- Trainer/in: Alban Bornet
- Trainer/in: Sohrab Ferdowsi
- Trainer/in: Douglas Teodoro
- Trainer/in: Yamil Vindas Yassine
Ce cours est conçu pour les étudiants intéressés par l’application de l’apprentissage automatique (« machine learning ») au domaine de la santé.
Le cours présentera aux étudiants les fondamentaux de l’apprentissage automatique, comprenant l’apprentissage supervisé, non supervisé et profond (« deep learning »). Le cours montrera comment ces algorithmes transforment le secteur de la santé avec des exemples concrets : systèmes d’aide à la décision clinique, l’analyse d’images médicales et génomique.
Les étudiants seront également initiés aux grands modèles de langage (« Large Language Models » - LLMs), tels que ChatGPT ou Gemini. Ils apprendront à les utiliser pour des tâches basées sur le traitement du langage naturel (« Natural Language Processing » - NLP), appliquées au contexte clinique, notamment la prédiction des codes de diagnostic, la génération ou la structuration de notes cliniques ou l'analyse de données d'essais cliniques.
Durant le semestre, les étudiants auront l’opportunité de proposer des projets concrets appliqués à des ensembles de données réels du secteur de la santé. Ils apprendront à évaluer de manière critique la performance des modèles et à interpréter leurs résultats.
À la fin du cours, les étudiants maîtriseront les principes de l'apprentissage automatique et de ses applications au domaine de la santé. Ils seront dotés des compétences et des connaissances nécessaires pour aborder des problèmes complexes de santé à l'aide de ces techniques avancées.
Objectifs
- Comprendre les principes fondamentaux de l'apprentissage automatique et ses applications dans le domaine de la santé.
- Identifier et appliquer les techniques d'apprentissage automatique supervisé et non supervisé pour résoudre des problèmes médicaux.
- Exploiter le traitement du langage naturel (NLP) et les grands modèles de langage (LLM) pour aborder des défis concrets et spécifiques à la médecine.
- Evaluer de manière critique la performance des modèles d'apprentissage automatique et interpréter leurs résultats en fonction du contexte d’application médicale.
Modalités pédagogiques
- Cours magistraux
- Séances de travaux dirigés en petits groupes
- Projets de groupe encadrés en groupe encadrés par des enseignants
- Études de cas concrets
Modalités d’examens
- Participation active & orale (présentation préparée par le groupe d’étudiants)