"La machine fait le travail qu'on faisait avant dans notre tête, elle le fait elle-même mais elle ne se trompe pas"
"Des médecins se plaignaient depuis longtemps que cette classification était bien trop compliquée, et lui a émis l'hypothèse qu'une automatisation de la classification permettrait d'arrêter de faire des erreurs."
"Ce qui est intéressant, c’est que cet algorithme n’est pas une boîte noire. Il fournit à l’utilisateur ou l’utilisatrice un arbre décisionnel qui montre à chaque étape la décision qu’il prend en fonction de tel ou tel examen. Et pour estimer sa performance, ils ont comparé les diagnostics de l’IA à ceux d’humains, de médecins en chair et en os" Résultat, l’IA “fait mieux” entre guillemets que les médecins. L’assistant informatique estime qu’il y a dans son jeu de données près de 40 % d'erreurs de diagnostic de rejet.
Apport du langage Python dans un service de recherche hospitalière pour mener des analyses de deep learning
Par Clément Benoist − Salle Rosalind Franklin − Dimanche à 11 h 00
Dans les services hospitaliers de recherche cliniques, l'utilisation de python est peu commune, par rapport à d'autres langages de programmation comme R. Mais le développement du machine learning et du deep learning oriente préférentiellement vers le langage python.
Nous montrerons comment le deep learning permet de résoudre des problématiques médicales. Par exemple, dans le cadre de la transplantation d'un rein chez un patient, le médecin surveille le patient et redoute deux événements graves : le décès du patient et le retour en dialyse (=perte du greffon). Lorsque le greffon rénal ne peut plus accomplir sa fonction, une mise sous dialyse est nécessaire ce qui est très lourd pour le patient et cher pour la sécurité sociale. En effet, la dialyse représente plusieurs séances par semaine de plusieurs heures. Des modèles statistiques et de deep learning codés en python que nous avons développés permettent d'anticiper la défaillance du greffon ce qui permettrait au médecin de suivre de manière plus rapprochée les patients si nécessaire et de retarder voire éviter la perte du greffon et le retour en dialyse associé. Les challenges auxquels nous faisons face sont les suivants : 1) Le machine learning et, a fortiori, le deep learning réclament des puissances de calcul considérables, une mutualisation des ressources et une technologie adaptée sont nécessaires. 2) Le deep learning est performant pour les gros volumes de données, ainsi l'accès aux données de la Sécurité sociale permettra d'obtenir des modèles plus performants.
# Détails
Posté par Maderios . Évalué à 3.
"La machine fait le travail qu'on faisait avant dans notre tête, elle le fait elle-même mais elle ne se trompe pas"
"Des médecins se plaignaient depuis longtemps que cette classification était bien trop compliquée, et lui a émis l'hypothèse qu'une automatisation de la classification permettrait d'arrêter de faire des erreurs."
"Ce qui est intéressant, c’est que cet algorithme n’est pas une boîte noire. Il fournit à l’utilisateur ou l’utilisatrice un arbre décisionnel qui montre à chaque étape la décision qu’il prend en fonction de tel ou tel examen. Et pour estimer sa performance, ils ont comparé les diagnostics de l’IA à ceux d’humains, de médecins en chair et en os"
Résultat, l’IA “fait mieux” entre guillemets que les médecins. L’assistant informatique estime qu’il y a dans son jeu de données près de 40 % d'erreurs de diagnostic de rejet.
[^] # Re: Détails
Posté par Gil Cot ✔ (site web personnel, Mastodon) . Évalué à 3.
Aujourd’hui tout est « y a »
“It is seldom that liberty of any kind is lost all at once.” ― David Hume
[^] # Re: Détails
Posté par Thomas Douillard . Évalué à 2.
C’est de l’apprentissage automatique, c’est effectivement souvent considéré comme une spécialité de l’IA.
# Présentation PyConFR 2023
Posté par jihele . Évalué à 4.
Ça me fait penser à cette présentation à la PyCon.
https://www.pycon.fr/2023/fr/talks/1h.html#apport-du-langage-python-dans
Suivre le flux des commentaires
Note : les commentaires appartiennent à celles et ceux qui les ont postés. Nous n’en sommes pas responsables.