Étudiant.e
Directeur.e(s) de recherche
Jacques Corbeil
Co-researcher
Cécile Capponi
Début du projet
Titre du projet de recherche
Apprentissage automatique supervisé multi-vues pour la résolution de problèmes multi-omiques
Description

La classification supervisée permet de construire des modèles prédictifs basés sur des données complexes pour aider aux processus de décision. Elle a subi un essor impressionnant ces dernières années, notamment grâce aux réseaux de neurones et à l'utilisation de données massives. Cependant, les méthodes mise au point dans ce cadre ne permettent pas de prendre en considération des bases de données dans lesquelles seules quelques instances sont disponibles pour construire le modèle, et encore moins quand ces instances sont décrites par un grand nombre de caractéristiques. Ce type de problème, appelé en anglais "fat data", en opposition aux "big data", est récurrent dans le domaine de la médecine, où l'extraction de données sur un patient a un coût très élevé, mais fourni une grande quantité d'information. De plus dans le domaine médical, il est fréquent d'avoir plusieurs types d'analyses réalisées sur le même patient : génomique, métabolomique, transcriptomique, etc. Ce type de bases de données est appelé multi-omique.

Le but de ce projet est donc d'utiliser et de mettre au point des algorithmes de classification multi-vues pertinents pour le traitement de données multi-omiques "fat". 

Découvrir

Projet en vedette

Membre étudiant : Gabriel Couture

Ce projet consiste à établir les bonnes pratiques en gestion des données de santé et à construire une infrastructure logicielle afin de les appliquer.

Nous avons développé des pipelines qui permettent de récupérer quotidiennement les données de traitements de curiethérapie afin de calculer et stocker leurs indices dosimétriques dans une base de données dédiée à la recherche. Ces indices sont essentiels à la planification des traitements en radiothérapie et à l’estimation de leur qualité.

Lire plus