in full page or toggle automatic source change |
left arrow | Seek 5s backward |
right arrow | Seek 5s forward |
shift + left arrow or J | Seek 10s backward |
shift + right arrow or L | Seek 10s forward |
control + left arrow | Seek 60s backward |
control + right arrow | Seek 60s forward |
shift + down arrow | Decrease volume |
shift + up arrow | Increase volume |
shift + comma | Decrease playback rate |
shift + dot or shift + semicolon | Increase playback rate |
end | Seek to end |
beginning | Seek to 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 électronique.
Informations sur ce média
Nombre de vues :
2Date de création :
oct. 11, 2023Intervenants :
Joëlle MARTIN-GAUTHIERDescription
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.