École en Science des données et Santé – Novembre 2018

30 Novembre – 1 Décembre 2018

Le domaine de la santé a de grandes quantités de données sous-utilisées de différents types (documents, signaux, images, séquences génétiques, etc.) provenant de nombreuses sources (hôpitaux, pharmacies, gouvernements, laboratoires de recherche, etc.). De plus en plus d’outils sont développés afin d’améliorer le diagnostic, le pronostic et le traitement des patients.

Les développements récents en intelligence artificielle et plus spécifiquement en apprentissage automatique (machine learning) et en apprentissage profond (deep learning) permettent de traiter et d’analyser ces données de façon plus efficace afin de développer de nouveaux outils d’aide à la décision pour les professionnels du domaine de la santé, par exemple:

• aide au diagnostic de maladies par imagerie médicale;
• soins de santé personnalisés;
• découverte de nouveaux médicaments;
• une meilleure analyse des risques;
• …

Cette première école francophone en science des données et santé est co-organisée par l’IRIC, IVADO, le Mila dans le cadre du Laboratoire d’innovation de l’Université de Montréal. Elle s’adresse principalement aux professionnels du domaine de la santé désirant se familiariser avec

1. l’utilisation des données et son impact dans le domaine de la santé;
2. les concepts et méthodes existantes et leur champ d’application en santé;
3. les applications concrètes de ces méthodes dans différents domaines de la santé;
4. les enjeux éthiques et légaux.

Pré-requis

Une formation ou expérience de base dans un domaine de la santé (biologie, médecine, sciences infirmières, sciences vétérinaires …),  ou des sciences (mathématiques, informatique, génie …). 

Inscription

La date limite des inscriptions est le 24 novembre 2018.

• Étudiants: 200$
• Professionnels: 400$

Inscription

Objectifs

Objectifs du premier jour

1. Comprendre l’importance et comment préparer/structurer les données
2. Comprendre les bases de l’apprentissage automatique
3. Comprendre les bases de l’apprentissage profond
4. Permettre aux gens de réfléchir à leurs données en envisageant la façon dont l’apprentissage automatique peut leur être appliqué
5. Connaître les enjeux liés à l’utilisation de données non publiques

Objectifs du deuxième jour

1. Comprendre comment les gens travaillent avec:
   1. Les données génomiques
   2. L’imagerie médicale
   3. Les séries temporelles (réseaux récurrents)
   4. L’extraction de texte
2. Connaître les outils disponibles

Programme préliminaire

Vendredi 30 novembre

Heure	Titre	Intervenant(e)s
8:30	Introduction
8:45	Préparation et gestion des données [PDF]	Tariq Daouda, PhD, IRIC
9:45	Pause
10:15	Comprendre les bases de l'apprentissage automatique [PDF]	Tristan Sylvain, PhD fellow, Mila
11:30	Dîner
12:30	Comprendre les bases de l'apprentissage profond [PDF]	Gaétan Marceau Caron, PhD, Mila
13:45	Pause
14:15	Panel: Enjeux liés à l'utilisation des données dans le domaine de la santé	Modérateur: Yanick Villedieu Intervenants: Lisa Di Jorio, PhD, Imagia [PDF] Mélanie Bourassa Forcier, PhD, Université de Sherbrooke [PDF] Sébastien Giguère, PhD, InVivo AI
15:30	Cocktail
17:00	Fin

Samedi 1er décembre

Heure	Titre	Intervenant(e)s
9:00	Applications: Imagerie médicale [PDF]	Margaux Luck, PhD, Mila
10:00	Pause
10:30	Applications: Séries temporelles [PDF]	Francis Dutil, MSc, Imagia
11:30	Applications: Extraction de texte [PDF]	Joseph Paul Cohen, PhD, Mila
12:00	Dîner
13:00	Applications: données génomique [PDF]	Tariq Daouda, PhD, IRIC
14:00	Bibliothèques et matériel [PDF]	Jeremy Pinto, MSc, Mila
15:00	Fin

Organisation

Matériel complémentaire

• Litjens, Geert, et al. “A survey on deep learning in medical image analysis.” Medical image analysis 42 (2017): 60-88

Lieu

Amphithéâtre BNC, HEC Montréal, Édifice Côte-Sainte-Catherine.

Pour toutes questions au sujet de l’école: formations@ivado.ca