Hémogrammevignette|redresse=1.5|Prise de sang dans un hôpital de La Nouvelle-Orléans. L'hémogramme, aussi appelé numération de la formule sanguine (NFS), formule sanguine complète (FSC), ou examen hématologique complet (hémato complet), est l'analyse quantitative (numération) et qualitative (formule) des éléments figurés du sang : hématies (globules rouges ou érythrocytes), leucocytes (globules blancs) et thrombocytes (plaquettes). L'analyse se fait de nos jours par un automate d'analyses médicales, à partir d'échantillons prélevés lors d'une prise de sang, et conservés au moyen d'un anticoagulant.
Apprentissage automatiqueL'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
Algorithme d'apprentissage incrémentalEn informatique, un algorithme d'apprentissage incrémental ou incrémentiel est un algorithme d'apprentissage qui a la particularité d'être online, c'est-à-dire qui apprend à partir de données reçues au fur et à mesure du temps. À chaque incrément il reçoit des données d'entrées et un résultat, l'algorithme calcule alors une amélioration du calcul fait pour prédire le résultat à partir des données d'entrées.
White blood cell differentialA white blood cell differential is a medical laboratory test that provides information about the types and amounts of white blood cells in a person's blood. The test, which is usually ordered as part of a complete blood count (CBC), measures the amounts of the five normal white blood cell types - neutrophils, lymphocytes, monocytes, eosinophils and basophils - as well as abnormal cell types if they are present. These results are reported as percentages and absolute values, and compared against reference ranges to determine whether the values are normal, low, or high.
LeucocyteLes leucocytes (du grec leukos : blanc et kutos : cellule) ou globules blancs sont des cellules produites dans la moelle osseuse et présentes dans le sang, la lymphe, les organes lymphoïdes (ganglions, rate, amygdale et végétations adénoïdes et plaques de Peyer) et de nombreux tissus conjonctifs de l'organisme. Il en existe trois types principaux : les polynucléaires (ou granulocytes), les lymphocytes et les monocytes. Chaque type joue un rôle important au sein du système immunitaire en participant à la protection contre les agressions d'organismes extérieurs de manière coordonnée.
Rule-based machine learningRule-based machine learning (RBML) is a term in computer science intended to encompass any machine learning method that identifies, learns, or evolves 'rules' to store, manipulate or apply. The defining characteristic of a rule-based machine learner is the identification and utilization of a set of relational rules that collectively represent the knowledge captured by the system. This is in contrast to other machine learners that commonly identify a singular model that can be universally applied to any instance in order to make a prediction.
BoostingLe boosting est un domaine de l'apprentissage automatique (branche de l'intelligence artificielle). C'est un principe qui regroupe de nombreux algorithmes qui s'appuient sur des ensembles de classifieurs binaires : le boosting optimise leurs performances. Le principe est issu de la combinaison de classifieurs (appelés également hypothèses). Par itérations successives, la connaissance d'un classifieur faible - weak classifier - est ajoutée au classifieur final - strong classifier.
Automated machine learningAutomated machine learning (AutoML) is the process of automating the tasks of applying machine learning to real-world problems. AutoML potentially includes every stage from beginning with a raw dataset to building a machine learning model ready for deployment. AutoML was proposed as an artificial intelligence-based solution to the growing challenge of applying machine learning. The high degree of automation in AutoML aims to allow non-experts to make use of machine learning models and techniques without requiring them to become experts in machine learning.
LymphocyteLes sont des cellules qui ont un rôle majeur dans le système immunitaire. En matière de structure et de fonction, on distingue trois lignées lymphocytaires différentes : les lymphocytes B et T, de petite taille, et les lymphocytes NK, de grande taille et granuleux. Les lymphocytes sont des leucocytes (globules blancs) de petite taille se trouvant principalement dans les ganglions lymphatiques et la rate.
Régression logistiqueEn statistiques, la régression logistique ou modèle logit est un modèle de régression binomiale. Comme pour tous les modèles de régression binomiale, il s'agit d'expliquer au mieux une variable binaire (la présence ou l'absence d'une caractéristique donnée) par des observations réelles nombreuses, grâce à un modèle mathématique. En d'autres termes d'associer une variable aléatoire de Bernoulli (génériquement notée ) à un vecteur de variables aléatoires . La régression logistique constitue un cas particulier de modèle linéaire généralisé.
