Formation IA en santé

Leçon 1 • Historique de l'IA dans le domaine de la santé

Retrace les jalons de l'IA, des premiers systèmes experts aux réseaux de neurones modernes en médecine. Fournit un contexte pour comprendre les capacités et les limites actuelles.

Leçon 2 • Qu'est-ce que l'intelligence artificielle ?

Définit l'IA, l'apprentissage automatique et l'apprentissage profond à l'aide d'exemples médicaux. Établit les bases des chapitres suivants en créant un vocabulaire commun.

Leçon 3 • Aperçu des principales techniques d'IA

Présente l'apprentissage supervisé, non supervisé et par renforcement à un niveau conceptuel. Prépare le terrain pour une couverture technique plus approfondie dans les chapitres suivants.

Leçon 4 • Types de données médicales

Passe en revue les données structurées, non structurées et multimodales générées en milieu clinique. Prépare les apprenants à faire correspondre les types de données aux méthodes d'IA appropriées.

Leçon 1 • Techniques de prétraitement des données

Applique la normalisation, le codage et l'imputation aux ensembles de données cliniques brutes. Produit des entrées prêtes pour l'analyse requises par les chapitres de modélisation à venir.

Leçon 2 • Confidentialité et sécurité des données

Aborde la dépersonnalisation, le chiffrement et le contrôle d'accès pour les données de santé sensibles. Assure la conformité avec les principes de confidentialité des patients au cœur de tous les projets d'IA.

Leçon 3 • Qualité et validation des données

Identifie les problèmes de qualité courants tels que les valeurs manquantes, les doublons et le bruit d'étiquetage. Enseigne des stratégies de validation qui préviennent les erreurs en aval du modèle.

Leçon 4 • Ingénierie des caractéristiques pour les données cliniques

Transforme les variables brutes en caractéristiques informatives qui améliorent la performance du modèle. Fait le pont entre la préparation des données et les méthodes d'apprentissage automatique présentées ensuite.

Leçon 1 • Évaluation et validation des modèles

Mesure la performance des modèles à l'aide de métriques cliniques et de stratégies de validation croisée. S'assure que les modèles répondent aux normes de précision et de fiabilité avant le déploiement.

Leçon 2 • Apprentissage non supervisé dans la stratification des patients

Applique le regroupement et la réduction de dimensionnalité pour découvrir des sous-groupes de patients. Permet les tâches de phénotypage lorsque les données étiquetées ne sont pas disponibles.

Leçon 3 • Gestion des ensembles de données cliniques déséquilibrés

Aborde le déséquilibre des classes courant dans les ensembles de données sur les maladies rares et les événements indésirables. Applique des méthodes de rééchantillonnage et des méthodes sensibles aux coûts pour améliorer la détection des classes minoritaires.

Leçon 4 • Modélisation de la régression et du pronostic

Utilise des techniques de régression pour prédire des résultats continus comme la durée de séjour. Étend les compétences de classification à la prédiction clinique quantitative.

Leçon 1 • Fondements des réseaux de neurones

Explique les neurones, les couches, les fonctions d'activation et la rétropropagation en termes accessibles. Fournit la base théorique pour toutes les sections sur l'apprentissage profond qui suivent.

Leçon 2 • Performance et limites de l'IA en imagerie

Évalue les modèles d'imagerie à l'aide de métriques radiologiques et identifie les modes de défaillance. Prépare les apprenants à évaluer de manière critique les outils d'IA avant leur adoption clinique.

Leçon 3 • Apprentissage par transfert et modèles pré-entraînés

Adapte les modèles pré-entraînés sur de grands ensembles de données à de petites collections d'imagerie médicale. Réduit le temps de formation et les besoins en données pour les projets d'IA clinique.

Leçon 4 • Anatomopathologie et analyse de lames entières

Applique l'apprentissage profond aux lames d'anatomopathologie en gigapixels pour le classement et la détection du cancer. Étend les compétences en imagerie aux défis distincts de l'anatomopathologie numérique.

