L'intelligence artificielle vous en avez déjà sûrement entendu parler et vous savez que son impact sur tous les secteurs économiques apporte de l'innovation et transforme les métiers. Le secteur de la santé n'est pas une exception. Ce secteur a aussi la particularité d'être complexe, surtout en France, car la protection de la donnée médicale est particulière et délicate. La question se pose forcément : Trop de réglementation tue-t-elle l'innovation ? Toutes ces questions sont valides et le débat est aujourd'hui plus que nécessaire. Pourtant, peu de spécialistes de la santé savent ce qu'est l'intelligence artificielle, et encore moins comment ça marche et à quoi ça sert. Si vous êtes un professionnel de la santé et que vous voulez mieux comprendre le sujet, ainsi que les enjeux qui vont transformer votre métier, cette conférence va vous permettre de démystifier le sujet et vous donner des pistes de réflexion ! Au programme : 1- C'est quoi l'intelligence artificielle et comment ça marche 2- Cas concrets d'utilisation d'intelligence artificielle dans le secteur de la santé: > La lutte contre le Coronavirus > L'identification automatique du cancer de peau > La prédiction du risque cardiovasculaire > La prédiction des épidémies > Le traitement personnalisé > La planification de radiothérapies > La prédiction automatique de l'Alzheimer 3- Le futur du travail et les enjeux en France

1. CONFÉRENCE
L’innovation dans le secteur de
la santé grâce à l’IA
Aidez l’OPIAF en
remplissant ce formulaire
anonyme svp :
https://bit.ly/2ICsCfn

2. VOTRE
CONFÉRENCIER
+33 6 24 76 53 04
camilo@iamondada.com
Camilo Rodriguez
Super-Héros de l’IA

4. C’est quoi l’IA et
comment ça marche ?

5. Qu’est-ce que l’Intelligence Artificielle ?

6. Qu’est-ce que l’intelligence ?

7. La vision humaine

8. La vision humaine peut nous tromper

9. La vision humaine peut nous tromper

10. La vision humaine peut nous tromper
nuage ou neige?
nuage

14. Cycle de vie d’un projet data science
Identification
du problème
business
Collecte de
données
Analyse et
exploration
de données
Modélisation
des données
Partage et
communication
des résultats
Mise en
production
Surveillance
et feedback
Prêt ?

16. Function isThisAnApple(picture)
{
if(picture.color == ”red”)
{
if(picture.form == “round”
{
Return True;
}
}
Return False;
}

18. Function isThisAnApple(picture)
{
if(picture.color == ”red” OR picture.color == “green”)
{
if(picture.form == “round” OR picture.form == “roundWithBite”)
{
if….
}
if(picture.texture == “soft” ) OR if(picture.other = “yes”))
{
if…
if...
{
if...
if...
}
}
}
If…
if...
}

19. Développement classique
Règles
Données
Résultats
Machine learning
RèglesDonnées
Nouvelles
données
Résultats

20. Pomme?

21. Pomme ?
(X% erreur)

22. Machine
learning
=
Maths et
statistiques
Informatique
+
Données
+

24. Intelligence artificielle
Machine Learning
Logiciels qui
imitent
l’intelligence
Logiciels qui exploitent la
donnée avec les maths et
les statistiques
Deep Learning
Réseaux de neurones
artificiels profonds
Data Science
L’art d’extraire des
informations des
données brutes

25. “L’intelligence artificielle est ce que n’a pas
encore été fait par une machine”
Douglas Hofstadter

26. À quoi ça sert dans le
secteur de la santé?

27. Cancer ?

28. 129.450 images

29. 95% de précision

31. La technique de la “segmentation”

34. Taux de précision de 56%
RiskFactors = (ln(Age) * AgeFactor) + (ln(TotalChol) *
TotalCholFactor) + (ln(HDLChol) * HDLCholFactor) +
(ln(SysBP) * SysBPFactor) + Cig + DM - AvgRisk
Formule de Framingham

35. Dataset de 45.579 patients
212 variables
5 algorithmes de machine learning (SVM , AdaBoost, Naive Bayes,
Régression logistique et Likelihood Ratio Test) ont été entraînés en
comparés á la méthode de Framingham*

38. Les méthodes classiques de veille sanitaire reposent sur des données fournies par les
docteurs, les hôpitaux et les laboratoires
Données de haute qualité et précision, mais souvent pas assez rapides

40. Collecte des tweets
contenant des mots clés
Pertinent
“Je me sens malade”
“Je crève la grippe”
“J’ai la fièvre, je
reste chez moi”
Non-Pertinent
“Protégez-vous du
virus de la grippe”
“La grippe est une
maladie à prendre
au sérieux!”
Identification en temps
réel des épidémies