Types of artificial neural networksThere are many types of artificial neural networks (ANN). Artificial neural networks are computational models inspired by biological neural networks, and are used to approximate functions that are generally unknown. Particularly, they are inspired by the behaviour of neurons and the electrical signals they convey between input (such as from the eyes or nerve endings in the hand), processing, and output from the brain (such as reacting to light, touch, or heat). The way neurons semantically communicate is an area of ongoing research.
ÉrythrocyteL’érythrocyte (du grec erythros : rouge et kutos : cellule), aussi appelée hématie, ou plus communément globule rouge, fait partie des éléments figurés du sang. Chez les mammifères, c'est une cellule anucléée (dépourvue de noyau), tandis que chez les oiseaux c'est une cellule nucléée. Son cytoplasme est riche en hémoglobine, qui assure le transport du dioxygène (), mais très pauvre en organites qui n'existent qu'à l'état de trace.
Machine à vecteurs de supportLes machines à vecteurs de support ou séparateurs à vaste marge (en anglais support-vector machine, SVM) sont un ensemble de techniques d'apprentissage supervisé destinées à résoudre des problèmes de discrimination et de régression. Les SVM sont une généralisation des classifieurs linéaires. Les séparateurs à vaste marge ont été développés dans les années 1990 à partir des considérations théoriques de Vladimir Vapnik sur le développement d'une théorie statistique de l'apprentissage : la théorie de Vapnik-Tchervonenkis.
Multinomial logistic regressionIn statistics, multinomial logistic regression is a classification method that generalizes logistic regression to multiclass problems, i.e. with more than two possible discrete outcomes. That is, it is a model that is used to predict the probabilities of the different possible outcomes of a categorically distributed dependent variable, given a set of independent variables (which may be real-valued, binary-valued, categorical-valued, etc.).
Granulocyte neutrophileLes granulocytes neutrophiles ou polynucléaires neutrophiles (PNN) (ou simplement « les neutrophiles ») sont des cellules sanguines appartenant à la lignée blanche. Ce sont des globules blancs (leucocytes) qui ont un rôle majeur dans le système immunitaire. Les neutrophiles font partie des cellules granulocytes ou « cellules polynucléaires ». On les appelle polynucléaires en raison d'une erreur historique : de par le caractère plurilobé de leur noyau (de deux à cinq lobes en général), on a longtemps cru que ces cellules possédaient plusieurs noyaux.
HyperlymphocytoseUne hyperlymphocytose, également appelée simplement lymphocytose, est une anomalie de l'hémogramme, caractérisée par un nombre trop élevé de lymphocytes, supérieur à par mm3 chez le sujet adulte. Chez le nouveau-né et le jeune enfant, une lymphocytose jusqu'à lymphocytes par mm3 est physiologique, la formule leucocytaire se rapprochant des valeurs de l'adulte avec l'âge, pour devenir identique à l'adolescence. Si l’observation du frottis sanguin met en évidence des lymphocytes hyperbasophiles, le clinicien peut conclure à un syndrome mononucléosique.
Unité de soins intensifsvignette|Une unité de soins intensifs (2007). Une unité de soins intensifs ou USI (en anglais, intensive care unit ou ICU) est un service de l’hôpital qui prodigue des soins de suppléance à une défaillance aiguë. Elle est la structure médiane entre les services de réanimation (réa) et les unités de surveillance continue (USC), et prend en charge une défaillance unique sur une durée limitée. Elles constituent avec les USC les unités intermédiaires entre la réanimation et les services de soins généraux hospitaliers.
Réseau de neurones artificielsUn réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.
Forêt d'arbres décisionnelsvignette|Illustration du principe de construction d'une forêt aléatoire comme agrégation d'arbre aléatoires. En apprentissage automatique, les forêts d'arbres décisionnels (ou forêts aléatoires de l'anglais random forest classifier) forment une méthode d'apprentissage ensembliste. Ils ont été premièrement proposées par Ho en 1995 et ont été formellement proposées en 2001 par Leo Breiman et Adele Cutler. Cet algorithme combine les concepts de sous-espaces aléatoires et de bagging.
Apprentissage actifL’apprentissage actif est un modèle d’apprentissage semi-supervisé où un oracle intervient au cours du processus. Plus précisément, contrairement au cadre classique où les données sont connues et imposées, en apprentissage actif, c'est l'algorithme d'apprentissage qui demande des informations pour des données précises. Cette technique repose sur l'hypothèse que l’acquisition de données non étiquetées est beaucoup moins coûteuse que celle de données étiquetées.