Leçon 1 • Prétraitement et représentation du texte

Convertit le texte clinique brut en représentations numériques adaptées à la modélisation. Fait le pont entre les données brutes et les algorithmes de TALN présentés dans les sections suivantes.

Leçon 2 • Caractéristiques du texte clinique

Décrit les caractéristiques uniques du langage médical, y compris les abréviations et la négation. Motive les approches spécialisées en TALN utilisées tout au long de ce chapitre.

Leçon 3 • Reconnaissance et extraction d'entités nommées

Identifie des entités cliniques telles que les diagnostics, les médicaments et les actes médicaux dans le texte. Permet l'extraction de données structurées à partir de la documentation clinique non structurée.

Leçon 4 • Grands modèles de langage dans le domaine de la santé

Applique les LLM à base de transformateurs aux tâches de résumé clinique, de codage et de questions-réponses. Aborde le paradigme du TALN le plus actuel et le plus percutant en médecine.

Leçon 1 • Stratégies d'atténuation des biais

Met en œuvre des techniques de débiaisation en prétraitement, en cours de traitement et en post-traitement. Réduit les écarts de performance entre les groupes démographiques sans sacrifier la précision globale.

Leçon 2 • Détection et vérification des biais

Applique des tests statistiques et des outils de visualisation pour détecter une performance disparate du modèle. Produit des rapports de vérification qui soutiennent l'examen réglementaire et institutionnel.

Leçon 3 • Cadres éthiques pour l'IA médicale

Applique la bienfaisance, l'autonomie, la justice et la non-malfaisance aux décisions de conception de l'IA. Relie le travail technique sur l'équité à l'éthique professionnelle et institutionnelle plus large.

Leçon 4 • Sources de biais dans l'IA médicale

Retrace les origines du biais, de la collecte de données au déploiement du modèle en milieu clinique. Établit pourquoi l'analyse de l'équité est obligatoire avant la mise en service de tout système d'IA.

Leçon 1 • Surveillance post-commercialisation des systèmes d'IA

Conçoit des plans de surveillance continue pour détecter la dérive de performance après le déploiement. Ferme la boucle de validation en reliant les résultats du monde réel aux mises à jour du modèle.

Leçon 2 • Conception d'études de validation clinique de l'IA

Couvre la sélection des critères d'évaluation, la taille de l'échantillon et le choix du comparateur pour les essais d'IA. S'assure que les études génèrent des données probantes qui satisfont aux normes scientifiques et réglementaires.

Leçon 3 • Normes de déclaration et transparence

Applique les lignes directrices établies pour le rapport sur l'IA aux manuscrits et aux documents réglementaires. Favorise la reproductibilité et la confiance dans la recherche clinique publiée sur l'IA.

Leçon 4 • Niveaux de données probantes cliniques pour l'IA

Mappe les données probantes de validation de l'IA, des études rétrospectives aux essais randomisés. Établit la hiérarchie des données probantes attendue par les organismes de réglementation et les cliniciens.

Leçon 1 • Structures de gouvernance et de surveillance de l'IA

Établit des comités, des politiques et des voies d'escalade pour la surveillance continue de l'IA. Crée l'infrastructure institutionnelle nécessaire pour soutenir une utilisation responsable de l'IA.

Leçon 2 • Mesure de l'impact clinique et économique

Évalue l'impact de l'IA à l'aide de mesures de résultats cliniques, d'analyses de coûts et de cadres de retour sur investissement. Démontre la valeur aux dirigeants et justifie l'investissement continu dans les programmes d'IA.

Leçon 3 • Analyse et reconception des flux de travail cliniques

Cartographie les flux de travail existants pour identifier les points d'intégration et reconcevoir les processus autour de l'IA. Empêche l'échec courant de déployer l'IA sans adapter les étapes cliniques environnantes.

Leçon 4 • Gestion du changement et adoption par les cliniciens

Applique des modèles de gestion du changement pour surmonter la résistance et renforcer la confiance des cliniciens envers l'IA. Aborde les facteurs humains qui déterminent le plus souvent le succès ou l'échec de la mise en œuvre.