Projets en cours

Il arrive souvent que le partage de données soit limité par des enjeux de confidentialité. C'est une réalité fréquente dans le domaine de la santé, étant donné la sensibilité inhérente de ce type de données. Lorsque le partage du jeu de données original est impossible, une méthode qu'on peut utiliser est de générer un jeu de données synthétique, qui contient le plus possible une information statistique similaire à celle du jeu de données original, mais qui fournit des données sur de faux individus de façon à protéger la confidentialité des répondants.

Ce projet s'intéresse à mesurer rigoureusement la protection de confidentialité offerte par un jeu de données synthétique. On se penchera attentivement sur quelques mesures proposées dans la littérature, pour comprendre leurs garanties et les différences et ressemblances entre celles-ci dans le but d'identifier la ou les mesures qui seraient les plus pertinentes pour le partage de données synthétiques. 

Il arrive souvent que le partage de données soit limité par des enjeux de confidentialité. C'est une réalité fréquente dans le domaine de la santé, étant donné la sensibilité inhérente de ce type de données. Lorsque le partage du jeu de données original est impossible, une méthode qu'on peut utiliser est de générer un jeu de données synthétiques, qui contient le plus possible une information statistique similaire à celle du jeu de données original, mais qui fournit des données sur de faux individus de façon à protéger la confidentialité des répondants. Une façon de garantir que ces données synthétiques protègent effectivement les répondants, c'est d'utiliser la confidentialité différentielle, une mesure rigoureuse du risque de divulgation d'information confidentielle. 
Ce projet s'intéresse à comment analyser ces jeux de données synthétiques pour obtenir des résultats statistiques valides, les méthodes classiques d'inférence devant être modifiées pour tenir compte de la variabilité additionnelle ajoutée par la génération du jeu de données synthétiques. 
 

Le projet de recherche s’intéresse à l’adaptabilité des règles, principes et dispositifs juridiques encadrant les données de santé, y compris ceux régulant les mécanismes de responsabilité médicale associée, au Canada et en Union européenne.

Il vise à en identifier les faiblesses, et aspire à apporter des solutions de régulation plus adaptées aux réalités de l’intelligence artificielle et conciliant mieux les intérêts privés et publics, individuels, sociaux, commerciaux et sanitaires en jeu. Il permet également de réfléchir à une perception différente du droit étatique et de nos systèmes actuels, aujourd’hui sans réponse satisfaisante.
 

Il arrive souvent que le partage de données soit limité par des enjeux de confidentialité. C'est une réalité fréquente dans le domaine de la santé, étant donné la sensibilité inhérente de ce type de données.

Lorsque le partage du jeu de données original est impossible, une méthode qu'on peut utiliser est de générer un jeu de données synthétique, qui contient le plus possible une information statistique similaire à celle du jeu de données original, mais qui fournit des données sur de faux individus de façon à protéger la confidentialité des répondants. Ce projet s'intéresse à mesurer rigoureusement la protection de confidentialité offerte par un jeu de données synthétique. On se penchera attentivement sur quelques mesures proposées dans la littérature, pour comprendre leurs garanties et les différences et ressemblances entre celles-ci dans le but d'identifier la ou les mesures qui seraient les plus pertinentes pour le partage de données synthétiques. 

Ce projet de recherche vise à examiner la signature mutationnelle des rayonnements ionisants à l'aide de techniques de séquençage monocellulaire.

Le projet utilise des cellules lymphoblastoïdes humaines données par le trio ashkénaze qui ont un génome bien caractérisé. Les cellules sont irradiées et séquencées pour déterminer les mutations induites à la suite de l'exposition aux rayonnements ionisants. 
Grâce à l'analyse biostatistique des données génomiques humaines ainsi obtenues, nous pourrons identifier la signature mutationnelle des rayonnements ionisants.
 

Ce projet de recherche vise à développer un outil capable de générer automatiquement des segmentations d’organes d’intérêt sur des images tomodensitométriques, à partir de techniques d’apprentissage automatique (machine learning).

Cet outil sera par la suite utilisé pour calculer des doses à l’organe, afin de constituer des dossiers dosimétriques personnalisés en imagerie diagnostique. Les doses seront calculées à partir d’informations tirées des images, de la technique radiographique utilisée et d’un code Monte Carlo rapide (GPUMCD) propulsé par des processeurs graphiques (GPU). Des pipelines automatisés seront mis en place pour traiter de grandes quantités de données.

À terme, ce projet permettra de connaître plus précisément l’exposition de la population au rayonnement ionisant due aux procédures d’imagerie médicale.

