Faire un M2 en IA: la version Crash Test

Jusqu'ici je vous ai présenté le projet de M2 en IA comme un projet long terme en insistant bien sur la nécessité de contacter les équipes pédagogiques en amont. Mais imaginons que nous sommes en février, que vous êtes en 6ème semestre et que votre M2, c'est l'année prochaine ou jamais.

Qu'à cela ne tienne ! Je vous propose une version accélérée de la remise à niveau.

La priorité numéro 1: Postuler

Vous n'avez pas de projet, pas d'équipe, pas de connaissance ? Postulez quand même, qu'avez vous à perdre ? (Pour être tout à fait franche avoir des surrénales solides est un plus)

Comment gérer votre remise à niveau ?

D'abord et avant tout: codez

Que vous fassiez le Master de l'école polytechnique ou le Master de l'université de Paris vous validerez votre master grâce aux projets informatiques, paroles d'anciens. C'est de plus la compétence qui aidera le plus lors de la réalisation de votre stage donc foncez.

Temps estimé: 60 heures

Ayez une toute petite idée de ce qu'est l'algèbre linéaire

Dans le cours du Pr Georg Strang du MIT les chapitres les plus importants sont:

Les 5 premières vidéos:

- "The geometry of linear equations" jusqu'à "Transposes and permutations"

puis les vidéos des chapitres 18 / 21 / 22 / 28 / 31

Comme vous ne ferez pas les cours dans l'ordre attendu cela sera un peu plus aride. N'hésitez pas à solliciter l'aide d'un prof particulier de maths qui pourra répondre à vos questions.

Ensuite viennent à égalité:

En Analyse:

Dans Multivariate Calculus sur la Khan Academy, priorisez les chapitres :

Thinking about multivariate functions

Dans Derivatives of multivariables functions les sous-chapitres:

- Partial derivatives

- Derivatives of multivariable functions

- Gradient and directional derivatives

- Derivatives of multivariable functions

- Partial derivative of vector-valued functions

En Probabilité:

Toujours sur la Khan Academy, dans l'unité "Random Variables" vous pouvez faire les chapitres:

- Discrete random variables

- Continuous random variables

Au programme de terminale:

- L'échantillonnage

- Les fonctions logarithme et exponentielle

- Savoir intégrer et dériver

Avec ces notions en tête, vous devriez gagner un peu en confort et mener à bien votre année de M2.

Créer son projet de recherche en Machine Learning

Dans le meilleur des mondes possibles lorsque vous vous présentez à une équipe en disant "Bonjour, je veux faire de la recherche au croisement entre IA et questions cliniques" on vous répond "Quelle excellente idée, nous avons un projet tout chaud qui vous attendait".

Bon, dans la réalité il est souvent difficile de se greffer à un projet existant et le plus sûr est de créer le votre. Vous allez voir, non seulement vous allez y arriver, mais en plus vous allez y prendre du plaisir !

Cookbook: monter son projet en IA et clinique

S'acculturer au machine learning

C'est la partie la plus facile ! Soyez curieuse, trouvez quelques mots et lancez vos recherches sur youtube / google.

Plusieurs pistes pour débuter:

- Le fantastique cours du collège de France par Yann Le Cun, un des inventeurs des réseaux de neurones.

- Les vidéos de Machine Learnia

- un article de nature cité plus de 35 000 fois: Deep Learning

Aller voir dans la littérature ce qui s'est déjà fait

Accéder directement aux articles scientifiques peut sembler un peu aride au début. Gardez bien vos objectifs en tête:

- Quel est l'objectif principale ? (-> vous pourrez peut-être prendre le même pour une autre pathologie ?)

- Quelle est la base de données utilisée (-> peut être pourriez-vous y accéder aussi ?)

- Quelle équipe a publié le papier (-> pourquoi ne pas les contacter pour leur proposer de travailler avec eux ?)

Et si vous ne comprenez rien à la méthode, tant pis, ce n'est pas l'objectif pour l'instant.

Quelques papiers pour débuter:

- The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care

- Early prediction of circulatory failure in the intensive care unit using machine learning

- Assessment of Machine Learning to Estimate the Individual Treatment Effect of Corticosteroids in Septic Shock

- Derivation, Validation, and Potential Treatment Implications of Novel Clinical Phenotypes for Sepsis

- Validation of Prediction Models for Critical Care Outcomes Using Natural Language Processing of Electronic Health Record Data

- Dermatologist-level classification of skin cancer with deep neural networks

On peut alors s'essayer à classer le type d'objectif principal des études utilisant du machine learning:

- Prédictions d'un évènement (date de sortie de réanimation / prédiction du retour en réanimation dans les 48 heures après la sortie ...)

- Prédiction d'un outcome (décès / modified Rankin scale ...)

- Personnalisation d'un objectif thérapeutique continue (objectif de pression artérielle, quantité de cristalloïdes à utiliser, dose de noradrénaline ...)

- Segmentation automatique d'un syndrome fourre tout (j'ai nommé, le sepsis !)

Partez de la base de données

Au mieux on part de son expérience clinique pour trouver une question de recherche. De manière plus pragmatique, essayez de trouver d'abord une base de données accessibles et ensuite trouvez la question clinique la plus pertinente à laquelle on peut répondre en utilisant cette base.

Et surtout, profitez, vous êtes au coeur de ce qu'on appelle "la Recherche".

Le rétro-planning

Comment organiser les différentes tâches qui vous permettront d'accéder à un M2 en intelligence artificielle ?

En début d'internat

A) Commencez par apprendre à programmer

Plusieurs raisons pour cela:

1) Cela vous permettra de demander une thèse où la base de données est déjà constituée. Plutôt que de passer des heures à saisir des données dans un excel, vous pourrez utiliser ces mêmes heures à structurer / nettoyer / analyser la base. Vous en deviendrez d'autant meilleure en informatique.

2) Un des points absolument critique pour intégrer un M2 d'IA est de contacter très précocement une équipe, soit clinique, soit scientifique. Il peut être compliqué d'arriver la bouche en coeur en disant "L'intelligence artificielle me fascine je voudrais travailler avec vous". Par contre, si vous arrivez en disant "Je sais coder, est-ce que je peux vous aider sur un de vos projets ?", cela vous crédibilisera énormément.

B) Contactez une équipe de recherche qui vous intéresse

Ici, vendez la peau de l'ours avant de l'avoir tué. N'attendez pas d'être parfaitement à l'aise en programmation informatique. Avoir fait la formation du livre: "R for the Data Science" est par exemple largement suffisant. Une fois en contact avec votre équipe, celle ci va pouvoir vous guider, dans la manière de vous mettre à niveau, dans le choix de votre thématique de recherche et dans le choix de votre M2.

1 an avant le début du Master 2

Il va falloir mener de front plusieurs objectifs:

- La remise à niveau en mathématique

- La mise en place du projet de recherche

- Les demandes de bourses

Les gros pièges sur votre route:

La culture de l'intelligence artificielle en médecine est encore toute récente. Lorsque vous choisissez votre équipe de recherche faites attention. Si cette équipe est principalement clinique et qu'ils ont l'habitude d'encadrer des M2, ils risquent de vous orienter vers "leur M2". Ces masters sont souvent centrés sur les bio-statistiques ou l'épidémiologie. Ils contiennent au plus une UE sur les méthodes de machine learning. Si tel était le cas, il faudra trouver votre formation par vous même et en contacter les enseignants bien amont pour leur exposer votre projet.

Je vous propose ici une manière de faire mais il en existe de nombreuses autres, n'hésitez pas à partager vos idées en commentaires !