Automne 2020

La prédiction de la structure secondaire d'une séquence d'ARN non-codant est importante. En effet, la structure que prend une séquence d'ARN détermine généralement la fonction de cet ARN au sein de la cellule. Avec la quantité grandissante de données de séquençage d'ARN, il est nécessaire de développer des algorithmes de prédiction de structures secondaires d'ARN applicables à grande échelle et donnant des résultats de grande précision. Je présenterai l'outil aliFreeFoldMulti basé sur une méthode d'apprentissage non supervisée qui permet de prédire une structure secondaire pour chacune des séquences d'ARN d'un ensemble d'ARN homologues, sans avoir recours à des algorithmes d'alignement multiple de séquences ou de structures.

At present, there is an increased demand for accurate and personalized patient monitoring because of the various challenges facing health care systems. For example, rising costs and lack of physicians are two serious problems affecting the patient’s care. Nonintrusive vital signs monitoring is a potential solution to close current gaps in patient monitoring. Bed-embedded ballistocardiogram (BCG) systems can help physicians identify cardiac arrhythmia and obstructive sleep apnea (OSA) nonintrusively without interfering with the patient’s daily activities. Specifically, detecting OSA using BCG systems is gaining popularity among researchers due to its simple installation and accessibility, that is, their nonwearable nature. Microbend Fiber Optic Sensors (MFOS), among other sensors, have proven efficient in detecting ballistic forces correlated with heart movements. They are also moderately small, lightweight, and economical. As a result, they become popular in contactless vital signs monitoring. This talk aims to present and discuss the efficacy of MFOS for nonintrusive vital signs (namely, heart rate and respiratory rate) and sleep apnea detection in real-life settings. 

L’imagerie par résonance magnétique de diffusion (IRMd) est une modalité à la fois puissante et non invasive permettant de mesurer le mouvement des molécules d’eau dans les tissus du corps humain selon différentes orientations. De ces images, on peut en déduire la structure de la matière blanche grâce à un processus nommé tractographie.

La tractographie reconstruit virtuellement les fibres de la matière blanche en la parcourant via des modèles locaux caractérisant la structure sous-jacente. Par contre, l’inhérente complexité de la matière blanche implique qu’un algorithme de tractographie doit sans cesse prendre des décisions sur la direction à prendre, décisions souvent erronées. Les algorithmes de tractographie sont particulièrement sensibles dans les régions de la matière blanche où les axones s’entrecroisent. On peut voir la tractographie comme tentant de reconstruire des chemins dans un labyrinthe, sauf que beaucoup de chemins s’entrecroisent et la destination est possiblement multiple et souvent inconnue.

Dans le but d’améliorer les algorithmes de tractographie, certains auteurs leur ont adjoint des réseaux neuronaux artificiels. Malheureusement, ceux-ci doivent être entraînés à l’aide de données « vérité terrain » extrêmement difficiles à obtenir en raison de la nature « in-vivo » de la matière blanche. La méthode la plus courante est de se servir d’algorithmes « classiques » afin de produire une vérité terrain, mais les problèmes connus avec ceux-ci vouent les algorithmes par apprentissage profond à reproduire les mêmes erreurs.

L’apprentissage par renforcement profond est une forme d’apprentissage automatique fonctionnant sans l’apport d’une vérité terrain. Ainsi, le réseau de neurones (appelé « agent intelligent ») apprend de façon autonome en interagissant avec son environnement par un processus d’essai-erreur. À chaque action posée, l’agent reçoit de l’environnement une récompense (positive ou négative) caractérisant la qualité de l’action posée. Par exemple, on peut imaginer un robot apprenant à marcher, où chaque action correspond à la force appliquée à ses joints, celui-ci étant récompensé pour sa distance parcourue. Au final, le but de l’agent est d’adapter son comportement afin de maximiser les récompenses cumulées.

Dans cette présentation, j’introduirai les domaines de la tractographie et de l’apprentissage par renforcement profond et montrerai comment ce dernier peut être utile afin de concevoir de nouveaux algorithmes de tractographie égalant ou battant l’état de l’art, en tirant avantage de la puissance des réseaux neuronaux, mais sans dépendre d’une vérité terrain biaisée ou impossible à obtenir.

La majorité des personnes aînées souhaitent vieillir à domicile ou à proximité de leur milieu de vie. Ce désir correspond à la notion de « vieillir chez soi », soit la francisation du concept de « Aging in place ». Celui-ci renvoie au désir des personnes aînées de vivre au sein de leur communauté, tout en maintenant un certain degré d'autonomie, plutôt que dans une « résidence pour personnes aînées » (Wiles et al., 2012). Or, plusieurs aînés présentent une perte graduelle de leur autonomie fonctionnelle en vieillissant, ce qui soulève souvent de nombreux défis d’ordre adaptatif mettant en péril la possibilité de demeurer « chez soi » (Baltes et Baltes, 1993). À cet effet le réseau social personnel, par le soutien social qu’il offre à la personne aînée, constitue une ressource clé du « vieillir chez soi » (Chappell et Funk, 2011). Celui-ci se définit comme l'ensemble des contacts personnels par lesquels l'individu reçoit un soutien instrumental (aide matérielle et/ou service), émotionnel (soutien moral ou affectif) et informationnel (renseignement, conseil, avis) (Berkman et al., 2014). Toutefois le réseau social personnel est fragilisé en vieillissant, notamment de par une diminution de sa taille et de l’importance du soutien qu’il offre (Herrmann et Robine, 2007). Nous nous intéressons aux moyens susceptibles de le potentialiser afin de faciliter le « vieillir chez soi ». À ces fins, nous proposons une conceptualisation novatrice, soit le réseau de connexions instrumentées (RCI). S’inscrivant dans une posture interdisciplinaire, celui-ci permet une analyse des activités d’usage dans une perspective « réseau ». Au regard de notre objet de recherche, il permet de rendre compte des principaux moyens faisant partie du réseau de la personne aînée et de documenter les principales activités qu’elle réalise afin de vieillir à domicile. Les apports associés à cette conceptualisation sont de deux ordres : 1) Aider à établir une cartographie des réseaux analysés afin de faire ressortir les besoins et « manques à combler »; 2) Offrir une perspective interdisciplinaire au profit du « vieillir chez soi ».