41. Études sur le sujet
Lampos V, Cristianini N. “Tracking the flu pandemic by monitoring the social web”. In: 2010 2nd International Workshop on Cognitive Information Processing
Broniatowski DA, Paul MJ, Dredze M. “National and local influenza surveillance through twitter: an analysis of the 2012-2013 influenza epidemic”. PLoS ONE. 2013
Santos JC, Matos S. “Analysing twitter and web queries for flu trend prediction”. Theor Biol Med Modell. 2014
Cui X, Yang N, Wang Z, Hu C, Zhu W, Li H, Ji Y, Liu C. “Chinese social media analysis for disease surveillance”. Pers Ubiquit Comput. 2015
Lamb A, Paul MJ, Dredze M. “Separating fact from fear: Tracking flu infections on twitter”. In: HLT-NAACL;2013
Santillana M, Nguyen AT, Dredze M, Paul MJ, Nsoesie EO, Brownstein JS. “Combining search, social media, and traditional data sources to improve influenza
surveillance”. PLoS Comput Biol. 2015
Ritterman J, Osborne M, Klein E. “Using prediction markets and twitter to predict a swine flu pandemic”. In: 1st International Workshop on Mining Social Media:
2009
“Epidemic Outbreak Prediction Using Artificial Intelligence”. International Journal of Information Technology and Computer Science Vol 10(No. 4):49-64 · August
2018 Authors: Nimai Chand Das Adhikari, Arpana Alka, Vamshi Kumar Kurva, Setty Suhas, Hitesh Nayak, Kumar Rishav, A. K. Nayak, S. K. Nayak
………...

42. Challenges
Collecte de données (filtres et règles des réseaux sociaux)
Dimensions des datasets
Langage utilisé dans les réseaux sociaux (informel et fautes d'orthographe)
Hétérogénéité de la donnée (âge, langage, fréquence de messages,
Biais (les utilisateurs des réseaux sociaux ne sont pas nécessairement représentatifs de la population
Consistance de la donnée (twitter ne permet pas le partage des datasets collectés)
Localisation du message n’est pas très fiable
Comptes de spam

44. Pas tous les patients peuvent se permettre de payer pour un “deuxième avis”
Trop de données et d’études publiés
Impossible pour les Docteurs de lire et analyser toute la littérature disponible
Les patients et leurs familles sont de plus en plus critiques vis-à-vis des traitements proposés

45. Entraînement d’un modèle pour la recommandation des traitements
(pas trop d’information disponible)
Base de données grandissante sur les recherches médicales.
Analyse du langage naturel des articles.

47. IBM Watson for Oncology est actuellement utilisé par plus de 230 hôpitaux dans le monde
mais...

48. Outil de support pour les médecins
Element rassurant pour les patients (deuxième avis)
Un outil n’est pas censé remplacer un humain

49. Figure de Rey-Osterrieth
Test neuropsychologique utilisé pour l’évaluation des fonctions exécutives
Composée de 18 éléments organisés en 3 parties

50. Dataset de 750 images avec leur diagnostique

51. Défi: Entraîner un modèle capable de prédire un diagnostique à partir d’une image
Alzheimer type XX
Travail en cours...

53. Prédiction

54. Detection

55. Recherche d’un traitement et/ou un vaccin

56. Le futur du travail et
les enjeux en France

57. Les enjeux actuels en France
Réglementation spécifique pour la collecte, le traitement et le stockage de la donnée médicale
Problématique de l’approche de “la boîte noire”
Manque d’éducation (IA) pour les professionnels du secteur de la santé
Peu de partage de données entre les acteurs
Dans le medicine, l’intuition reste un facteur incontournable

61. 85% des emplois de 2030 n'existent pas aujourd'hui...

63. Un écosystème et un programme
pour développer des supers pouvoirs
grâce à l’intelligence artificielle

64. 4 ateliers d’1 journée pour développer ses pouvoirs
individuellement ou en entreprise
-ACCULTURER-
Tout public
5 à 12 pers
-CRÉER-
Tout public
5 à 12 pers
-PROGRAMMER-
Savoir coder
5 à 12 pers
Atelier découverte
intelligence
artificielle .com
Atelier
créer une IA
Atelier
Deep Learning .com
● Comprendre ce qu’est l'IA,
à quoi ça sert, comment
l’utiliser
● Créer une IA capable
d’analyser et classifier des
images toute seule !... ce sans
avoir aucune connaissance
technique
● Comprendre ce qu’est l’IA
et ses cas d’usage
● Expérimenter des démos
● Co-créer ensemble un
projet grâce au Design
Thinking
● Structurer le
développement : étapes,
outils, équipe, budget
● Comprendre ce qu’est le
Deep Learning, comment ça
fonctionne, ses cas d’usage
● Coder un réseau de
neurones profond avec
TensorFlow (librairie Google)
● Pratiquer sur un vrai cas
LES CAS D’USAGE PRÉSENTÉS EN ATELIERS PEUVENT ÊTRE CIBLÉS SUR UN SECTEUR ET/OU MÉTIER
-ANALYSER-
Tout public
5 à 12 pers
Atelier
Data Science
● Se mettre dans la peau
d’un Data Scientist :
identifier la problématique,
collecter la data, analyser et
explorer la data, modéliser la
data
● Pratiquer sur un vrai cas

65. Formations du samedi 4 avril 9h-17h
Prix : 220 €

66. www.iamondada.com
. Digital Innovators
. Machine Learning Paris
Suivez les dates des évènements
IA C’EST MON DADA

67. Qu’est-ce qui
vous a inspiré ?
https://bit.ly/38Esvuv

68. Camilo Rodriguez
Super héros de l’intelligence artificielle
+33 6 24 76 53 04
camilo@iamondada.com
Halszka de Breza
Super héroïne de la création d’expériences avec l’IA
+33 6 71 61 38 05
hk@iamondada.com
www.iamondada.com