Objectifs par rapport aux acquis d'apprentissage du programme

• Comprendre, décrire, analyser et hiérarchiser les phénomènes biologiques.
• Maîtriser des connaissances scientifiques de base et être capable de les exploiter.
• Résoudre des problèmes.
• Maîtriser l'expression des réalités biologiques en valeurs absolues ou relatives, les ordres de grandeurs, les proportions, la probabilité.
• Pouvoir abstraire, comprendre et appliquer la traduction mathématique des grandes lois et phénomènes biologiques.
• Comprendre et pouvoir utiliser les différentes représentations graphiques des valeurs numériques et de leurs relations.
• Maîtriser les approches moléculaires, morphologiques et fonctionnelles des états normaux et pathologiques.
• Maîtriser l'apprentissage du raisonnement physiologique et pharmacologique.
• Maîtriser des protocoles expérimentaux du domaine biomédical.
• Pouvoir intégrer les notions issues de différentes approches/disciplines dans un problème biomédical complexe.
• Pouvoir expliquer comment les modifications moléculaires, morphologiques et fonctionnelles engendrent les états pathologiques et inversement.
• Avoir développé une aptitude au raisonnement
• Connaître et appliquer les principes de base du raisonnement (obtention des données, analyse, synthèse, comparaison, règle de trois, syllogisme, analogie, logique booléenne,...).
• Maîtriser les méthodes statistiques et/ou épidémiologiques.
• Travailler avec efficience/exactitude/précision.
• Pouvoir poser une hypothèse et un raisonnement hypothético-déductif.
• Développer un esprit critique, savoir tester et contrôler ses conclusions, en connaître le domaine de validité, envisager des hypothèses alternatives.
• Pouvoir gérer le doute et l'incertitude.
• Démontrer une capacité relationnelle développée.
• Pouvoir utiliser un vocabulaire riche reliant avec précision les concepts et les mots.
• Pouvoir adapter son choix lexical et syntaxique au registre de la communication (vulgarisation, communication médicale ou scientifique).
• Pouvoir synthétiser, expliciter, argumenter.
• Pouvoir travailler en équipe.
• Pouvoir partager des connaissances et des informations.
• Pouvoir présenter des examens, des rapports et des communications orales.
• Etre capable de gérer les ressources
• Pouvoir gérer son temps.
• Pouvoir établir des priorités.
• Utiliser les ressources informatiques et bibliographiques de base.
• Gérer sa formation
• Etre capable de trouver efficacement une information scientifique.
• Pouvoir comparer différentes sources d'information.
• Savoir lire, interpréter, critiquer un article scientifique.
• Etre capable d'auto-évaluation et de rétroaction.
• Etre ouvert à la recherche et faire preuve de curiosité scientifique.
• Avoir de bonnes connaissances de l'anglais scientifique.
• Etre capable de comprendre et de résumer un article scientifique en anglais.

Acquis d'apprentissage de l'UE

Objectifs pédagogiques : À l'issue de ce module, les étudiants seront en mesure de :
Comprendre et différencier les concepts clés de l'intelligence artificielle (IA), du machine learning et du deep learning.
Passer d'un raisonnement statistique à un raisonnement IA en appréhendant les principes fondamentaux des algorithmes d'apprentissage automatique.
Identifier les principaux types d'apprentissage en machine learning (supervisé, non supervisé et par renforcement) et leurs applications dans le domaine de la santé.
Analyser et choisir les algorithmes appropriés pour résoudre des problèmes spécifiques en santé en fonction des données disponibles et des objectifs de l'analyse.
Acquérir une compréhension de base des techniques de prétraitement des données, de sélection des caractéristiques et de réduction de la dimensionnalité.
Évaluer et interpréter les performances des modèles de machine learning à l'aide de métriques appropriées, telles que la précision, le rappel, le F1-score et la courbe ROC.
Démontrer une compréhension des enjeux éthiques et réglementaires liés à l'utilisation de l'IA dans le domaine de la santé.
 
 

Contenu de l'UE : descriptif et cohérence pédagogique

Module I : Intelligence Artificielle en santé I
Contenu du module :
Introduction à l'intelligence artificielle : Dans cette section, les étudiants seront initiés aux concepts fondamentaux de l'intelligence artificielle (IA), à son histoire, à son évolution et à son importance croissante dans le domaine de la santé. Ils apprendront également à distinguer entre l'IA, le machine learning et le deep learning.
Apprentissage supervisé : L'apprentissage supervisé sera présenté comme l'une des principales approches du machine learning. Les étudiants découvriront les concepts de base tels que les données d'entraînement et de test, les étiquettes et les caractéristiques. Ils se familiariseront également avec des algorithmes courants tels que la régression linéaire, la régression logistique, les machines à vecteurs de support et les arbres de décision, ainsi que leurs applications dans le secteur de la santé.
Apprentissage non supervisé : Cette section portera sur l'apprentissage non supervisé, une autre approche clé du machine learning. Les étudiants apprendront comment les algorithmes non supervisés fonctionnent sans étiquettes de données et découvriront des techniques populaires telles que la classification hiérarchique, le clustering de K-means, les cartes auto-organisatrices et l'analyse en composantes principales. Ils exploreront également comment ces méthodes peuvent être appliquées pour résoudre des problèmes dans le domaine de la santé.
Apprentissage profond : L'apprentissage profond, une sous-catégorie du machine learning basée sur les réseaux de neurones artificiels, sera présenté dans cette section. Les étudiants se familiariseront avec les concepts clés tels que les couches de neurones, les fonctions d'activation et la rétropropagation. Ils étudieront également des architectures de réseaux de neurones populaires, telles que les réseaux de neurones convolutionnels (CNN) et les réseaux de neurones récurrents (RNN), et leur pertinence pour des tâches spécifiques en santé, comme la reconnaissance d'images médicales et l'analyse de séquences génomiques.
Raisonnement incertain : Dans cette dernière section, les étudiants apprendront à gérer l'incertitude et l'imprécision inhérentes aux données médicales en utilisant des techniques de raisonnement incertain. Ils seront initiés à des approches telles que la théorie des probabilités, la théorie des ensembles flous, les réseaux bayésiens et les chaînes de Markov. Les étudiants découvriront comment ces techniques peuvent être appliquées pour prendre des décisions éclairées et modéliser des processus complexes dans le domaine de la santé.
 

Compétences préalables

Aucune