Au sein d’une organisation, de même qu’entre des organisations, il y a plusieurs intervenants qui doivent prendre des décisions en fonction de la vision qu’ils se font de l’organisation concernée, de son environnement et des interactions entre les deux. Dans la plupart des cas, les données sont fragmentées en plusieurs sources non coordonnées ce qui complique, notamment, le fait de retracer leur évolution chronologique. Ces différentes sources sont hétérogènes par leur structure, par la sémantique des données qu’elles contiennent, par les technologies informatiques qui les manipulent et par les règles de gouvernance qui les contrôlent. Dans ce contexte, un système de santé apprenant (Learning Health System) a pour objectif d’unifier les soins de santé, la recherche biomédicale et le transfert des connaissances, en offrant des outils et des services pour améliorer la collaboration entre les intervenants; l’optique sous-jacente à cette collaboration étant de fournir à un individu de meilleurs services qui soient personnalisés.

Les méthodes classiques de construction de modèle de données sont fondées sur des règles de pratique souvent peu précises, ad hoc, non automatisables. L’extraction des données d’intérêt implique donc d’importantes mobilisations de ressources humaines. De ce fait, la conciliation et l’agrégation des sources sont sans cesse à recommencer parce que les besoins ne sont pas tous connus à l’avance, qu’ils varient au gré de l’évolution des processus et que les données sont souvent incomplètes. Pour obtenir l’interopérabilité, il est nécessaire d’élaborer une méthode automatisée de construction de modèle de données qui maintient conjointement les données brutes des sources et leur sémantique.

L’Institut quantique de l’UdeS met à la disposition des chercheuses, des chercheurs et de la communauté étudiante de l’Université l’accès aux ordinateurs quantiques d’IBM Q via l’Espace IBM Q. Cet Espace est le premier hub de programmation quantique d’IBM Q au Canada et le 14e au monde. Portée par de nombreuses percées scientifiques et techniques, l’informatique quantique est en plein essor. Le potentiel du quantique pour résoudre des problèmes, dont la complexité dépasse la capacité de calcul des super ordinateurs classiques, ouvre la voie à plusieurs champs d’applications notamment en biochimie, finance, logistique ainsi qu’en intelligence artificielle. L’expertise, la complexité et les infrastructures demeurent des obstacles importants pour la plupart des entreprises et des institutions de recherche qui désirent explorer et développer des applications basées sur le calcul quantique. La communauté de l’UdeS a la chance unique d’avoir accès à ces systèmes. Venez en apprendre plus sur les potentiels qu’offrent la programmation quantique et comment accéder aux systèmes d’IBM Q.

Dans le domaine médical, l’amélioration de nos connaissances et les avancées technologiques permettent d’obtenir de plus en plus d’informations sur l’état d’un patient, et ouvrent la voie à une médecine personnalisée. Cependant, cela complexifie la prise en charge des patients par l’équipe médicale qui doit pouvoir gérer efficacement les données disponibles. Il est donc important de développer des outils d’assistance qui permettent aux cliniciens de tirer le meilleur parti de ces données pour prendre leurs décisions et améliorer les procédures de soin. 

L’aide au personnel médical peut intervenir à différents moments du parcours de soin du patient : pour la pose du diagnostic, pour la sélection du traitement, pour l’intervention médicale en tant que telle ou pour le suivi du patient.

Cet exposé se concentrera sur le cas du cancer du foie. Il présentera dans un premier temps des systèmes d’amélioration pour différentes procédures médicales, puis exposera certaines voies à explorer pour optimiser la collecte et l’utilisation des données médicales dans le cadre de cette pathologie. 

Malgré une révolution des outils informatiques d’analyse d’images accessibles aux équipes médicales au cours de la dernière décennie, due notamment aux réseaux de neurones artificiels, l’utilisation routinière des nouvelles technologies pour assister les médecins dans leur travail est encore limitée par des problématiques diverses de fiabilité. C'est particulièrement vrai dans le cas des modalités d'images les plus utilisées en imagerie cardiaque: l'IRM et l'ultrason.

Nous avons donc travaillé à développer des outils d'analyse d'images médicales cardiaques plus précis, plus rapides et plus fiables en routine clinique. Dans cet exposé, nous présenterons un nouvel outil de segmentation basé sur un réseau de neurones de type « auto-encodeur » qui s'attaque au problème de fiabilité d'analyse des images cardiaques, tout particulièrement une tranche de 10 à 15 % de cas plus difficiles, pour lesquels les résultats des approches automatiques sont aberrants pour les médecins. Cette méthode vise à offrir des garanties de performance minimale pour ces cas problématiques, dans la perspective de lever la barrière à l’adoption généralisée de techniques d’intelligence artificielle en imagerie médicale.