L’objectif de ce projet est d’extraire un ensemble de données pertinentes à partir des fichiers produits par les appareils d'imagerie médicale.

Le procédé consiste à bâtir des pipelines ETL (extract-transform-load) pour rendre les données consommables pour l'analyse et la visualisation.  Un exemple d’analyse consiste à observer les tendances de doses administrées aux patients selon l'établissement, le protocole ou l'appareil utilisé, afin d'éventuellement identifier des pratiques hors-normes.

Les données extraites pourraient aussi guider la pratique en permettant d'évaluer la pertinence de certains examens, et ainsi d'optimiser les ressources dans le réseau de la santé.  

Le fardeau clinique et économique du cancer de la prostate continue d’augmenter au Canada. Selon la Société Canadienne du cancer, un Canadien sur sept développera un cancer de la prostate au cours de sa vie et un Canadien sur 27 mourra des suites de cette maladie. Il est important d’effectuer un examen clinique fiable qui permet d’avoir une différenciation entre les cancers agressifs cliniquement significatifs et non significatifs pour éviter les traitements excessifs. Les analyses comparatives avec l’imagerie par ultrasons, montrent que les modalités avancées de l’imagerie par résonance magnétique (IRM) se caractérisent par une meilleure précision diagnostique et sont devenues l’examen clinique de routine pour les patients ayant un risque de cancer de la prostate cliniquement significatif. Ces modalités offrent des capacités d’analyse importantes, mais leur application dans le cancer de la prostate a des limites distinctes (variabilité inter-observateurs, expérience de l’observateur, etc) malgré l’arrivée de la version V2 de PI-RADS.

Ainsi nous avons élaboré ce projet pour développer une approche de prédiction et de segmentation des lésions intra-prostatiques basée sur l'apprentissage automatique afin de mieux orienter la radiothérapie.

Pour atteindre cet objectif, nous avons eu recours à deux modalités améliorées d'IRM conventionnelle, la DTI-IRM et la DWI-IRM, associées à des modalités d’IRM anatomiques. Nous allons extraire à partir des modalités quantitatives les cartes qui fournissent les caractéristiques spécifiques de la lésion. Nous allons ensuite extraire l’information de la texture des modalités d’IRM et des cartes sélectionnées. En dernière étape, des méthodes d’apprentissage automatique seront appliquées pour la sélection et la classification de ces caractéristiques.

En appliquant ces méthodes l’extension et le type du cancer seront identifiés.

La curiethérapie à haut-débit de dose est une modalité de traitement contre le cancer (e.g., cancer gynécologique et cancer de la prostate) qui utilise la radiation ionisante d’une source radioactive scellée afin d’irradier les cellules cancéreuses. Le but d’un traitement de curiethérapie est de maximiser la dose à la tumeur tout en limitant la dose aux tissues sains. Lors de la phase de planification de traitement en clinique, il est actuellement nécessaire d’ajuster une fonction de coût afin d’atteindre des compromis optimaux entre ces deux objectifs en compétition. Par conséquent, la génération d’un plan de traitement est un processus laborieux et itératif ; la qualité des plans de traitement peut dépendre de l’expertise des planificateurs/planificatrices.

Le but du projet est d’implémenter des algorithmes d’optimisation sur processeur graphique (GPU) permettant de générer des milliers de plans de traitement avec différents compromis optimaux en quelques secondes. Avec des outils de navigation en temps réel, il est possible d’explorer rapidement les différents compromis afin de choisir le meilleur plan pour les patient.e.s. L’impact de ces nouveaux algorithmes est quantifié et comparé à l’approche clinique standard. 

Le cancer de la prostate est la forme de cancer la plus fréquente chez les hommes au Canada.

Ce projet de recherche vise à poser un pronostic pour un patient atteint du cancer de la prostate ainsi que prédire la pathologie finale, par la prédiction de la présence des métastases ganglionnaires, à partir d’un FDG TEP-CT. Les caractéristiques radiomiques sont définies comme le processus d'extraction quantitative de données exploitables de haute dimension à partir d'images médicales. Il s'agit de biomarqueurs difficilement visibles à l’œil nu tels que la texture et l’intensité. La banque de données est composée de 250 patients atteints du cancer de la prostate. Après filtration, un sous-ensemble de 331 caractéristiques radiomiques a été sélectionné. La précision du modèle est de 74,5%. Cela correspond à une augmentation de la précision de 6% par rapport à un modèle entraîné sur toutes les caractéristiques extraites.

À terme, l'algorithme permettra de mieux prédire le risque de récidive du cancer de la prostate et contribuera à améliorer les méthodes et le choix du traitement.