Prochaine session deeptech Skrub like a pro: clean, prepare and transform your data faster le 23 février – NOUVEAU

Prochaine session executive education Initiation à l’informatique quantique le 25 février – NOUVEAU

Prochaine session état de l’art La cybersécurité des systèmes de contrôle industriel le 10 mars

Prochaine session état de l’art Convergence calcul haute performance et intelligence artificielle le 10 mars – NOUVEAU

Prochaine session deeptech Mapping de données existantes vers des graphes de connaissances RDF le 13 mars – NOUVEAU

Toutes nos formations
apprentissage automatique Intelligence artificielle Santé

Analyse des données de santé sensibles par l’apprentissage fédéré

 Module deeptech 
Ce module vise à former sur les avancées actuelles en matière d’apprentissage fédéré (Federated Learning) pour les applications exploitant des données sensibles dans le domaine de la santé. L’intérêt pour l’apprentissage fédéré était fulgurant dans les dernières années, toutefois l’application de cette technologie à des domaines sensibles, tels que les soins par exemple, reste difficile en raison de la complexité du traitement de données hétérogènes et du partage des données de santé, ainsi que de la difficulté pratique de déployer des architectures fédérées dans le monde réel. © Inria / Photo M. Magnin

Session:

Aucune session disponible actuellement.

Contactez-nous !

Objectifs

L’objectif de ce module consiste à introduire le sujet de l’apprentissage fédéré en fournissant aux apprenants des clefs pour le traitement de l’hétérogénéité dans l’analyse de l’information biomédicale. La session comporte une partie théorique (matin) et une partie pratique (après-midi). Elle introduira au logiciel Fed-BioMed visant à transposer l’apprentissage fédéré aux applications de soins en santé. Logiciel OpenSource développé par Inria et ses partenaires, Fed-BioMed apporte une réponse aux défis majeurs tels que la sécurité, l’extensibilité et l’interopérabilité de l’apprentissage fédéré.

A l’issu de cette formation, les apprenants seront en mesure de : 

  • Comprendre les motivations, les principes fondamentaux, et les limitations de l’apprentissage fédéré dans le domaine de la santé
  • Identifier les enjeux de confidentialité et de sécurité associés aux données médicales
  • Connaitre l’écosystème de l’apprentissage fédéré et les outils existants
  • Utiliser Fed-BioMed pour des expériences simples d’apprentissage fédéré

PUBLIC CIBLE :

  • Développeurs et ingénieurs R&D dans le domaine de la santé qui s’intéressent aux nouvelles méthodes de traitement des données

MOYENS PEDAGOGIQUES MIS EN OEUVRE : 

  • Tout au long de la formation, des quizz conçus avec l’outil Mentimeter permettront aux stagiaires d’évaluer son acquisition des connaissances
  • La session pratique sera réalisée via Google Colab. Chaque participant doit disposer d’un compte Google fonctionnel avant le début de la formation

Pré-requis

  • Connaissance des bibliothèques PyTorch et scikit-learn

Programme

1 – Introduction à l’apprentissage fédéré : fondements théoriques et enjeux (matin)

  • L’apprentissage fédéré dans le domaine de la santé : motivations

  • Principes de l’apprentissage fédéré

  • Algorithmes d’apprentissage fédéré et leurs limites

  • Confidentialité et sécurité

  • Présentation des principaux logiciels dédiés à l’apprentissage fédéré

  • Exemples de déploiements réels

2 – Session pratique avec Fed-BioMed (après-midi)

  • Configuration des nœuds et des jeux de données

  • Exécution d’une expérience complète d’apprentissage fédéré

  • Comparaison des performances centralisées et fédérées

  • Exploration des différents algorithmes d’apprentissage fédéré

  • Application a un problème de vision par ordinateur

Intervenant(s)

  • Marco Lorenzi

    Chercheur Inria

    Chercheur à Inria, Marco Lorenzi est spécialisé dans les méthodes informatiques et statistiques pour l’analyse des données biomédicales et des images cérébrales. Ses recherches actuelles portent sur la modélisation bayésienne et la quantification de l’incertitude, l’analyse des séries temporelles, les modèles de variables latentes et l’apprentissage fédéré.

    @UNICA

  • Francesco Cremonesi

    Ingénieur de recherche Inria

    Ingénieur de recherche et développement à Inria, Francesco Cremonesi allie une formation en neurosciences computationnelles et calcul intensif avec une experience dans la structuration des données médicales et leur analyse avec IA. Ses intérêts de recherche sont autour de le développement et déploiement d’infrastructures fédérées dans la recherche en santé, l’intégration des connaissances du domaine avec des méthodes d’apprentissage, et l’interoperabilité des données

    @coll.privée

  • Lucie Chambon

    Lucie Chambon a une formation en modélisation et en analyse de systèmes dynamiques, appliquées à la biologie et à la médecine. Elle est actuellement ingénieure de recherche à l’Inria au sein de l’équipe Epione, où elle collabore avec l’équipe d’ingénierie Fed-BioMed, des partenaires cliniques et la communauté scientifique. Ses travaux actuels portent sur le développement de méthodes pour l’analyse d’images médicales. » Lucie co-anime plusieurs sessions de formation à destination des universités françaises.

    ©Inria

Les prochaines sessions

1

Projet AI&Health

Cette formation a été développée avec le concours du projet européen AI&Health qui vise à proposer aux professionnels du secteur santé les programmes de formation en intelligence artificielle.

Projet AI&Health
En savoir plus sur le projet AI&Health

Informations pratiques

  • Tarif : 650 € par participant
  • Tarifs dégressifs à partir de 5 personnes (-10% de 5 à 9 inscrits, -20% plus de 10 inscrits)
  • Partenariat avec pôle Aktantis : les entreprises membres du pôle bénéficient d’un tarif privilégié de 500€
  • Durée : 1 journée (6 heures, de 9h à 12h et de 14h à 17h)
  • Lieu : en distanciel
  • Nombre de participants : jusqu’à 12 personnes
  • Langue : la formation peut être délivrée en français ou en anglais en fonction du groupe d’apprenants
  • Privatisation : La privatisation de cette formation est possible au sein d’une même entreprise à partir de dix participants

Découvrir

Demander plus d'informations