Récemment, Karel Fonteyn a soutenu avec succès sa thèse de doctorat à l’Université de Gand, au sein du SUMO Lab à l’IDLab. Sa thèse, intitulée « Apprentissage profond contextuel pour l’analyse des séries chronologiques biomédicales », rassemble quatre années de recherche innovante sur la manière dont l’apprentissage profond peut mieux utiliser le contexte dans des données biomédicales complexes. À plusieurs égards, ce travail soutient directement les ambitions en IA au sein de VasculAI.
Dans cet article de blog, un regard plus attentif est porté sur certaines des contributions les plus prometteuses de Karel pertinentes pour VasculAI et sur ce qui a retenu l’attention lors de sa défense publique.
1. Sur quoi Karel a-t-il travaillé ?
Comme le titre de sa thèse le suggère déjà, les recherches de Karel se sont concentrées sur l’apprentissage profond pour l’analyse des séries temporelles biomédicales. En termes simples, cela signifie développer des méthodes d’IA capables de mieux interpréter des signaux tels que les ECGs, non seulement en regardant une seule mesure, mais aussi en tenant compte du contexte plus large dans lequel cette mesure se situe.
Une contribution scientifique particulièrement pertinente pour VasculAI
L’une des contributions scientifiques les plus pertinentes de Karel pour VasculAI est son article dans le journal A1 d’IEEE Access, intitulé « Augmentation-Free Longitudinal Modeling through Structuring Whitened Embeddings ». Dans ce travail, Karel et ses co-auteurs ont introduit un nouveau cadre appelé Structuring Whitened Embeddings, ou SWE. La méthode est conçue pour aider les modèles d’apprentissage profond à apprendre comment les signaux biomédicaux évoluent dans le temps, sans recourir à une augmentation artificielle des données.
SWE : apprendre à partir de l’évolution réelle des signaux
Cela peut sembler abstrait au premier abord, mais l’idée est en réalité très intuitive. Dans de nombreuses applications médicales de l’IA, de minuscules changements dans un signal peuvent en modifier complètement l’interprétation. Cela rend les stratégies d’augmentation traditionnelles risquées, car modifier un échantillon, même légèrement, peut créer des données irréalistes. SWE aborde ce problème en apprenant directement à partir des relations réelles entre des échantillons réels, plutôt qu’à partir d’échantillons artificiellement modifiés. De plus, le modèle organise ses représentations internes d’une manière qui reflète comment l’état d’un patient peut évoluer progressivement au fil du temps. Cela permet de capturer des schémas subtils de progression, ce qui améliore la modélisation de l’évolution de la maladie.
Pourquoi cette approche intéresse directement VasculAI
Ces propriétés contribuent à l’objectif de VasculAI de construire des systèmes d’IA capables de surveiller la santé cardiovasculaire à partir de données issues de dispositifs portables et de soutenir une détection plus précoce des maladies vasculaires. Pour bien faire cela, l’IA doit non seulement reconnaître les anomalies, mais aussi capturer les modèles subtils de progression et comprendre comment les signaux évoluent à l’intérieur des patients et entre eux. SWE s’intègre naturellement dans cette vision, car il se concentre exactement sur l’apprentissage de ces transitions fluides et significatives dans les séries chronologiques biomédicales.
2. Ce qui ressortait dans sa défense
La défense publique de Karel a attiré non seulement des amis, de la famille et des collègues, mais aussi des participants externes intrigués par le titre et l’étendue du travail. Le sujet de l’IA contextuelle dans le domaine de la santé résonne clairement au-delà du monde académique, surtout maintenant que de plus en plus de gens se demandent comment l’intelligence artificielle peut devenir réellement utile dans la pratique clinique réelle.
Un intérêt au-delà du monde académique
Parmi les participants se trouvaient des professionnels de la santé, y compris un cardiologue de l’UZ Gent, qui ont montré de l’intérêt pour la valeur pratique de ce type de recherche pour le travail clinique quotidien.
Une grande partie du travail de Karel est fondamentalement méthodologique, mais cela ne le rend en rien moins important. Au contraire, ce type de recherche fournit les éléments de base à partir desquels des systèmes robustes et cliniquement utiles peuvent être développés ultérieurement. Des projets tels que VasculAI sont un excellent exemple de la manière dont une recherche fondamentale en IA peut soutenir destechnologies de santé plus directement applicables. Dans un domaine où la terminologie de l’apprentissage profond peut rapidement devenir inaccessible, sa présentation a facilité pour un large public la compréhension de l’importance du contexte en IA biomédicale et de la raison pour laquelle des méthodes comme SWE peuvent avoir un véritable impact à long terme.
3. Prochaines étapes
Karel a apporté des contributions qui continueront d’avoir de l’importance, tant au sein de la communauté académique que dans des projets tels que VasculAI. Son travail sur l’apprentissage profond contextuel, la modélisation longitudinale et l’apprentissage de caractéristiques robustes a posé une base solide pour les avancées futures en IA biomédicale. Ses contributions ont déjà démontré leur valeur et reflètent une trajectoire prometteuse à poursuivre.
