Passer au contenu

/ Laboratoire d'innovation

Rechercher

Journal Club

Communauté d’échanges entre scientifiques des données et scientifiques de la santé

Des rencontres pour permettre le partage et le réseautage entre la communauté scientifique de la science des données et celles de la santé

Revoyez les présentations!

29 avril 2019

Julien Cohen-Adad, Polytechnique Montréal

Magnetic Resonance Imaging (MRI) can have multiple flavours: T1, T2, proton density, fMRI, diffusion MRI, etc. These so-called "Quantitative MRI" techniques are useful for monitoring pathologies such as multiple sclerosis and Alzheimer's disease. However, quantitative MRI data require complex analysis pipelines that are often executed manually and hence suffer from poor reproducibility. Deep learning (DL) appears to be an ideal candidate to help automatize certain analysis tasks. Unfortunately, while dozens of DL papers applied to medical imaging are published every year, most methods have been validated in well-curated single-center datasets only. In the rare case where the code is publicly available, the algorithm usually fails when applied to other centers (a.k.a. Real life data!). This happens because images across different centers have slightly different features than those used to train the algorithm (contrast, resolution, etc.), combined with the fact that low amount of data and manual labels are available. Recent DL techniques such as domain adaptation have tackled this issue. However, these techniques are not well adapted to our situation because in MRI, image features not only varies between centers, but also across a large number of acquisition parameters (e.g., repetition time, flip angle). The purpose of this presentation is to sensitize the DL community to unmet needs in MRI analysis, and explore possible ways to leverage MRI physics to advance impactful DL applications in the medical domain.

À propos de Julien Cohen-Adad

29 avril 2019

Mathieu Lavallée-Adam, Département de biochimie, microbiologie et immunologie, Faculté de médecine, Université d’Ottawa

Mass spectrometry-based proteomics is widely used to identify proteins in complex biological samples. Current proteomics approaches generate hundreds of thousands of mass spectra, yet, on average, only 25% of the mass spectra acquired in a mass spectrometry experiment lead to protein identifications. Increasing protein identification sensitivity is critical to provide a comprehensive understanding of the underlying biology of complex samples. Protein-protein interactions contain information that can improve protein identification rate in mass spectrometry; information that is not used by most current algorithms identifying proteins from mass spectra. We therefore propose a novel supervised learning algorithm, named MS-PROTINI, that assesses the confidence of peptide and protein identifications using mass spectrometry data features and confidence scores along with protein-protein interaction data. Our approach is based on the hypothesis that the confidence of the identification of a given protein P in a sample increases when proteins interacting with P are also observed in the same sample. When benchmarked against the state-of-the-art Percolator algorithm, MS-PROTINI identified more spectra, more peptides and more proteins. We also show that MS-PROTINI improves protein sequence coverage over Percolator. Overall, our machine learning algorithm improves our ability to identify proteins in complex proteomes and will provide a more comprehensive understanding of the molecular mechanisms taking place in biological samples.

À propos de Mathieu Lavallée-Adam

25 février 2019

Michaël Chassé - Centre d'intégration et d'analyse des données médicales du CHUM (CITADEL)

Le Centre d’intégration et d’analyse des données médicales (CITADEL) du Centre hospitalier universitaire de l’Université de Montréal (CHUM) s’inscrit dans les initiatives facilitant un CHUM apprenant, enseignant et communiquant. Les principaux objectifs poursuivis par CITADEL sont d’une part, d’intégrer les informations nécessaires pour améliorer les soins aux patients et augmenter la performance du système de soins et, d’autre part, de fournir un accès facile, sécurisé, approprié et dans un délai raisonnable aux données clinico-administratives du CHUM pour promouvoir et faciliter la recherche, l’évaluation et l’innovation de même que l’aide à la prise de décisions fondées sur les données. Un lac de données qui intègre les données provenant des différents systèmes d’information existants au CHUM a été développé par CITADEL afin de soutenir la réalisation des projets de recherche et des projets d’évaluation et d’amélioration des soins et services et de mieux servir l’organisation dans l’exploitation des informations en appui aux prises de décisions. Les données sources, qu’elles soient de nature clinique, administrative, financière ou de gestion, incluant la documentation du consentement général, sont comprises dans les données accessibles via CITADEL.

À propos de Michaël Chassé

25 février 2019

Julie Hussin - Multi-omics data analysis in cardiovascular research

Au cours des dernières décennies, les progrès des biotechnologies ont abouti à une révolution qui a entraîné une explosion de données, propulsant la génomique humaine dans l'ère du Big Data et ses défis. Outre les technologies génomiques, de nombreux types de données sont générés et utilisés pour interroger les multiples facettes des systèmes moléculaires, telles que la transcriptomique, la protéomique, la métabolomique et la microbiomique. En outre, des centaines de milliers de participants dans le domaine des biobanques fournissent aux bio-sponsors des échantillons et des mesures biologiques. Mon groupe de recherche se concentre sur l'utilisation de nouvelles approches informatiques et de vastes ensembles de données biomédicales pour étudier les forces biologiques à l'origine des traits humains complexes. Nos activités de recherche sont axées sur la santé cardiovasculaire, avec des applications pour comprendre les processus moléculaires derrière l'infarctus du myocarde, l'hypertension artérielle pulmonaire et l'insuffisance cardiaque, ainsi que des maladies concomitantes telles que le diabète, les troubles auto-immunes et les problèmes de reproduction. Pour atteindre ces objectifs, mon groupe de recherche collabore étroitement avec des cliniciens et des fondamentalistes de l'Institut de cardiologie de Montréal afin de générer et d'analyser des recherches en recherche cardiovasculaire. Dans cet exposé, je décrirai les questions de recherche actuellement traitées par mon groupe, qui concernent toutes la médecine cardiovasculaire de précision, ainsi que les données dont nous disposons pour faire progresser ce domaine. Je décrirai également les différents défis informatiques et les nouvelles techniques utilisées et développées pour répondre à ces questions. Ces projets pourraient améliorer les algorithmes d’estimation du risque de maladies cardiovasculaires et les modèles prédictifs de la santé humaine.  

À propos de Julie Hussin

28 novembre 2018

Nadia Lahrichi - Productivity-driven physician scheduling in emergency departments

La réduction de la congestion aux urgences du Québec est un défi majeur pour améliorer l’accès aux soins. Pour faire face à ce problème, l’approche qui présentée consiste à proposer une façon innovante d’organiser la planification des urgences. Le fait que la variation de la demande en termes de nombre de patients n’est pas prise en compte lors de la conception du calendrier, ainsi que le fait que tous les médecins soient considérés comme équivalents en termes de productivité, c’est-à-dire le nombre de patients que l’on peut voir lors d’un quart de travail, entraînent une inadéquation quotidienne entre l'offre et la demande. Dans le cadre de ce projet, ces deux problèmes sont abordés afin de mieux aligner les horaires des médecins avec la demande des patients dans les services d’urgence. Bien qu’un cas spécifique soit utilisé dans ce projet pour traiter le problème, le modèle de planification est générique et l’approche applicable à différents contextes. 

À propos de Nadia Lahrichi

28 novembre 2018

Joseph Paul Cohen - Clinical data successes using machine learning

Cette présentation porte sur les approches permettant de travailler avec des dossiers de santé électroniques en utilisant l’apprentissage automatique. Y sont compris l'apprentissage de la représentation non supervisée pour les codes médicaux, les visites et les patients, l’utilisation des séries chronologiques et l’observation à l'aide de MLP et RNN. En outre, il est question de la prédiction des résultats des patients en termes de survie et d’autres événements médicaux.

À propos de Joseph Paul Cohen