Adaptation de Domaine pour l'intégration de données neuronales – DANDI

Le développement de méthodes d'apprentissage adaptées aux systèmes à données limitées est une préoccupation centrale de l'intelligence artificielle (IA) pour la santé, qui souffre généralement de données éparses. Une approche prometteuse consiste à tirer parti de systèmes connexes riches en données par le biais de l'apprentissage par transfert ; par exemple, en pré-entraînant des modèles qui peuvent être affinés pour des contextes cliniques. Cette approche peut toutefois dégrader les performances si les domaines cibles disposent de données limitées. La neuroimagerie humaine (par exemple, les données d'imagerie par résonance magnétique fonctionnelle [IRMf]) est l'un de ces domaines, car les données sont coûteuses à acquérir et donc généralement sous-échantillonnées dans les populations cliniques. Parallèlement, les chercheurs ont investi dans la création de vastes bases de données d'IRMf provenant d'un petit nombre de participants en bonne santé, dans le but d'étudier le fonctionnement du cerveau. Il serait donc hautement souhaitable de tirer parti de ces données riches pour améliorer l'analyse des échantillons cliniques.
Nous proposons d'évaluer cette approche, en tirant parti de notre expertise dans les techniques de transfert d'informations et les modèles d'ensembles de données IRMf individuels à l'aide d'architectures d'IA. Comme les ensembles de données de recherche varient selon de multiples dimensions, nous proposons d'étudier des méthodes permettant de surmonter les multiples sources de décalage des distributions, dans les caractéristiques de la population ainsi que dans les protocoles. Nous nous appuierons sur les travaux existants qui tirent parti du transport optimal (OT), en les étendant à de nouveaux alignements entre échantillons. Ces objectifs impliquent le développement de nouvelles procédures de transfert, soit issues de la théorie OT, soit tirant parti de la structure des données, par exemple les réseaux convolutionnels graphiques.