Intelligence Artificielle et Neurosciences – BrAIN

Après des percées pionnières dans le domaine de la vision par ordinateur, du traitement de la parole ou du traitement du langage naturel, l'intelligence artificielle doit maintenant relever de nouveaux défis afin d'avoir un impact sur diverses disciplines scientifiques et en particulier sur les applications liées à la santé. Si l'on considère les applications médicales, des problèmes statistiques et informatiques apparaissent. i) Le premier problème est lié à l'absence ou à la quantité limitée de supervision pour les algorithmes : les modèles prédictifs supervisés ont besoin de ce que l'on appelle des annotations ou des étiquettes pour être entraînés et testés, et malheureusement trop peu d'applications médicales peuvent en fournir suffisamment. ii) Le deuxième problème est lié à ce que l'on peut appeler la variabilité des ensembles de données, ou en termes plus statistiques, les changements de distribution ou de covariables. Ce que l'on appelle en vision par ordinateur le problème du «biais de l'ensemble de données« implique que la formation sur les données d'un certain hôpital est susceptible de fournir une prédiction moins puissante lorsqu'elle est testée sur les données d'un autre hôpital. iii) Le troisième problème est lié à la difficulté d'apporter les outils de pointe à un environnement qui n'est pas dominé par des informaticiens mais par des biologistes, des neuroscientifiques, des psychologues, des médecins. BrAIN vise à fournir la prochaine génération de modèles et d'algorithmes ML pour un apprentissage statistique efficace en l'absence d'étiquettes fortes et d'échantillons de grande taille. BrAIN s'appuiera sur des cas d'utilisation clairs dans le domaine des neurosciences cliniques et cognitives (anesthésie, troubles de la conscience, médecine du sommeil) pour relever les défis généraux du ML : 1) l'étude de diverses tâches d'apprentissage autosupervisé pour apprendre à partir de données temporelles longues et bruitées ; 2) l'apprentissage pour augmenter les données et la taille des échantillons ; 3) l'apprentissage robuste en présence de changements de distribution ; 4) le développement d'algorithmes faciles à utiliser par des non-experts.

Benchopt: Reproducible, efficient and collaborative optimization benchmarks
Moreau T., Massias M., Gramfort A., Ablin P., Charlier P., Dagréou M., la Tour T., Durif G., Dantas C., Klopfenstein Q., Larsson J., Lai E., Lefort T., Malézieux B., Moufad B., Nguyen B., Rakotomamonjy A., Ramzi Z., Salmon J., Vaiter S. (2022)

Repurposing EEG monitoring of general anaesthesia for building biomarkers of brain ageing: An exploratory study
Sabbagh D., Cartailler J., Touchard C., Joachim J., Mebazaa A., Vallée F., Gayat {., Gramfort A., Engemann D. (2022)
medRxiv .

The Optimal Noise in Noise-Contrastive Learning Is Not What You Think
Chehab O., Gramfort A., Hyvarinen A. (2022)
The 38th Conference on Uncertainty in Artificial Intelligence

Robust learning from corrupted EEG with dynamic spatial filtering
Banville H., Wood S., Aimone C., Engemann D., Gramfort A. (2022)
NeuroImage 251: (118994).

A reusable benchmark of brain-age prediction from M/EEG resting-state signals
Engemann D., Mellot A., Höchenberger R., Banville H., Sabbagh D., Gemein L., Ball T., Gramfort A. (2021)
bioRxiv .

Shared Independent Component Analysis for Multi-Subject Neuroimaging
Richard H., Ablin P., Thirion B., Gramfort A., Hyvärinen A. (2021)
Advances in Neural Information Processing Systems 34 (NeurIPS)

Uncovering the structure of clinical EEG signals with self-supervised learning
Banville H., Chehab O., Hyvärinen A., Engemann D., Gramfort A. (2021)
Journal of Neural Engineering 18: (046020).

Deep Recurrent Encoder: A scalable end-to-end network to model brain signals
Chehab O., Defossez A., Loiseau J., Gramfort A., King J. (2021)

CADDA: Class-wise Automatic Differentiable Data Augmentation for EEG Signals
Rommel C., Moreau T., Paillard J., Gramfort A. (2022)
International Conference on Learning Representations

HNPE: Leveraging Global Parameters for Neural Posterior Estimation
Rodrigues P., Moreau T., Louppe G., Gramfort A. (2021)
Advances in Neural Information Processing Systems 34 (NeurIPS)

Pousser les limites du machine learning pour les signaux en neurosciences.

See alexandre.gramfort.net/anr-brain.html

L'intelligence artificielle (IA), avec les progrès récents de l'apprentissage statistique (Machine Learning ou ML en anglais), vise actuellement à révolutionner la façon dont la science expérimentale est menée. En physique, en chimie, en biologie, en neurosciences ou en médecine, les données sont maintenant le moteur de nouvelles intuitions théoriques et de nouvelles hypothèses scientifiques. L'apprentissage supervisé et les modèles prédictifs sont maintenant utilisés pour évaluer si quelque chose est "prévisible" : Puis-je prédire ce que les gens "pensent" à partir de signaux neuronaux ? Puis-je prédire l'apparition d'un cancer chez un patient à partir de son ADN ? Le ML est maintenant utilisé en remplacement des tests d'hypothèses statistiques classiques. Dans le domaine de la santé, on parle de médecine de précision et de patients virtuels, avec la vision que l'IA permettra d'avoir des prédictions individualisées à partir de données génomiques, physiologiques ou d'imagerie.
Après des premières percées spectaculaires dans les domaines de la vision par ordinateur, du traitement de la parole ou du traitement du langage naturel, le ML doit maintenant relever de nouveaux défis afin d'avoir un impact sur diverses disciplines scientifiques et en particulier pour les applications liées à la santé. Lorsque l'on considère de telles applications, des problèmes statistiques et informatiques apparaissent.
i) Le premier problème est lié aux limitations ou à l'absence de supervision des algorithmes : les modèles prédictifs supervisés ont besoin de grandes quantités de données annotées pour être entrainés et testés. Malheureusement trop peu d'applications médicales peuvent en fournir dans une quantité suffisante.
ii) Le second problème est lié à ce que l'on peut appeler la variabilité de l'ensemble de données d'apprentissage ou, en termes plus statistiques, aux changements de distribution ou de covariables. Ce qu'on a appelé en vision par ordinateur le problème du "biais de la base d'apprentissage" implique dans un contexte médical que l'entrainement sur les données d'un hôpital est susceptible de fournir une prédiction moins puissante lorsque le modèle est testé sur les données d'autres hôpitaux.
iii) Le troisième problème est lié à la difficulté d'amener les outils de l'état de l'art dans un environnement qui n'est pas dominé par les informaticiens mais par les biologistes, les neuroscientifiques, les psychologues, les médecins.
BrAIN fournira la prochaine génération de modèles et d'algorithmes de ML pour un apprentissage statistique efficace en l'absence d'annotations précises et d' échantillons de grande taille. BrAIN s'appuiera sur des cas d'utilisation définis en neurosciences cliniques et cognitives (anesthésie, troubles de la conscience, médecine du sommeil) pour relever les défis plus généraux du ML:
1) l'étude de diverses tâches d'apprentissage auto-supervisées pour apprendre sans annotations à partir de données temporelles longues et bruitées,
2) apprendre à augmenter les données et la taille des échantillons,
3) apprendre en présence de changements de distribution,
4) développement d'algorithmes efficaces et faciles à utiliser par des non-experts.