Ce module est consacré aux approches d’apprentissage profond appliquées à l’imagerie médicale, en mettant l’accent sur des cas d’utilisation cliniques en radiologie, pathologie, pneumologie et dans d’autres spécialités. Vous commencerez par étudier les modalités d’imagerie courantes et les exigences de prétraitement qui garantissent des données d’entrée cohérentes et pertinentes pour la modélisation. Vous découvrirez ensuite les réseaux neuronaux convolutifs et la manière dont les hiérarchies spatiales et les champs réceptifs permettent aux modèles d’apprentissage profond de reconnaître des motifs cliniques subtils sur les radiographies, les tomodensitométries et d’autres examens d’imagerie. Vous explorerez les architectures modernes largement utilisées dans les systèmes d’IA cliniques, notamment les réseaux résiduels et les modèles de segmentation. De plus, vous découvrirez des tâches d’imagerie avancées telles que la localisation, la détection et la segmentation, ainsi que des techniques d’explicabilité qui permettent aux cliniciens de comprendre comment ces modèles prennent leurs décisions. Grâce à des travaux pratiques, vous appliquerez ces méthodes directement à des données d’imagerie et évaluerez leur pertinence clinique.

Les notes cliniques contiennent de nombreuses informations contextuelles qui ne sont pas reprises dans les champs structurés du dossier médical électronique (DME). Ce module explore les méthodes permettant d’extraire du sens à partir de textes cliniques non structurés, en commençant par les techniques de prétraitement adaptées au langage médical, telles que la gestion des abréviations, des fautes d’orthographe et des informations de santé confidentielles. Vous étudierez les techniques de représentation classiques et modernes, notamment les méthodes de fréquence des termes, les embeddings et les représentations basées sur les transformateurs. Le module aborde ensuite les applications avancées du traitement du langage naturel (NLP), notamment l’extraction d’entités, la liaison de concepts, la synthèse et la conception d’agents conversationnels cliniques. Un accent particulier est mis sur l’utilisation sûre et responsable des grands modèles linguistiques dans des environnements réglementés. Vous apprendrez à construire des modèles de classification et d’extraction, ainsi qu’à concevoir des stratégies de prompt sécurisées pour un comportement simple de chatbot clinique.

Le dernier module fait la synthèse des techniques d'analyse avancée étudiées tout au long du cours. Vous développerez et évaluerez un modèle binaire de prédiction de maladies à partir de données cliniques structurées. Vous mettrez en œuvre et comparerez deux approches de modélisation différentes afin de comprendre comment le choix du modèle et sa complexité influencent les résultats de prédiction sur un même ensemble de données cliniques. Le cours se termine par un récapitulatif et un examen final, qui replacent ces méthodes avancées dans le contexte plus large des initiatives d'IA dans le domaine de la santé.