Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Sous-typage biologique en psychiatrie: l'espoir, la controverse et une nouvelle méthode

Description

Cette séance de cours explore les progrès récents dans l'utilisation de l'apprentissage automatique pour le sous-typage biologique en psychiatrie, en mettant l'accent sur le trouble dépressif majeur et le trouble du spectre autistique. L'instructeur discute de la promesse et de la controverse entourant ces méthodes, en mettant l'accent sur le potentiel de diagnostic et de traitement personnalisés. Diverses approches de neuroimagerie et méthodes de regroupement sont présentées, mettant en évidence l'identification de sous-groupes de patients distincts. L'exposé introduit également une nouvelle méthode qui améliore significativement les approches existantes pour l'identification des sous-groupes de patients à l'aide de données multiomiques et neuroimagerie.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Source officielle

Proximité ontologique

Health sciences

Psychiatrie: Psychiatrie

Concepts associés (32)

Trouble du spectre de l'autisme

Un trouble du spectre de l'autisme (anciennement trouble du spectre autistique) ou TSA (en autism spectrum disorder ou ASD) est un diagnostic de l'autisme depuis 2013, dans la du Manuel diagnostique et statistique de l'Association américaine de psychiatrie (DSM-5). Les éditions antérieures du DSM, et la de la Classification internationale des maladies de l'Organisation mondiale de la santé (CIM-10), utilisent la dénomination troubles envahissants du développement (ou TED).

Partitionnement de données

vignette|upright=1.2|Exemple de clustering hiérarchique. Le partitionnement de données (ou data clustering en anglais) est une méthode en analyse des données. Elle vise à diviser un ensemble de données en différents « paquets » homogènes, en ce sens que les données de chaque sous-ensemble partagent des caractéristiques communes, qui correspondent le plus souvent à des critères de proximité (similarité informatique) que l'on définit en introduisant des mesures et classes de distance entre objets.

Regroupement hiérarchique

Dans le domaine de l'analyse et de la classification automatique de données, le regroupement hiérarchique est un partitionnement de données ou clustering, au moyen de diverses méthodes, dites « ascendantes » et « descendantes ». Les méthodes dites « descendantes » partent d’une solution générale vers une autre plus spécifique. Les méthodes de cette catégorie démarrent avec une seule classe contenant la totalité puis se divisent à chaque étape selon un critère jusqu’à l’obtention d’un ensemble de classes différentes.

K-moyennes

Le partitionnement en k-moyennes (ou k-means en anglais) est une méthode de partitionnement de données et un problème d'optimisation combinatoire. Étant donnés des points et un entier k, le problème est de diviser les points en k groupes, souvent appelés clusters, de façon à minimiser une certaine fonction. On considère la distance d'un point à la moyenne des points de son cluster ; la fonction à minimiser est la somme des carrés de ces distances.

Dépression (psychiatrie)

La dépression, également appelée dépression caractérisée, dépression clinique ou dépression majeure, est un trouble psychiatrique caractérisé par des épisodes de baisse d'humeur accompagnée de plusieurs autres symptômes tels qu'une faible estime de soi, des difficultés à se concentrer ou à mémoriser, d’une perte ou prise de poids plus ou moins importante, de troubles du sommeil, ainsi que d'une perte de plaisir ou d'intérêt (anhédonie) dans des activités habituellement ressenties comme agréables par la pers

Afficher plus

Séances de cours associées (56)

Aperçu de l'apprentissage supervisé

Contient les CNN, les RNN, les SVM et les méthodes d'apprentissage supervisé, soulignant l'importance d'harmoniser la régularisation et de prendre des décisions éclairées dans le domaine de l'apprentissage automatique.

Clustering: Théorie et pratique

Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.

Apprentissage sans supervision : regroupement

Explore l'apprentissage non supervisé par des techniques de regroupement, des algorithmes, des applications et des défis dans divers domaines.

Introduction à l'apprentissage automatique

Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.

Regroupement: K-means & LDA

Couvre le clustering en utilisant les propriétés K-means et LDA, PCA, K-means, Fisher LDA et le clustering spectral.

Afficher plus

Concepts associés (32)

Trouble du spectre de l'autisme

Partitionnement de données

Regroupement hiérarchique

K-moyennes

Dépression (psychiatrie)

Afficher plus