ACM CHIL est l’idée de Marzyeh Ghassemi, membre du corps professoral de Vector.

La toute première conférence ACM sur la santé, l’inférence et l’apprentissage (CHIL) débute le jeudi 23 juillet 2020. Initialement prévu à Toronto, Canada, CHIL est maintenant un événement virtuel, mettant en vedette des conférenciers principaux de Yoshua Bengio (Mila, Université de Montréal), Elaine Nsoesie (Université de Boston), Sherri Rose (Université Stanford – anciennement Harvard Medical School), Ruslan Salakhutdinov (Université Carnegie Mellon) et Nigam Shah (Université Stanford).

Idée de Marzyeh Ghassemi, membre du corps professoral de Vector et présidente canadienne de l’IA du CIFAR (Université de Toronto), la conférence s’appuie sur le succès de la ML4H Unconference de l’an dernier et de l’atelier Machine Learning for Health à NeurIPS. Il cible un groupe interdisciplinaire d’experts issus de l’industrie et du milieu universitaire, incluant des cliniciens et chercheurs en apprentissage automatique travaillant dans des domaines tels que la politique de santé, la causalité, l’équité, les plateformes de partage de données cliniques et le déploiement.

« ACM CHIL est unique », dit Ghassemi. « Nous ciblons des approches, évaluations et déploiements innovants en apprentissage automatique qui deviennent de plus en plus nécessaires à mesure que l’apprentissage automatique clinique passe d’adaptations prêtes à l’emploi à des innovations pertinentes dans leur domaine. »

Avec Ghassemi comme président général, Vector est bien représenté parmi la direction de CHIL. Anna Goldenberg, membre du corps professoral et présidente canadienne de l’IA du CIFAR, Hôpital pour enfants malades, Université de Toronto, est membre du comité directeur, Tasmie Sarker, membre du personnel professionnel de Vector, est présidente de la logistique de la conférence, et Shalmali Joshi, boursière postdoctorale de Vector, occupe le poste de responsable des communications. Laura Rossella (Université de Toronto, Dalla Lana School of Public Health) et Avi Goldfarb (University of Toronto, Rotman School of Management), siègent au comité exécutif.

CHIL propose également des tutoriels sur les ensembles de données de santé publique pour l’apprentissage profond : défis et opportunités, Une visite d’analyse de survie : du classique au moderne, et l’imagerie médicale avec apprentissage profond, ainsi qu’une excellente sélection de procédés, ateliers et un consortium doctoral. Un certain nombre d’articles et d’ateliers ont également été coécrits par des chercheurs de Vector.

Articles liés aux vecteurs acceptés à CHIL 2020

Mots blessants : quantifier les biais dans les enracinements contextuels de mots cliniques

Haoran Zhang, Amy X. Lu, Mohamed Abdalla, Matthew McDermott, Marzyeh Ghassemi

Lorsqu’un algorithme d’apprentissage automatique est entraîné sur des données fondamentalement biaisées, il peut aboutir à un modèle qui reflète ces biais. Dans les applications cliniques, cela pourrait entraîner de graves disparités de traitement entre les sous-groupes. Dans ce travail, nous étudions le biais qui existe lorsque des modèles de traitement du langage naturel à la fine pointe sont utilisés sur des notes cliniques pour prédire une variété de tâches cliniquement pertinentes. En évaluant selon des attributs protégés comme le genre, l’ethnie et le statut d’assurance, nous constatons qu’il existe de nombreux écarts de performance statistiquement significatifs, le modèle performant souvent mieux dans le groupe majoritaire. Cela démontre la nécessité d’évaluations rigoureuses des biais du modèle avant leur déploiement en milieu clinique.

MIMIC-Extract : un pipeline d’extraction, de prétraitement et de représentation de données pour MIMIC-III

Shirly Wang, Matthew B. A. McDermott, Geeticka Chauhan, Marzyeh Ghassemi, Michael C. Hughes, Tristan Naumann

MIMIC-Extract introduit plusieurs étapes de nettoyage, de traitement et d’agrégation des données qui rendent la base de données MIMIC-III (un jeu de données ICU couramment utilisé dans la communauté de l’apprentissage automatique) plus accessible aux chercheurs. Ces étapes répondent à plusieurs défis liés à l’application de modèles d’apprentissage automatique aux données cliniques, tels qu’un niveau élevé de manque et de bruit dans les données. Nous avons aussi rendu notre code open source pour faciliter la reproductibilité.

Articles d’atelier liés aux vecteurs :

Apprentissage des représentations pour prédire l’état suivant du patient

Taylor Killian, Jayakumar Subramanian, Mehdi Fatemi, Marzyeh Ghassemi

Mon travail, qui sera présenté dans un atelier CHIL vise à établir des représentations appropriées de l’information recueillie en observant la santé des patients au fil du temps. Les travaux antérieurs, lors de l’étude des stratégies de traitement séquentiel pour les soins de santé, n’ont pris en compte que des observations immédiates lors du choix du traitement à administrer. C’est problématique, car les informations historiques influencent les décisions des médecins humains. En combinant soigneusement les observations de la santé des patients au fil du temps, nous espérons pouvoir fournir des suggestions de traitement plus appropriées et fiables à partir d’aides algorithmiques.

Une évaluation complète de l’apprentissage par représentation multitâche sur les données de DSE

Matthew McDermott; Bret Nestor; Wancong Zhang; Peter Szolovits; Anna Goldenberg; Marzyeh Ghassemi

(Aucun résumé disponible)