ACM CHIL est une idée originale de Marzyeh Ghassemi, membre du corps professoral de Vector.
La première conférence ACM sur la santé, l'inférence et l'apprentissage (CHIL) débutera le jeudi 23 juillet 2020. Initialement prévue à Toronto, au Canada, CHIL est maintenant un événement virtuel, avec des conférences plénières de Yoshua Bengio (Mila, Université de Montréal), Elaine Nsoesie (Université de Boston), Sherri Rose (Université de Stanford – anciennement Harvard Medical School), Ruslan Salakhutdinov (Université Carnegie Mellon) et Nigam Shah (Université de Stanford).
Conçue par Marzyeh Ghassemi (Université de Toronto), membre du corps professoral de Vector et titulaire de la chaire canadienne CIFAR en intelligence artificielle, cette conférence s'appuie sur le succès de la conférence non officielle ML4H de l'année dernière et de l'atelier sur l'apprentissage automatique pour la santé lors de NeurIPS. Elle s'adresse à un groupe interdisciplinaire d'experts issus de l'industrie et du milieu universitaire, notamment des cliniciens et des chercheurs en apprentissage automatique travaillant dans des domaines tels que les politiques de santé, la causalité, l'équité, les plateformes de partage de données cliniques et le déploiement.
« ACM CHIL est unique », déclare Ghassemi. « Nous ciblons des approches, des évaluations et des déploiements d’apprentissage automatique novateurs qui sont de plus en plus nécessaires à mesure que l’apprentissage automatique clinique passe d’adaptations prêtes à l’emploi à des innovations pertinentes pour le domaine. »
Outre Ghassemi, qui en assure la présidence, Vector est bien représentée au sein de la direction de CHIL. Anna Goldenberg (Hôpital pour enfants malades, Université de Toronto), membre du corps professoral et titulaire de la chaire canadienne CIFAR en intelligence artificielle, siège au comité de pilotage. Tasmie Sarker, membre de l'équipe professionnelle de Vector, est responsable de la logistique de la conférence, et Shalmali Joshi, boursière postdoctorale chez Vector, est responsable des communications. Laura Rossella (École de santé publique Dalla Lana, Université de Toronto) et Avi Goldfarb (École de gestion Rotman, Université de Toronto), tous deux membres affiliés à Vector, siègent au comité exécutif.
CHIL propose également des tutoriels sur les ensembles de données de santé publique pour l'apprentissage profond : défis et opportunités, un tour d'horizon de l'analyse de survie : des approches classiques aux plus modernes, et l'imagerie médicale avec l'apprentissage profond, ainsi qu'un riche programme de conférences, d'ateliers et un consortium doctoral. Plusieurs articles et communications d'ateliers ont également été coécrits par des chercheurs de Vector.
Articles relatifs aux vecteurs acceptés à CHIL 2020
Haoran Zhang, Amy X. Lu, Mohamed Abdalla, Matthew McDermott, Marzyeh Ghassemi
Lorsqu'un algorithme d'apprentissage machine est entraîné sur des données fondamentalement biaisées, le modèle obtenu peut refléter ces biais. En pratique clinique, cela peut engendrer de graves disparités de traitement entre les sous-groupes de patients. Dans cette étude, nous analysons les biais présents lorsque des modèles de traitement automatique du langage naturel de pointe sont appliqués aux dossiers cliniques pour prédire diverses tâches cliniques pertinentes. En évaluant les performances selon des attributs protégés tels que le sexe, l'ethnicité et le statut d'assurance, nous constatons de nombreux écarts de performance statistiquement significatifs, le modèle étant souvent plus performant pour le groupe majoritaire. Cela souligne la nécessité d'évaluer rigoureusement les biais des modèles avant leur déploiement en milieu clinique.
Shirly Wang, Matthew BA McDermott, Geeticka Chauhan, Marzyeh Ghassemi, Michael C. Hughes, Tristan Naumann
MIMIC-Extract introduit plusieurs étapes de nettoyage, de traitement et d'agrégation des données afin de rendre la base de données MIMIC-III (un jeu de données couramment utilisé en soins intensifs dans la communauté de l'apprentissage automatique) plus accessible aux chercheurs. Ces étapes permettent de surmonter plusieurs difficultés liées à l'application de modèles d'apprentissage automatique aux données cliniques, comme un taux élevé de données manquantes et de bruit. Nous avons aussi publié notre code source afin de faciliter sa reproductibilité.
Documents d'atelier sur les vecteurs :
Apprentissage des représentations pour la prédiction du prochain état du patient
Taylor Killian, Jayakumar Subramanian, Mehdi Fatemi, Marzyeh Ghassemi
Mes travaux, qui seront présentés lors d'un atelier CHIL, portent sur la représentation adéquate des informations recueillies grâce à l'observation de l'état de santé des patients au fil du temps. Les recherches antérieures sur les stratégies de traitement séquentielles se sont limitées aux observations immédiates pour le choix du traitement. Or, cette approche est problématique, car l'historique des données influence les décisions des médecins. En combinant judicieusement les observations de l'état de santé des patients sur la durée, nous espérons pouvoir proposer des suggestions de traitement plus pertinentes et fiables grâce à des outils algorithmiques.
Évaluation complète de l'apprentissage de représentations multitâches sur les données des dossiers médicaux électroniques
Matthew McDermott ; Bret Nestor ; Wancong Zhang ; Peter Szolovits ; Anna Goldenberg ; Marzyeh Ghassemi
(Aucun résumé disponible)
