ATLAS

 

Action ATLAS

Apprentissage et opTimisation Large-échelle : Application à la Santé

Responsables

Thématiques

Apprentissage de représentations, optimisation pour l’apprentissage, calcul haute performance et deep learning

Données concernées

Données médicales

Mots clés

Fouille de données, apprentissage statistique, optimisation, traitement d’images, apprentissage de représentations, calcul haute performance pour l’apprentissage statistique, données médicales

Contexte scientifique

Avec l’augmentation du volume et de la complexité des données relatives aux soins, il existe un vrai défi pour la pratique clinique et la recherche médicale, où les approches conventionnelles ne peuvent pas exploiter les informations disponibles. Les hôpitaux stockent des centaines de millions de fichiers, nombre qui a augmenté de manière exponentielle au cours de la dernière décennie. Les fournisseurs de soins de santé se tournent vers les dossiers de santé électroniques, les lames de laboratoire numérisé et les images et vidéos de radiologie à haute résolution. Ajoutons à cela les pétaoctets de données stockées dans les bases de données des réclamations des compagnies d’assurance maladie et les archives de la recherche universitaire et pharmaceutique, ainsi que les milliards de données transmises en continu par des capteurs portables – suivis d’activité, dispositifs de surveillance continue du glucose et défibrillateurs implantables. En outre, ces données sont de plus en plus complexes, par exemple hétérogènes et/ou présentant une structure de dépendance qu’il convient d’être capable de modéliser.

De toute évidence, il faudra des décennies à un être humain pour analyser cette quantité de données et en extraire des informations utiles.

C’est dans ce cadre que se place l’action ATLAS, en plein dans les thématiques du GdR.

 

Visitez le site web de l’Action ATLAS


Évènements à venir