Secure, safe and fair machine learning for healthcare

Le secteur de la santé (public et privé) génère une quantité de données sans pareil provenant de sources aussi diverses que les dossiers médicaux électroniques, les techniques d'imagerie avancées, le séquençage à haut débit, les dispositifs portables et les donné es de santé publique. L’exploitation de ces données massives par des algorithmes sophistiqués d'apprentissage automatique a le potentiel de transformer la pratique du soin en permettant le développement de traitements, d'interventions et de politiques publiques plus e?caces et davantage personnalisés, et d'améliorer la prestation des soins de

santé et au bout du compte le bien-être de la population. Toutefois, le caractère hautement sensible des données de santé, les risques de cybersécurité, les biais dans les données et le manque de robustesse des algorithmes d'apprentissage automatique constituent autant de facteurs qui empêchent actuellement de tirer pleinement béné?ce des avancées récentes en intelligence arti?cielle.

Pour s’a?ranchir de cet état de fait, il est essentiel de surmonter les dé?s éthiques et juridiques, de sécurité et de robustesse. Ce projet vise à développer de nouveaux algorithmes d'apprentissage automatique qui prennent en compte les caractéristiques multi-échelles et hétérogènes des données de santé, tout en garantissant la con?dentialité, la robustesse contre les attaques adverses et les changements de dynamiques des données et modèles, et l'équité pour les populations sous-représentées.

En s’attaquant à ces obstacles, nous espérons libérer les verrous qui freinent le déploiement de solutions innovantes en santé numérique. Plus précisément, le projet se concentrera sur les dé?s suivants: (i) l'apprentissage respectueux de la vie privée en s’appuyant sur les techniques de con?dentialité di?érentielle et de chi?rement homomorphe ; (ii) l'apprentissage fédéré en établissant des compromis entre précision et con?dentialité ; (iii) la robustesse aux attaques adverses et changements de dynamiques des données et des modèles; (iv) le « désapprentissage » automatique pour implémenter le droit à l'oubli.